模糊分类

模糊分类是分类学中的一个观点。

确定性的分类计数要求将模式明确的划分为某个类别，就像数学中的集合一样，不存在模棱两可。然而大量的事物往往是无法精确描述的，而且有时也不需要那么精确。将模式划分成类别是人类具有抽象化思维的本领，对事物的正确划分要么是由于问题确实能够被精确描述，要么是因为人们能够抓住模糊事物的本质进行概括和归纳。而对于计算机来说，要设计出可以计算的方式去描述事物是极其困难的，因此美国控制论专家Zadeh从集合论中引出模糊子集的概念，诞生了模糊数学，这一数学思想被引入模式识别领域。遥感图像像元所描述的对象由于各种原因往往也具有模糊的特性（比如，混合像元如果从精度的角度出发不应当被划归为某一类别。因此遥感界也进行模糊分类研究。）

模糊分类模糊集合

给定类域U上的一个模糊集合F是指：对于任意的x属于U，确定了一个数uF(x),uF(x)属于，其中uF(x)为x对F的隶属度函数。当uF(x)属于{0,1}时，F退化为普通集合。隶属函数uF(x)>0，则x就是模糊集合的一个元素，由于隶属度不同它们对外界的作用也不同，而x则既可以归属于F，也可以归属于F的补集。

模糊集合中也定义了类似于普通集合的各种运算（如：相等、包含、交、并、余、差集等）以及各种运算的性质，可以用来操作和使用模糊集合。模糊集合的核心是隶属度函数的确定，隶属度函数对模糊集合的应用效果有很大的影响。确定隶属度函数的过程与实际应用背景有很大关联性，没有通用的方法。

模糊分类数学公式

模糊分类模糊统计法

uF(u.)=lim(u.属于F*的次数)/n，式中F*——与模糊集合相联系的普通集合，此方法类似于投票选举

模糊分类二元对比排序

对类域U中的元素xi按照某种特性在两两对比中建立比较值，然后在相对比较值的基础上通过某些计算方法确定总体隶属度。