基于回转半径的相似性度量在模式识别中的困境:对Deng等人方法的理论修正与反例构建

《Algorithms》:Recognition Dilemma for Similarity Measure Based on the Radius of Gyration

【字体: 大 中 小 】 时间:2025年12月25日 来源:Algorithms 2.1

编辑推荐:

  本文对Deng等人提出的基于回转半径(Radius of Gyration)的相似性度量进行了深入剖析。研究首先修正了原方法中关于广义梯形模糊数(Generalized Trapezoidal Fuzzy Number)定义及转动惯量计算的不严谨之处,随后通过解析算法构建了一个全新的反例,证明该度量方法依然存在无法解决的模式识别困境(Recognition Dilemma),从而推翻了其“能完全避免识别困境”的论断。文章还指出,此前文献中声称的“反例”实为数值近似导致的伪平局,进一步凸显了本文理论分析的严谨性。

  
基于回转半径的相似性度量在模式识别中的困境
摘要
本文采用解析算法证明,基于回转半径的相似性度量依然存在未解决的模式识别困境。研究通过改进回转半径在y轴上的计算结果,证明了其与梯形模糊数的高度无关,这是构建反例的关键因素。同时,文章指出先前开发的一个反例存在可疑结果。研究结果表明,仅依赖少数相似性度量不足以完全解决模式识别困境,建议研究人员参考那些构建了包含多个相似性度量的迭代算法并反复应用这些度量以寻找完整解决方案的论文。
1. 引言
本文旨在证明Deng等人提出的基于回转半径的相似性度量仍然存在无法解决的模式识别困境。在模式识别中,当给定多个原型模式P1, ..., Pm和一个样本B时,若在相似性度量Sim下,至少有两个模式Pα和Pβ(α ≠ β)与样本B的相似度同时达到最大值,即Sim(Pα, B) = Sim(Pβ, B),则称此场景为识别困境。
Deng等人曾批评Chen、Lee以及Chen和Chen等人的相似性度量存在识别困境,并提出了基于回转半径的新度量,声称其能够解决这些问题。然而,本文通过构建一个包含一个样本和两个不同模式的模式识别场景,证明了Deng等人的度量同样会导致识别困境,从而表明其未能达到其批评其他方法时所设定的标准。
本文的主要贡献包括:
(I) 重新审视了Deng等人提出的广受引用的广义模糊数相似性度量。
(II) 从理论和实例两方面仔细检查了Deng等人的算法,识别并修正了若干数学上的不一致之处。
(III) 解析地构建了一个新的反例,证明Deng等人的相似性度量会导致模式识别困境。
(IV) 重新评估了Deng等人声称的一个反例,指出其报告的平局是舍入近似造成的,在更高精度下并不存在真正的平局。
(V) 论证了仅依赖Deng等人的单一相似性度量不足以避免识别困境,并倡导使用更稳健的方法。
2. 背景:Deng等人方法的回顾与修正
2.1 广义梯形模糊数的定义修正
Deng等人定义了一个广义梯形模糊数A = (a, b, c, d; w),并给出了其隶属函数μA(x)的定义。然而,该定义在x = c和x = d处存在不连续和定义冲突的问题。例如,在x = c处,根据定义,左极限为w,右极限为0,而函数值在第三行被定义为w,在第四行被定义为0,导致函数不连续且定义不明确。
为此,本文提出了一个修正后的隶属函数定义,确保了函数在整个定义域上的连续性和一致性。修正后的定义如下:
μA(x) = 0, x < a
μA(x) = w(x - a)/(b - a), a ≤ x ≤ b
μA(x) = w, b ≤ x ≤ c
μA(x) = w(d - x)/(d - c), c ≤ x ≤ d
μA(x) = 0, d < x
2.2 回转半径的解析推导
Deng等人利用转动惯量定义了回转半径。对于面积A,关于x轴的转动惯量Ix定义为∫y2dA,关于x轴的回转半径rx定义为√(Ix/A)。类似地,关于y轴的回转半径ry定义为√(Iy/A)。
Deng等人给出了广义梯形模糊数关于x轴和y轴的回转半径的复杂表达式,但并未将其中的中间项代入最终公式以获得简化形式。本文对此进行了改进,通过严格的积分计算,推导出了关于x轴和y轴的回转半径的简化解析表达式。
特别地,关于y轴的回转半径ry的最终表达式为:
ry= √{ [(d2+ c2)(d + c) - (b2+ a2)(b + a)] / [6(d + c - b - a)] }
一个关键的发现是,ry的值与梯形模糊数的高度w无关。这一观察是本文构建反例的基石,因为它意味着我们可以调整模式的高度而不影响ry,从而为制造平局创造了条件。
2.3 特殊情况的修正
Deng等人还给出了当a = b = c = d时的特殊情况公式。然而,其关于y轴转动惯量Iy的推导存在错误。本文重新进行了推导,得到了正确的Iy表达式,并在此基础上计算了回转半径。尽管推导过程不同,但最终得到的rx= w/√3和ry= a的结果与Deng等人的最终结果一致。
3. 结果:本文提出的识别困境
3.1 反例的构建思路
本文的目标是构建一个反例,证明Deng等人的相似性度量SD存在识别困境,即存在一个样本A和两个不同的模式B、C,使得SD(A, B) = SD(A, C)。
Deng等人的相似性度量SD(A, B)的表达式非常复杂,包含多个分量。本文的策略是利用之前发现的“ry与高度w无关”这一性质。通过精心选择样本A和模式B、C的参数,使得在计算SD(A, B)和SD(A, C)时,除了与模式高度wB和wC相关的项外,其他部分能够相互抵消或形成特定的比例关系。
3.2 反例的具体构造
本文构造了以下具体的模糊数:
样本A = (0.3, 0.4, 0.5, 0.6; wA= 1)
模式B = (0.2, 0.3, 0.4, 0.5; wB)
模式C = (0.4, 0.5, 0.6, 0.7; wC)
其中,wB和wC是待定的变量。通过解析计算,本文发现,当wB和wC取特定值时,可以使得SD(A, B) = SD(A, C)。具体地,令:
wB= 1 - ryC+ ryA
wC= 1 - ryA+ ryB
将样本和模式的具体数值代入计算,可以得到wB和wC的具体数值。计算结果表明,wB和wC均小于1,满足广义梯形模糊数的定义要求。
3.3 反例的验证
将上述构造的参数代入Deng等人的相似性度量公式进行计算,可以验证:
SD(A, B) = 0.9 * wC* wB
SD(A, C) = 0.9 * wB* wC
因此,SD(A, B) = SD(A, C)。这证明了Deng等人的相似性度量确实存在识别困境,无法区分样本A更接近模式B还是模式C。
3.4 反例的推广
本文不仅构造了一个具体的反例,还构建了一个反例族。通过引入一个参数ε(0 < ε ≤ 1),可以定义一族模式Bε和Cε,其高度分别为wBε和wCε。对于这一族中的任意一对模式,都有SD(A, Bε) = SD(A, Cε),从而证明了Deng等人的相似性度量存在无穷多个识别困境。
4. 对Deng等人反例的评述
Deng等人曾声称构造了一个反例,证明其相似性度量存在识别困境。他们给出的例子包含三个模糊数A、B和C,并声称计算得到S(A, B) = 0.4065和S(B, C) = 0.4065,从而得出无法区分的结论。
本文对此进行了重新计算,将精度提高到小数点后八位。计算结果显示:
S(A, B) = 0.40651460
S(B, C) = 0.40649065
由此可见,S(A, B) > S(B, C)。Deng等人得出的“平局”结论是由于将数值四舍五入到小数点后四位造成的。当使用足够高的精度进行计算时,所谓的“困境”便消失了。这一发现强调了在进行相似性度量分析时,使用足够精度或精确符号计算的重要性,以避免因数值舍入而产生的伪平局。
5. 解决模式识别困境的可行方案
Yen等人、Chu等人以及Chou等人开发了多种迭代算法,通过反复应用相似性度量来解决模式识别困境。这些算法的步数与论域的基数成正比。如果论域是有限的,这些算法已被证明可以避免识别困境。在这些算法中,如果出现平局,则会应用额外的相似性度量或步骤进行迭代,直到平局被打破。因此,本文认为,那些仅使用固定有限数量的相似性度量来解决识别困境的早期算法应该被修正,使得步数随着论域基数的增长而增长。在这种方法下,识别困境将不会发生。
6. 结论
本文首先修正了Deng等人相似性度量中的一些可疑结果。随后,通过构建一个反例,证明了Deng等人的度量方法仍然会遇到识别困境。本文还检验了Deng等人声称的“相等相似度值”的反例,发现当提高计算精度时,这些值实际上并不相等。这表明,纯粹通过数值方法来证明恒等式是不可靠的,因为提高精度可能会揭示出不等式。本文的研究结果表明,任何固定的单步相似性度量可能都是不够的,需要更动态或重复应用相似性度量(如最近的迭代算法所示)才能完全解决模式识别困境。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号