测度

本文探讨了长度公理在处理无限多个点集并集长度的局限性,并引入Lebesgue测度公理来解决这一问题。阐述了Lebesgue测度的概念,包括其公理化定义、外测度的定义及性质,以及可测集的判定和性质。讨论了可测集类的性质,以及可测性和Borel集的关系。

长度公理

设有实数直线上的一些点集所构成的集类\mu,若对每一个E \in \mu,都对应一个实数m(E),使得:

 (1)m(E) \geqslant 0

(2) 如果E_{i} \in \mu ,i=1,2,\cdot \cdot \cdot ,n.E_{i}\cap E_{j} = \varnothing, \forall i \neq j,那么m(E_{1}\cup E_{2}\cup\cdot \cdot \cdot \cup E_{n}) = \sum_{k=1}^{n}m(E_{k})

(3)m([0,1])=1.

但是,该公理思考:[a,b]区间上所有有理数点集A的长度是多少?[a,b]区间上所有无理数点集B的长度又是多少?

因为A是可数个点的并集,而在这个公理下,可以求的是有限多个点集的长度;同样,B是无限多个点的并集,也无法求。

 

测度是长度概念的推广,为的是解决无限多个点集的并集的长度。于是,将长度公理里的(2)改成“可数可加性”(即当集合是可数个集合之并时,可以像(2)中那样直接加)。于是得到 

Lebesgue测度公理:设实数直线上的点集所构成的集类\mu,若对每一个E \in \mu,都对应一个实数m(E),使得:

 (1)m(E) \geqslant 0

(2) 如果E_{i}\in \mu,i=1,2,\cdot \cdot \cdotE_{i}\cap E_{j} = \varnothing, \forall i \neq j,那么m(\sum_{k=1}^{\infty}E_{k}) = \sum_{k=1}^{\infty}m(E_{k})

(3)m([a,b])=b-a.

【这里不把“有限可加”改成“无限可加”,而改成“可数可加(或者可列可加)”的原因:

还考虑[a,b]区间上所有有理数点集A的长度是多少?[a,b]区间上所有无理数点集B的长度又是多少?

在Lebesgue测度公理下,m(A) = 0。而m([0,1])=m(A\cup B)=m(A)+m(B),所以m(B)=1.

如果“无限可加”,则会有m(A) = 0m(B) = 0.这与m([0,1])=1矛盾。】

 

Lebesgue测度:Lebesgue测度公理中m(\cdot )就是测度。具体定义见《集论初步》。

【关于测度存在下的集类\mu的代数结构探索,由m(\sum_{k=1}^{\infty}E_{k}) = \sum_{k=1}^{\infty}m(E_{k})出发:

(1)    m:E\rightarrow R^{*}\cup \left\{ 0\right\},即 \sum_{k=1}^{\infty}E_{k} \in E,因此\mu满足“可数和封闭”(蕴含满足“有限和封闭”)。

(2)   \forall A ,B \in \mu(C:=A-B),此时B \cap C=\varnothing,即A=B+C为直和分解。这时,我们常常希望的是C\in \mu

综上所述,测度往往定义在一个环上。

L外测度:设ER^{n}中任一点集,对于每一列覆盖E的开区间(\bigcup_{i=1}^{\infty}I_{i,j}\supset E),作出它们的体积总和\mu_{j} = \sum_{i=1}^{\infty}|I_{i,j}|\mu_{j}可以等于+\infty,不同的区间列一般有不同的\mu,即就是\mu_{i}\mu_{j}不等),所有这一切的\mu组成一个下方有界的数集,它的下确界(完全由E决定)称为E的Lebesgue外测度,简称L外测度或者外测度,记作:

                                          m^{*}E=\inf_{E \subset \bigcup_{i=1}^{\infty}I_{i,j}}\sum_{i=1}^{\infty}|I_{i,j}|

【L外测度其实类似与数分里的达布大和,L测度也是极限问题,故当然可以用夹逼定理;

另一方面,研究外测度的本质原因是:任何集合的外测度都存在。】

 

定理:(1)  m^{*}E\geqslant 0E = \varnothing \rightarrow m^{*}E= 0

            (2)  A \subset B \rightarrow m^{*}A \leqslant m^{*}B

            (3)  m^{*}(\bigcup_{i=1}^{\infty}A_{i})\leqslant \sum_{i=1}^{\infty}m^{*}A_{i} .(即使A_{i} \cap A_{j} = \varnothing,\forall i \neq j,也不一定取到等号)

【用外测度定义里的覆盖很显然得到上述结论】

 

可测性判定定义:设ER^{n}中的点集,如果对任一点集T都有:

                                                       m^{*}T=m^{*}(T\cap E)+m^{*}(T\cap E^{c})

则称E是可测的,此时E的外测度就是E的测度,记作 mE.  L可测集全体记作\mu

【1   测度是定义在一个环上的函数 m:X\rightarrow R^{*}\cup\left \{ 0 \right \}X \in \mu\mu是一个环。因此,可测性的本质为E是否属于\mu

2   在实变中,研究对象是\forall E \in R^{n},很显然,测度往往定义在一个\delta代数上。若外测度满足“可数可加性”,则外测度满足:有限交、并、取余集封闭,有限可加性。有:

                                                                               \forall T,E \in \mu [(T\cap E \in \mu)\wedge (T\cap E^{c} \in \mu)]

T=(T\cap E) \cup (T\cap E^{c} )(T\cap E) \cap (T\cap E^{c} )=\varnothing. 故:m^{*}T=m^{*}(T\cap E)+m^{*}(T\cap E^{c})

另一方面,\exists T \in \mu,m^{*}T\neq m^{*}(T\cap E)+m^{*}(T\cap E^{c}),则E \notin \mu,当然不可测。

 

定理:任意多个可测集合的交(或者并)仍可测。(蕴含:可测集的补集也可测,可测集的差仍然可测)

【通过集合间运算很容易验证】

 

可测集类: 凡Borel集都是L可测集。(蕴含:(1)区间都是可测的,其测度等于区间长度;(2)凡开集、闭集皆可测)

\delta代数(集一种类)的成员称为Borel集(\delta代数定义见《集论初步》)】

 

定理\forall E [(E=G_{\delta}-M)\vee (E=F_{\delta}+ M)

其中,E 为L可测集,G_{\delta} = \bigcap _{i=1}^{\infty}G_{i}F_{\delta} = \bigcup _{i=1}^{\infty}F_{i}G_{i}为开集,F_{i}为闭集。L零测度集M

【此定理说明:任何可测集可以被G_{\delta}外部向里方向逼近,可以被F_{\delta}内部向外逼近。m(G_{\delta}-E) =0m(E-F_{\delta}) =0

 

 

### 模糊测度的概念 模糊测度是一种扩展传统测度理论的工具,用于描述不确定性、不精确性和复杂系统的特性。传统的测度理论假设事件之间的独立性以及明确的边界划分,而模糊测度则允许考虑事件间的交互作用和不确定性的程度。模糊测度的核心在于其定义域为幂集 \(2^X\) 的函数 \(\mu: 2^X \to [0,1]\),其中 \(X\) 是样本空间[^3]。 模糊测度需满足以下基本性质: - **单调性**:对于任何两个子集 \(A,B\subseteq X\),如果 \(A \subseteq B\),那么 \(\mu(A) \leq \mu(B)\)[^3]。 - **规范化**:\(\mu(\emptyset)=0\) 并且 \(\mu(X)=1\)[^3]。 通过这些性质,模糊测度可以更灵活地刻画复杂的决策环境下的概率分布或重要性评估。 ### 模糊测度的计算方法 #### Sugeno λ 测度 Sugeno 提出了一种参数化的模糊测度形式,称为λ-测度。设 \(n=\text{card}(X)\) 表示有限集合 \(X\) 中元素的数量,则可以通过如下方式构建一个模糊测度: \[ \mu(A) = \frac{\prod_{i=1}^{k}[p_i+\lambda]}{(1+\lambda)^k}, A=\{x_1,\dots,x_k\}\subset X \] 这里 \(p_i\) 是单个元素的重要性系数,\(0<p_i<1\),并且满足 \(\sum p_i=1\)。参数 \(\lambda> -1\) 控制着不同组合间的关系强度[\(^5]^。\) 为了求解具体的数值,通常需要先估计或者设定每个单独元素的重要度比例向量 \([p_1,p_2,...,p_n]\),再利用优化技术找到合适的 \(\lambda\) 值使得整体一致性条件成立。 #### Choquet 积分 Choquet 积分为一种针对模糊测度设计的有效聚合运算符,广泛应用于多准则决策分析领域。给定可测函数 f 和模糊测度 μ ,它的表达式为: \[ C_\mu(f) = \int_X fd\mu := \int_0^\infty \mu (\{f>t\}) dt + \int_{-\infty}^0 [\mu (\{f>t\})-1]dt \] 此公式体现了如何依据输入变量的不同贡献水平重新分配权重的过程,从而实现更加精细的结果合成机制[^6]。 ### 应用场景 #### 综合评价体系 正如提到过的综合评价模型中所使用的 G1 法与熵值法相结合的方式一样,在很多情况下都需要借助模糊测度来完成最终得分汇总工作。比如企业绩效考核、供应商选择等问题都可以采用此类思路来进行科学合理的评判[^2]。 #### 数据挖掘与模式识别 当面对高维稀疏矩阵或者其他难以直接运用经典统计学手段处理的数据结构时,引入模糊测度可以帮助揭示隐藏于背后的潜在规律。例如在社交网络社区检测任务当中,节点连接紧密与否往往无法简单依靠边数多少衡量出来,此时就可以尝试建立相应的模糊隶属关系并据此推导新的相似性指标[^7]。 #### 图像分割 图像像素点之间存在不同程度的空间邻近效应,单纯按照颜色特征分类可能会造成误判现象发生。因此有必要结合局部纹理信息共同决定归属类别标签。在此过程中,恰当地选用某种类型的模糊测度作为辅助判断标准之一将会显著提升算法性能表现[^8]。 ```python import numpy as np def sugeno_lambda_measure(p_vector, lambd): """ Calculate the Sugeno lambda-measure value. Parameters: p_vector : array-like of shape (n,) Importance coefficients for each element in set X. lambd : float Parameter controlling interaction strength between elements. Returns: mu_A : float The calculated fuzzy measure value under given conditions. """ k = len(p_vector) product_term = np.prod([(pi + lambd) for pi in p_vector]) denominator = ((1 + lambd)**k) return product_term / denominator # Example usage if __name__ == "__main__": sample_p = [0.4, 0.3, 0.2, 0.1] lam_val = 0.5 result = sugeno_lambda_measure(sample_p, lam_val) print("Calculated Fuzzy Measure Value:",result) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

东风吹柳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值