第五章 特殊关系(集合与关系)

本文深入探讨了等价关系、偏序关系、全序关系及良序关系的基本概念与特性,通过具体实例解析了等价类、哈斯图、全序集与良序集的概念,并介绍了这些关系在集合划分、排序等方面的应用。

第五章 特殊关系

5.1 等价关系 Equivalence Relations

公平性

归类分析的思想

  • 定义 R : A → A R:A\rightarrow A R:AA R R R 同时具有自反性,对称性和传递性时,称 R R R A A A 上的等价关系。

    例 \color{White}\colorbox{Fuchsia}{例} :非等价关系有——朋友关系(无传递性),直线平行关系(无自反性)

  • 同余关系:经典等价关系

    • 同余式 x ≡ y ( m o d m ) x\equiv y\pmod{m} xy(modm),将 Z Z Z 分成 m m m 个子集。
    • x , y x,y x,y 互为等价关系 R = { ( x , y ) ∣ ( x , y ∈ Z ) ∧ ( m ∣ ( x − y ) ) } R=\{(x,y)|(x,y\in Z)\land (m|(x-y))\} R={(x,y)(x,yZ)(m(xy))}
  • 等价类 Equivalence Classes:集合 A A A 满足 ∀ a ∈ A , [ a ] R = { x ∣ ( x ∈ A ) ∧ ( ( x , a ) ∈ R ) } \forall a\in A, [a]_R=\{x|(x\in A)\land ((x,a)\in R)\} aA,[a]R={x(xA)((x,a)R)}子集合 [ a ] R [a]_R [a]R,简记为 [ a ] [a] [a],称作由 a a a 生成的一个 R R R 等价类。其中 R R R等价关系 a a a 称为代表元/生成元/典型元

    • 性质:决定了集合分割集合的聚类方式。
      1. 等价类不存在部分相交: ∀ a , b ∈ A , \forall a,b\in A, a,bA, [ a ] = [ b ] [a]=[b] [a]=[b],或 [ a ] ⋂ [ b ] = ∅ [a]\bigcap [b]= \emptyset [a][b]=.
      2. ⋃ a ∈ A [ a ] = A \bigcup\limits_{a\in A}[a]=A aA[a]=A.
  • 集合的划分

    • 定义 ∀ i , j ( i ≠ j ) \forall i,j(i\ne j) i,j(i=j),有 A i ⋂ A j = ∅ , ⋂ i = 1 m A i = A A_i\bigcap A_j=\emptyset,\bigcap\limits_{i=1}^m A_i=A AiAj=,i=1mAi=A,称集合 S = { A 1 , A 2 , . . } S=\{A_1,A_2,..\} S={A1,A2,..} 为一个分划,其中 A i A_i Ai 为划分的

    • 定理:非空集合上的每一个等价关系都对应一个分划,反之亦然。

      证明:从等价关系定义中的自反性、对称性、传递性入手

5.2 偏序关系 Partical order

秩序性

比较集合的工具

  • 定义 R : A → A R:A\rightarrow A R:AA R R R 同时具有自反性,反对称性,传递性时,称 R R R A A A 上的偏序关系。记为 ⪯ \preceq (“小于等于”),序偶 < A , R > <A,R> <A,R> 称为偏序集 partially ordered set

    例 \color{White}\colorbox{Fuchsia}{例} :典型偏序关系 < 2 A , ⊆ > , < N + , ∣ > <2^A,\subseteq>,<N^+,|> <2A,>,<N+,>

  • 哈斯图 Hasse diagram:简化的关系图,去掉自环(自反性),箭头和有向边。若 x ⪯ y x\preceq y xy,则 x x x 画在 y y y 下方(反对称性)。若 ( i , j ) (i,j) (i,j) ( j , k ) (j,k) (j,k) 有边时,去掉 ( i , k ) (i,k) (i,k) (传递性)。

    • 盖住关系 cover®:构成 R R R 的哈斯图的一个真子集。
      c o v e r ( R ) = { ( X , y ) ∈ R ∣ ( ∀ t ∈ A ) [ ( t ≠ x ∧ t ≠ y ) ⟶ ( ( x , t ) ∉ R ∧ ( t , y ) ∉ R ) ] } cover(R)=\{(X,y)\in R|(\forall t\in A)[(t\ne x \land t\ne y)\longrightarrow ((x,t)\notin R\land (t,y)\notin R)] \} cover(R)={(X,y)R(tA)[(t=xt=y)((x,t)/R(t,y)/R)]}

    例题 \color{White}\colorbox{Fuchsia}{例题} :画图,集合 A = { 2 , 3 , 6 , 12 , 24 , 36 } A=\{2,3,6,12,24,36\} A={2,3,6,12,24,36} “ ∣ ” “|” A A A 上的整除关系。

    解:

在这里插入图片描述

  • 可比较的
    • 定义:设偏序集 < A , ⪯ > <A,\preceq> <A,>,对 ∀ x , y ∈ A \forall x,y\in A x,yA,若 x ⪯ y x\preceq y xy x ⪰ y x\succeq y xy 之一成立,则称 x , y x,y x,y 是可比较的。
    • 例 \color{White}\colorbox{Fuchsia}{例}
      1. 集合 A = { a , b , c } A=\{a,b,c\} A={a,b,c},偏序集 < 2 A , ⪯ > <2^A,\preceq> <2A,>
        则, { a } \{a\} {a} { a , b } \{a,b\} {a,b}是可比较的, { a } \{a\} {a} { b , c } \{b,c\} {b,c}是不可比较的。
        在这里插入图片描述

5.3 全序关系

  • 全序关系:偏序集 < A , ⪯ > <A,\preceq> <A,>任意两个元素都可比较,则称 < A , ⪯ > <A,\preceq> <A,> 是全序集, ⪯ \preceq 是全序关系。

  • :偏序集 < A , ⪯ > <A,\preceq> <A,> 中的一个子集 B ⊆ A B\subseteq A BA,若 < B , ⪯ > <B,\preceq> <B,>全序子集,则称 B B B A A A 中的一条链,链长度 = 链元素 - 1

  • 特殊元素:偏序集 < A , ⪯ > <A,\preceq> <A,> a a a A A A 中一个元素,则称 a a a A A A 中的

    • 最大元 Greatest element ∀ b ∈ A , b ⪯ a \forall b\in A,b\preceq a bA,ba
    • 最小元 Least element ∀ b ∈ A , a ⪯ b \forall b\in A,a\preceq b bA,ab
    • 极大元 Maximal:不存在 b ∈ A , a ≺ b b\in A,a\prec b bA,ab ∀ b ∈ A , b ⪯ a \forall b\in A,b\preceq a bA,ba b b b a a a不可比较)
    • 极小元 Minimal:不存在 b ∈ A , b ≺ a b\in A,b\prec a bA,ba ∀ b ∈ A , a ⪯ b \forall b\in A,a\preceq b bA,ab b b b a a a不可比较)
      有限偏序集一定存在极大元和极小元
  • 子集中的概念:设 B ⊆ A , a ∈ A B\subseteq A,a\in A BA,aA,则称 a a a B B B

    • 上界 Upper bound ∀ b ∈ B , b ⪯ a \forall b\in B,b\preceq a bB,ba
    • 下界 Lower bound ∀ b ∈ B , a ⪯ b \forall b\in B,a\preceq b bB,ab
    • 最小上界 Least upper bound B B B 的所有上界元素 c ∈ A c\in A cA中,均有 a ∈ c a\in c ac
    • 最大下界 Greatest lower bound B B B 的所有下界元素 c ∈ A c\in A cA中,均有 c ∈ a c\in a ca
      (上下界均针对于子集)
      例题 \color{White}\colorbox{Fuchsia}{例题} A = { x 1 , x 2 , x 3 , x 4 , x 5 } A=\{x_1,x_2,x_3,x_4,x_5\} A={x1,x2,x3,x4,x5} 上元素偏序集如图,求 B = { x 3 , x 4 , x 5 } B=\{x_3,x_4,x_5\} B={x3,x4,x5} 的八个概念。

在这里插入图片描述
解:

最大元最小元极大元极小元上界下界最小上界最大下界
/ x 5 x_5 x5 x 3 , x 4 x_3,x_4 x3,x4 x 5 x_5 x5 x 1 , x 2 x_1,x_2 x1,x2 x 5 x_5 x5/ x 5 x_5 x5
  • 字典次序(全序关系):根据 A S C I I ASCII ASCII 码比较字符串的字典序。

5.4 良序关系

  • 良序关系:偏序集 < A , ⪯ > <A,\preceq> <A,>任意非空子集都有最小元,则称 < A , ⪯ > <A,\preceq> <A,> 是良序集, ⪯ \preceq 是良序关系。

    良序关系属于全序关系,全序关系属于偏序关系
    有限全序集属于良序
    最 大 ( 小 ) 元 ⊆    “ ⪯ ” 最大(小)元\subseteq\;“\preceq” ()偏序关系。

  • 有限偏序集到全序集(即良序集)的转化:设 ⪯ , ⪯ ′ \preceq,\preceq' , 是集合 A A A 上的两个偏序关系
    • 关系可比较的:若 ∀ a , b ∈ A \forall a,b\in A a,bA,当 a ⪯ b a\preceq b ab 时有 a ⪯ ′ b a \preceq' b ab,则称关系 ⪯ , ⪯ ′ \preceq,\preceq' , 是可比较的。
      例题 \color{White}\colorbox{Fuchsia}{例题} :“整除”和“小于等于”是自然数集上两个偏序关系,且 “ ∣ ” “|” “ ≤ ” “\le” 是可比较的。发现 “ ∣ ” “|” 是偏序而非全序,而 “ ≤ ” “\le” 是全序
    • 拓扑排序:若关系 ⪯ , ⪯ ′ \preceq,\preceq' , 是可比较的,且 ⪯ ′ \preceq' 是全序关系,则称关系 ⪯ ′ \preceq' 是关系 ⪯ \preceq 的一个拓扑排序。
    • 算法步骤:不断定义极小元之间的排序
      • ⨀ \color{red}\bigodot 1. 任选 < A , ⪯ > <A,\preceq> <A,> 中一个极小元 x x x
      • ⨀ \color{red}\bigodot 2. 令 A = A − { x } A=A-\{x\} A=A{x}
      • ⨀ \color{red}\bigodot 3. w h i l e ( A ≠ ∅ ) { while(A \ne \emptyset)\{ while(A=){
        1. 任选 A A A 中一个极小元 y y y
        2. 定义序关系 x ⪯ ′ y x\preceq' y xy
        3. A = A − { y } , x : = y A=A-\{y\},x:=y A=A{y},x:=y
          } \} }
    • 定理:任何有限偏序集都和转变成全序集。
  • 良序公理(关于整数):设 X X X Z Z Z 的一个非空子集合,若存在 a ∈ Z a\in Z aZ,使得对所有的 b ∈ X b\in X bX,都有 a ≤ b a\le b ab,则 X X X 中必有一个最小整数。
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化训练,到执行分类及结果优化的完整流程,并介绍了精度评价通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置结果后处理环节,充分利用ENVI Modeler进行自动化建模参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略效果评估体系,涵盖当前企业传播面临的预算、资源、内容效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放GEO优化,提升品牌在AI搜索中的权威性可见性;④通过数据驱动评估体系量化品牌影响力销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析工具指南进行系统学习,重点关注媒体适配性策略GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
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
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