🔢 mathematics

An Application of Complex Fuzzy Soft Matrices in Signal Processing

Dit artikel onderzoekt het concept van complexe fuzzy soft-matrices en presenteert een algoritme voor het identificeren van referentiesignalen in signaalverwerking, waarbij de Fourier-transformatie als superieur wordt beoordeeld vanwege het leveren van een hogere optimale waarde en een betere referentiesignaal.

Oorspronkelijke auteurs: Olayemi R. Oladokun, Taiwo O. Sangodapo

Gepubliceerd 2026-03-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Olayemi R. Oladokun, Taiwo O. Sangodapo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een drukke, lawaaiige stad staat. Overal om je heen klinken geluiden: auto's, mensen die praten, muziek uit een winkel en het geruis van de wind. Plotseling hoor je een specifiek geluid dat je kent: het fluitje van je vriendje. Je hersenen moeten nu een moeilijke taak uitvoeren: filteren. Ze moeten dat ene specifieke fluitje uit al dat andere lawaai halen en zeggen: "Aha! Dat is het!"

Dit is precies wat dit wetenschappelijke artikel doet, maar dan voor computers en digitale signalen. De auteurs, Olayemi Oladokun en Taiwo Sangodapo, hebben een nieuwe wiskundige methode bedacht om te helpen bij het vinden van een "bekend geluid" (een referentiesignaal) in een stortvloed van andere signalen.

Hier is een uitleg in simpele taal, met behulp van alledaagse vergelijkingen:

1. Het Probleem: Alles is niet zwart of wit

In de oude wereld van wiskunde en computers was alles heel streng: een signaal was ofwel "ja" (het is dit geluid) of "nee" (het is dat niet). Maar in het echte leven is het zelden zo simpel. Een geluid kan "een beetje" lijken op een ander geluid, of het kan vaag zijn door ruis.

De auteurs gebruiken een concept dat "Complex Fuzzy Soft Matrices" heet. Dat klinkt eng, maar het is eigenlijk als een slimme, kleurrijke filter.

Fuzzy (Vag): In plaats van "ja/nee", zegt deze methode: "Dit geluid lijkt voor 70% op het geluid dat we zoeken, en voor 30% op ruis."
Complex: Ze voegen een extra dimensie toe (een soort "fase" of timing), alsof ze niet alleen kijken naar hoe hard het geluid is, maar ook naar wanneer het precies klinkt.
Soft (Zacht): Ze houden rekening met onzekerheid. Misschien is het signaal niet perfect, maar dat maakt niet uit; de methode kan er toch mee werken.

2. De Oplossing: Twee manieren om te zoeken

De paper vergelijkt twee manieren om dit "fluitje in de stad" te vinden:

Methode A: De "Kruisproduct"-Methode (De Simpele Vergelijking)

Stel je voor dat je een lijst hebt met alle geluiden die je hoort (Matrix A) en een lijst met het geluid dat je zoekt (Matrix B).
De computer neemt elke rij uit lijst A en vergelijkt die met elke rij uit lijst B. Het doet dit alsof het twee sets Lego-blokjes op elkaar probeert te stapelen om te zien hoe goed ze passen.

Ze kijken naar de "kruisproducten" (een wiskundige manier om te zeggen: "hoeveel overlap is er?").
Ze zoeken de hoogste overlap.
Het resultaat: Het werkt, maar het is alsof je probeert een foto te herkennen door alleen naar de kleuren te kijken, zonder naar de vorm te kijken.

Methode B: De "Fourier-transformatie" (De Magische Spectroscopie)

Dit is de ster van het verhaal. De Fourier-transformatie is als een magische bril die je opzet.

Stel je voor dat je een smoothie hebt gemaakt van fruit (het geluid). De Fourier-transformatie is de machine die de smoothie weer terugdraait in losse stukken fruit: een stukje aardbei, een stukje banaan, een stukje kiwi.
In plaats van het hele geluid te vergelijken, kijkt de computer naar de frequentie (de toonhoogte) en de fase (het tijdstip) van elk stukje.
De auteurs gebruiken hun "slimme filter" (de complexe matrices) op deze losse stukjes fruit.

3. Het Experiment: Wie wint er?

De auteurs hebben een proef gedaan. Ze lieten een digitale ontvanger (een soort super-gevoelige oortje) duizenden signalen opvangen. Ze hadden één "referentiesignaal" (het fluitje van je vriendje) en een hoop andere signalen (het lawaai).

Ze gebruikten beide methoden om te zien welke signalen het meest leken op het fluitje.

Methode A (Kruisproduct): Vond een paar gelijkenissen, maar was niet 100% zeker. Het was alsof je zegt: "Die geluiden klinken misschien wel hetzelfde."
Methode B (Fourier): Vond de winnaar met veel meer zekerheid. Omdat deze methode de "frequentie" en "fase" zo goed analyseerde, gaf het een hogere score voor de juiste match.

4. De Conclusie: Waarom is dit belangrijk?

De paper concludeert dat de Fourier-transformatie de betere methode is. Waarom?
Omdat het een "hogere optimale waarde" geeft. In onze analogie: het is alsof de Fourier-methode niet alleen zegt "dit klinkt als een fluitje", maar precies kan zeggen: "Dit is exact het fluitje van je vriendje, op de 3e noot, precies op het moment dat hij blies."

Kort samengevat:
De auteurs hebben een nieuwe wiskundige tool bedacht (complexe fuzzy matrices) om signalen te analyseren. Ze hebben getest of je een bekend geluid beter kunt vinden door simpelweg geluiden te vergelijken, of door ze eerst te "ontleden" met een Fourier-bril. Het bleek dat de Fourier-bril veel scherper ziet. Hierdoor kunnen digitale ontvangers (zoals in mobiele telefoons of radar) veel beter het echte signaal vinden tussen al het lawaai en ruis.

Het is een beetje alsof ze een nieuwe soort metaaldetector hebben uitgevonden die niet alleen piept als er metaal is, maar ook precies weet of het een oude munt is of een oude sleutel, zelfs als het in modder zit.

Titel: Een Toepassing van Complexe Fuzzy Soft-Matrices in Signaalverwerking

1. Probleemstelling

Traditionele modellen voor formele modellering, redenering en computationele taken zijn vaak 'krisp' (scherp), deterministisch en precies. Ze opereren binnen een binair logisch kader (waar/onwaar, ja/nee). In de werkelijkheid, vooral bij complexe systemen zoals signaalverwerking, zijn parameters echter vaak onzeker, vaag of onnauwkeurig.

De uitdaging: Het identificeren van een referentiesignaal uit een grote set van gedetecteerde signalen door een digitale ontvanger, waarbij ruis en onzekerheid een rol spelen.
De beperking van bestaande methoden: Klassieke fuzzy-theorie (Zadeh, 1965) beperkt de toewijzing van lidmaatschapswaarden tot het interval [0, 1]. Dit is echter onvoldoende om zowel amplitude als fase-informatie van signalen tegelijkertijd en met een hoge graad van onzekerheid te modelleren.

2. Methodologie

De auteurs combineren drie wiskundige concepten om een nieuw algoritme te ontwikkelen:

Complexe Fuzzy Sets (CFS): Een generalisatie van fuzzy sets waarbij de lidmaatschapsgraad niet beperkt is tot [0, 1], maar een complex getal is binnen de eenheidsschijf in het complexe vlak ( $z = r e^{i\omega}$ ). Hierbij vertegenwoordigt $r$ de amplitude (lidmaatschap) en $\omega$ de fase.
Soft Sets: Een parametrisch familie van subsets die onzekerheid in de parameters zelf modelleert.
Complexe Fuzzy Soft Matrices (CFSM): Een matrixrepresentatie van complexe fuzzy soft sets die geschikt is voor computergestuurde berekeningen.

Het voorgestelde algoritme voor signaalidentificatie:
Het artikel presenteert twee benaderingen, waarbij de tweede (gebaseerd op Fourier) als superieur wordt beschouwd:

Benadering A: Cross-product van CFSM's
- Signalen worden omgezet in matrices waarbij rijen samples en kolommen verschillende signalen voorstellen.
- Er wordt een "And-product" (min-operatie) en "Or-product" (max-operatie) toegepast op de matrices.
- Een beslissingsmatrix wordt gegenereerd via een max-min strategie om de beste match te vinden.
Benadering B: Integratie met Discrete Fourier Transformatie (DFT) (De hoofdmethodologie)
- Stap 1: Signalen en een bekende referentiesignaal $r$ worden bemonsterd ( $N$ keer).
- Stap 2: De inverse DFT (IDFT) wordt toegepast om de signalen te modelleren als complexe fuzzy sets, waarbij de amplitude $X[k]$ wordt beperkt tot $[0, 1]$ en de fase term behouden blijft.
- Stap 3: Een cross-product wordt berekend tussen de bemonsterde signalen ( $x_i$ $x_{i}$ ) en het referentiesignaal ( $r$ $r$ ).
  - De amplitude van het resultaat wordt bepaald door het minimum van de amplitudes van de twee signalen.
  - De fase wordt bepaald door het minimum van de fasen.
- Stap 4: Voor elke sample wordt de absolute waarde van het cross-product berekend.
- Stap 5: De maximale waarde van deze absolute waarden wordt geëxtraheerd voor elk signaal.
- Stap 6: Het signaal met de hoogste maximale waarde wordt geïdentificeerd als het referentiesignaal (de beste match).

3. Belangrijkste Bijdragen

Conceptuele Uitbreiding: Het introduceren en toepassen van Complexe Fuzzy Soft Matrices in het domein van signaal- en systeemtheorie.
Nieuw Algoritme: Het ontwikkelen van een specifiek algoritme voor de identificatie van referentiesignalen uit een ruisbelaste set van signalen, gebruikmakend van de cross-product operatie op CFSM's.
Vergelijking van Methodes: Het aantonen dat de integratie van Fourier-transformatie met complexe fuzzy soft sets superieur is aan puur matrixgebaseerde methoden zonder Fourier-componenten.
Praktische Validatie: Het presenteren van numerieke voorbeelden (met $N=2$ en $N=4$ samples) die de werking van het algoritme demonstreren en aantonen hoe het de juiste referentie kan selecteren.

4. Resultaten

In de numerieke voorbeelden werd aangetoond dat het algoritme succesvol het signaal kan identificeren dat het meest lijkt op de referentie.
Bij het vergelijken van twee signalen ( $x_1$ en $x_2$ ) met een referentie $r$ , leverde de methode op basis van de Fourier-transformatie een hogere optimale waarde op voor het juiste signaal.
Conclusie van de experimenten: Het signaal met de hoogste berekende waarde (via het cross-product en Fourier-analyse) werd correct geïdentificeerd als de referentie. In het specifieke voorbeeld werd signaal $x_2$ (in plaats van $x_1$ ) correct geïdentificeerd als de referentie op basis van de berekende maximale waarden.

5. Betekenis en Conclusie

De studie bevestigt dat complexe fuzzy soft matrices een krachtig hulpmiddel zijn voor het omgaan met onzekerheid in signaalverwerking.

Superioriteit van Fourier: De auteurs concluderen dat de methode die de Fourier-transformatie combineert met complexe fuzzy soft matrices beter presteert. Dit komt omdat de Fourier-transformatie de fase-informatie beter behoudt en integreert, wat leidt tot een hogere optimale waarde en dus een nauwkeurigere identificatie van het referentiesignaal.
Toepassingsgebied: De methode is toepasbaar op digitale ontvangers die te maken hebben met ruis en meerdere bronnen. Het biedt een wiskundig raamwerk om "vaagheid" in signaaldata te modelleren en toch robuuste beslissingen te nemen.
Toekomstperspectief: De auteurs suggereren dat deze aanpak ook kan worden uitgebreid naar continue Fourier-transformaties voor continue ruisproblemen, wat de relevantie voor bredere engineering-toepassingen onderstreept.

Kortom, dit artikel levert een nieuwe wiskundige tool aan voor de signaalverwerking die de beperkingen van traditionele crisp-logica en standaard fuzzy-logica overbrugt door gebruik te maken van de complexiteit van het complexe vlak en soft-set theorie.