云模型方法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
3
逆向云子程序: function [b_Ex,b_En,b_He]=back_cloud(x)
b_Ex=mean(x); b_En=mean(abs(xb_Ex))*sqrt(pi/2); b_He=sqrt(var(x)-b_En^2);
4
5
பைடு நூலகம்
6
7
8
9
10
云是用语言值表示的某个定性概念与其定量 表示之间的不确定性转换模型。它主要反映客观世 界中事物或人类知识中概念的两种不确定性:模糊 性(边界的亦此亦彼性 )和随机性(发生的概率 ),并 把二者完全集成在一起,构成定性和定量相互间的 映射。因为在数域空间中,云既不是一个确定的概 率密度函数,也不是一条明晰的隶属曲线,而是一 朵可伸缩、无边沿、有弹性、近视无边、远观像云 的一对多的数学映射图象,与自然现象中的云有着 相似的不确定性质,所以借用“云”来命名这个数 据——概念之间的数学转换理论。
1
0 应用实例 1 云的定义和特性 2 云模型的类型 3 云发生器 4 虚拟云 5 云变换 6 基于云模型的不确定推理
2
一组(4*100*3)数据:
x1(1,:)=[5.1,4.9,4.7,4.6,5.0,5.4,4.6,5.0,4.4,4.9,5.4,4.8,4.8,4.3,5.8,5.7,5.4,5]; x1(2,:)=[3.5,3.0,3.2,3.1,3.6,3.9,3.4,3.4,2.9,3.1,3.7,3.4,3.0,3.0,4.0,4.4,3.9,3]; x1(3,:)=[1.4,1.4,1.3,1.5,1.4,1.7,1.4,1.5,1.4,1.5,1.5,1.6,1.4,1.1,1.2,1.5,1 x1(4,:)=[0.2,0.2,0.2,0.2,0.2,0.4,0.3,0.2,0.2,0.1,0.2,0.2,0.1,0.1,0.2,0.4,0.4,0];
x3(1,:)=[6.3,5.8,7.1,6.3,6.5,7.6,4.9,7.3,6.7,7.2,6.5,6.4,6.8,5.7,5.8,6.4,6.5,7]; x3(2,:)=[3.3,2.7,3.0,2.9,3.0,3.0,2.5,2.9,2.5,3.6,3.2,2.7,3.0,2.5,2.8,3.2,3.0,3]; x3(3,:)=[6.0,5.1,5.9,5.6,5.8,6.6,4.5,6.3,5.8,6.1,5.1,5.3,5.5,5.0,5.1,5.3,5.5,5]; x3(4,:)=[2.5,1.9,2.1,1.8,2.2,2.1,1.7,1.8,1.8,2.5,2.0,1.9,2.1,2.0,2.4,2.3,1
11
设U是一个用精确数值表示的定量论域, T是U空间上的定性概念,若元素x(x∈X)对T的隶属的确 定度CT(x)∈[0, 1]是一有稳定倾向的随机数(式F1.1), 则概念T从论域U到区间[0 ,1]的映射在数域空间的分布, 称为云(Cloud)。
12
这个定义还可以推广到N维云。即若U是N维论域,X∈U, 则N维元素x=(x1,x2,…,xn) (x∈X)对T的隶属的确定度 CT(x)∈[0, 1]也是一有稳定倾向的随机数(式F1.1)。由此, 如果在给定论域的数域空间中,x为(xl,x2,…,xn),那 么一个云滴的严格表达,应为一个由自变量的论域空间坐标 及其对概念的确定度的数值对,即:
15
因此,云把模糊性和随机性有效地完全集成在一起,研 究自然语言中的最基本的语言值所蕴含的不确定性的普遍规 律,使得有可能从语言值表达的定性信息中获得定量数据的 范围和分布规律。也有可能把精确数值有效转换为恰当的定 性语言值。
16
云的数字特征反映了定性概念的定量特性,用期望 Ex(Expected value)、熵En(Entropy)和超熵 He(Hyperentropy)三个数值来表征(图F1.1)。云的数字特 征是描述云模型、产生虚拟云、实现云计算、完成云变换 的数值基础,也是利用云技术从含有不确定性的空间数据 库或空间数据仓库中发现空间知识的基础。
14
这种一个定量数值属于一个定性概念语言的不确定变化, 在每个云滴表现出来时,也许不会剧烈影响到云的整体特征。 即某一个特定的云滴可能无足轻重。但是,一定数量的云滴 的整体分布特性就体现了云映射的模糊性和随机性,也就是 说,云的整体形状反映了在用定量数值表示定性概念时的不 确定特性。例如,“滑坡体向南位移20毫米左右”就是一个 空间概念,而“滑坡体向南位移20毫米”就是一个空间数据, 是该定性概念在论域中的一次具体定量实现,经过云映射, 这个云滴代表该定性概念的确定程度是1。可是,这种实现 也可能是“滑坡体向南位移19毫米”等数据,代表该定性概 念的确定程度也可能是0.9等。所有的这些实现积累到一定 数量,经过云映射,在论域空间中就形成一朵云,表达“滑 坡体向南位移20毫米左右”这个概念。
13
从云的基本定义中可以看出,论域U上的概念T从论域U到区间[0,1]的映射 是一对多的关系。即论域中某一元素与它对概念T的隶属度之间的映射是一对多 的转换,而不是传统的模糊隶属函数中的一对一关系。表达概念T的云由许许多 多的云滴组成,每个云滴均是这个定性概念映射到数域空间的一个点,即定性概 念的语言值在数量上的一次具体样例实现。这种实现带有不确定性,模型同时给 出这个点能够代表该定性概念的确定程度。每个云滴都是随机产生的,而且每个 云滴代表该定性概念的确定程度也是模糊的,始终在细微变化着。
x2(1,:)=[7.0,6.4,6.9,5.5,6.5,5.7,6.3,4.9,6.6,5.2,5.0,5.9,6.0,6.1,5.6,6.7,5.6,5]; x2(2,:)=[3.2,3.2,3.1,2.3,2.8,2.8,2.3,2.4,2.9,2.7,2.0,3.0,2.2,2.9,2.9,3.1,3.0,2]; x2(3,:)=[4.7,4.5,4.9,4.0,4.6,4.5,4.7,3.3,4.6,3.9,3.5,4.2,4.0,4.7,3.6,4.4,4.5,4]; x2(4,:)=[1.4,1.5,1.5,1.3,1.5,1.3,1.6,1.0,1.3,1.4,1.0,1.5,1.0,1.4,1.3,1.4,1
逆向云子程序: function [b_Ex,b_En,b_He]=back_cloud(x)
b_Ex=mean(x); b_En=mean(abs(xb_Ex))*sqrt(pi/2); b_He=sqrt(var(x)-b_En^2);
4
5
பைடு நூலகம்
6
7
8
9
10
云是用语言值表示的某个定性概念与其定量 表示之间的不确定性转换模型。它主要反映客观世 界中事物或人类知识中概念的两种不确定性:模糊 性(边界的亦此亦彼性 )和随机性(发生的概率 ),并 把二者完全集成在一起,构成定性和定量相互间的 映射。因为在数域空间中,云既不是一个确定的概 率密度函数,也不是一条明晰的隶属曲线,而是一 朵可伸缩、无边沿、有弹性、近视无边、远观像云 的一对多的数学映射图象,与自然现象中的云有着 相似的不确定性质,所以借用“云”来命名这个数 据——概念之间的数学转换理论。
1
0 应用实例 1 云的定义和特性 2 云模型的类型 3 云发生器 4 虚拟云 5 云变换 6 基于云模型的不确定推理
2
一组(4*100*3)数据:
x1(1,:)=[5.1,4.9,4.7,4.6,5.0,5.4,4.6,5.0,4.4,4.9,5.4,4.8,4.8,4.3,5.8,5.7,5.4,5]; x1(2,:)=[3.5,3.0,3.2,3.1,3.6,3.9,3.4,3.4,2.9,3.1,3.7,3.4,3.0,3.0,4.0,4.4,3.9,3]; x1(3,:)=[1.4,1.4,1.3,1.5,1.4,1.7,1.4,1.5,1.4,1.5,1.5,1.6,1.4,1.1,1.2,1.5,1 x1(4,:)=[0.2,0.2,0.2,0.2,0.2,0.4,0.3,0.2,0.2,0.1,0.2,0.2,0.1,0.1,0.2,0.4,0.4,0];
x3(1,:)=[6.3,5.8,7.1,6.3,6.5,7.6,4.9,7.3,6.7,7.2,6.5,6.4,6.8,5.7,5.8,6.4,6.5,7]; x3(2,:)=[3.3,2.7,3.0,2.9,3.0,3.0,2.5,2.9,2.5,3.6,3.2,2.7,3.0,2.5,2.8,3.2,3.0,3]; x3(3,:)=[6.0,5.1,5.9,5.6,5.8,6.6,4.5,6.3,5.8,6.1,5.1,5.3,5.5,5.0,5.1,5.3,5.5,5]; x3(4,:)=[2.5,1.9,2.1,1.8,2.2,2.1,1.7,1.8,1.8,2.5,2.0,1.9,2.1,2.0,2.4,2.3,1
11
设U是一个用精确数值表示的定量论域, T是U空间上的定性概念,若元素x(x∈X)对T的隶属的确 定度CT(x)∈[0, 1]是一有稳定倾向的随机数(式F1.1), 则概念T从论域U到区间[0 ,1]的映射在数域空间的分布, 称为云(Cloud)。
12
这个定义还可以推广到N维云。即若U是N维论域,X∈U, 则N维元素x=(x1,x2,…,xn) (x∈X)对T的隶属的确定度 CT(x)∈[0, 1]也是一有稳定倾向的随机数(式F1.1)。由此, 如果在给定论域的数域空间中,x为(xl,x2,…,xn),那 么一个云滴的严格表达,应为一个由自变量的论域空间坐标 及其对概念的确定度的数值对,即:
15
因此,云把模糊性和随机性有效地完全集成在一起,研 究自然语言中的最基本的语言值所蕴含的不确定性的普遍规 律,使得有可能从语言值表达的定性信息中获得定量数据的 范围和分布规律。也有可能把精确数值有效转换为恰当的定 性语言值。
16
云的数字特征反映了定性概念的定量特性,用期望 Ex(Expected value)、熵En(Entropy)和超熵 He(Hyperentropy)三个数值来表征(图F1.1)。云的数字特 征是描述云模型、产生虚拟云、实现云计算、完成云变换 的数值基础,也是利用云技术从含有不确定性的空间数据 库或空间数据仓库中发现空间知识的基础。
14
这种一个定量数值属于一个定性概念语言的不确定变化, 在每个云滴表现出来时,也许不会剧烈影响到云的整体特征。 即某一个特定的云滴可能无足轻重。但是,一定数量的云滴 的整体分布特性就体现了云映射的模糊性和随机性,也就是 说,云的整体形状反映了在用定量数值表示定性概念时的不 确定特性。例如,“滑坡体向南位移20毫米左右”就是一个 空间概念,而“滑坡体向南位移20毫米”就是一个空间数据, 是该定性概念在论域中的一次具体定量实现,经过云映射, 这个云滴代表该定性概念的确定程度是1。可是,这种实现 也可能是“滑坡体向南位移19毫米”等数据,代表该定性概 念的确定程度也可能是0.9等。所有的这些实现积累到一定 数量,经过云映射,在论域空间中就形成一朵云,表达“滑 坡体向南位移20毫米左右”这个概念。
13
从云的基本定义中可以看出,论域U上的概念T从论域U到区间[0,1]的映射 是一对多的关系。即论域中某一元素与它对概念T的隶属度之间的映射是一对多 的转换,而不是传统的模糊隶属函数中的一对一关系。表达概念T的云由许许多 多的云滴组成,每个云滴均是这个定性概念映射到数域空间的一个点,即定性概 念的语言值在数量上的一次具体样例实现。这种实现带有不确定性,模型同时给 出这个点能够代表该定性概念的确定程度。每个云滴都是随机产生的,而且每个 云滴代表该定性概念的确定程度也是模糊的,始终在细微变化着。
x2(1,:)=[7.0,6.4,6.9,5.5,6.5,5.7,6.3,4.9,6.6,5.2,5.0,5.9,6.0,6.1,5.6,6.7,5.6,5]; x2(2,:)=[3.2,3.2,3.1,2.3,2.8,2.8,2.3,2.4,2.9,2.7,2.0,3.0,2.2,2.9,2.9,3.1,3.0,2]; x2(3,:)=[4.7,4.5,4.9,4.0,4.6,4.5,4.7,3.3,4.6,3.9,3.5,4.2,4.0,4.7,3.6,4.4,4.5,4]; x2(4,:)=[1.4,1.5,1.5,1.3,1.5,1.3,1.6,1.0,1.3,1.4,1.0,1.5,1.0,1.4,1.3,1.4,1