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