精华内容
下载资源
问答
  • 针对可信软件可靠性定性评估问题,将云模型理论与GB/T16260中软件可靠性度量指标相结合,提出了一种基于云模型软件可靠性度量模型。模型根据可靠性度量指标提取样本信息,通过云发生器生成云模型,运用合并云算法...
  • 云模型软件实现与其实现的源代码,云模型是为了解决定性描述语言与定量的数学之间装换的一种数学模型。 云模型软件实现与其实现的源代码,云模型是为了解决定性描述语言与定量的数学之间装换的一种数学模型。
  • 构件的可复用性是构件性能最重要的评价指标之一,对构件可复用性的...仿真实验表明,基于云模型的构件可复用性量化评价比常规方法的评价结果更接近实际,说明基于云模型软件构件可复用性量化评价结果具有更高可信度.
  • 二维云模型MATLAB

    2020-12-16 17:26:08
    使用MATLAB实现二维云模型,云标尺示意图,给出二维云模型6个参数EX,Ey,Enx,Eny,Hex,Hey,直接打开MATLAB软件加载运行
  • 针对软件可信性量化问题,提出了基于云模型的可信性评估模型。以REST表述性状态转移超媒体分布式架构为背景,根据云模型理论定义了其组成构件的信任云以及系统综合信任云,用于评估构件的可信性和系统的可信性。从四...
  • 云模型的MATLAB实现

    2015-12-06 11:16:36
    云模型的MATLAB实现,用不同颜色的线条作图
  • 通过深入研究云模型相关文献,提出一种在西门子S7-300 PLC上实现一维正态云模型的方法,在编程软件STEP7中用STL语言编写标准正态随机数、一维正态云模型算法等功能及其他相关程序,最后通过STEP7、PLCSIM和WINCC进行...
  • 利用云模型估计车速

    千次阅读 2020-09-25 15:47:25
    1.在隧道内放置多个地感线圈(间距相同),车辆通过时、对通过的相邻两个线圈(或单线圈)的脉冲信号数据进行实时采集,首先利用云模型算法(正向云与逆向云算法结合)或其他,计算得到车速的估计值,将车速估计结果...

       1.在隧道内放置多个地感线圈(间距相同),车辆通过时、对通过的相邻两个线圈(或单线圈)的脉冲信号数据进行实时采集,首先利用云模型算法(正向云与逆向云算法结合)或其他,计算得到车速的估计值,将车速估计结果与行车时间作为车辆行驶位置判定的依据,再采用云推理得到车辆行驶位置的估计值,对所估计的结果验证,实现对车辆位置的实时精确估计。

       2.最后还想验证一下估计结果的准确度

       3.做一下参数寻优,对比结果

    基于"隧道内放置多个地感线圈",主要是汽车通过多个线圈,产生不同时刻的脉冲,然后计算每个脉冲之间的时间差,来获得车速的计算。

    这里,我们主要需要的数据时每个线圈之间的距离参数以及每个脉冲之间的时间间隔,然后我们通过云模型来算法得到车速的估计值。根据得到的车速,我们可以得到最后的位置。

    然后,我们可以根据论文最后一章的分析方法来分析最后结果的准确度。

    对于参数优化,主要是针对云模型的初始参数,我们使用随机数,然后通过PSO进行迭代优化,从而获得最佳的参数,并估算得到最佳的值。

    最后,将普通算法得到的结果和PSO优化之后的结果进行对比,从而验证优化算法的优势。

    最后,你需要的是脉冲频率波形,这个,我们在设计的时候,进行处理,可以保证。

    首先介绍一下基本的云模型,正向云和逆向云,其基本的理论如下所示:

        云模型的发生器就是指云的生成算法,发生器的形式可以有很多种,一般都采用软件的形式加以实现。云的发生器大体上可以分为正向云发生器和逆向云发生器。正向发生器是指从定性到定量之间的转换模型,即由云的三个数字特征产生云滴的具体过程。图1为正向云模型发生器示意图。

        逆向云发生器与正向云发生器相反,它是一种由定量到定性之间的转换模型,可以表示为由云滴得到这个云的三个数字特征的具体过程。逆向云发生器如图

    通过MATLAB建模,得到如下的结果:

    Ex = 0;En = 1.5;He = 0.2;得到如下的仿真结果。

    通过逆向云就后,得到其三个参数为:

    Ex = 1.7594e-004;En = 1.4994;He = 0.2009,其误差在0.001以内。

    3.2利用云模型估计车速

        估计车速,我们需要知道的数据位路程和时间。然后根据云模型来进行速度的估计。 那个,你所提供的论文中的数据,由于数据样本过少,所以没法直接使用,所以,这里我们以地感线圈的基本原理,模拟出100组以上的 测试样本数据,用于车速的云模型估计。  

    所以我们使用MATLAB人工模拟带有误差的测量值,然后进行云模型的计算:首先进行逆向云运用逆向正态云发生器,由样本点信息,求解出各自的数字特征:期望、熵、超熵。

    主要通过如下的公式进行计算:

        然后我们运用正向正态云发生器,由正态云的三维数字特征(上面逆向云发生器求解得到的期望、熵、超熵)生成云滴

    最后,我们通过对比起最大确定度的值来估算出车速。

    运行该代码,得到如下的仿真代码段:

    这个是原始的样本值,从样本中可以看到具有较大的偏差。

        这个图是其中集中不同速度下,通过云模型的都啊的间隔因素,间隔时间和不确定度的三维图。

        这个是不同的采样时间和测试间隔之间的点状分布图,而右图则为原始测量得到的点状分布图。

        最后,我们得到的仿真结果如下所示(下图是不同速度下的误差比例):

    得到仿真结果如下所示:

    上面的仿真结果就是最后得到的位置跟着以及误差情况。

     

    展开全文
  • 用MATLAB编写的云模型,结合PID控制比较,证明方法的有效性
  • 云模型及其运用

    万次阅读 2016-04-04 22:53:34
    云模型是由中国工程院院士李德毅提出的,处理定性概念与定量描述的不确定转换模型。 简单来说就是云就是一个种群,一个分布,而云滴就是其中的一个数据,一个具体的点,而这个点出现在这个分布中是有一定的概率的。 ...

    云模型是由中国工程院院士李德毅提出的,处理定性概念与定量描述的不确定转换模型。

    简单来说就是云就是一个种群,一个分布,而云滴就是其中的一个数据,一个具体的点,而这个点出现在这个分布中是有一定的概率的。

    云模型用3个数据来表示其特征:

    期望:Ex,云滴在空间分布的期望。

    熵:不确定性程度,用En表示

    超熵 :用来表示熵的不确定性,即熵的熵.



    云有两种发生器,即一种生成足够的云滴,另一种是计算特征(后一种好比压缩文件成几个数学公式,而这几个数学公式就可以表示这个云的状态,前一种就是解压文件,主要是用于画图)


      正向发生器:(根据Ex,En,He获得图像)

     1.生成以En为期望,以He为方差的正态随机数Enn;                                                              %Enn=rand(1)*He+En

     2,生成以Ex为期望,以Enn为方差的正态随机数x.                                                                   %x=rand(1)*Enn+Ex

     3.计算确定度=exp(-(x-Ex)^2/2Enn^2)


     反向发生器:(根据图像获得En,He,Ex)

    1,Ex=X的平均值

    2,  En=|x-Ex|的平均值*sqrt(pi/2)

    3,  He=sqrt(s^2-En^2);



    例题:针对给定的步枪射击的成绩比较选手的状态

    cloud_transform.m

    function [x,y,Ex,En,He]=cloud_transform(y_spor,n)
    Ex=mean(y_spor);
    En=mean(abs(y_spor-Ex)).*sqrt(pi/2);
    He=sqrt(var(y_spor)-En^2);
    for q=1:n
        Enn=randn(1)*He+En;
        x(q)=randn(1).*Enn+Ex;
        y(q)=exp(-(x(q)-Ex).^2./(2.*Enn.^2));
    end
    x;
    y;
    

    命令行程序:
    >> data.m;
    >> N=1000;
    >> for i= 1:size(Y,1)
      subplot(size(Y,1)/2,2,i)
      [x,y,Ex,En,He]=cloud_transform(Y(i,:),N);
      plot(x,y,'r');
      xlabel('射击成绩分布/环');
      ylabel('确定度');
      title(strcat('第',num2str(i),'人射击云模型还原图谱'));
      axis([8,12,0,1]);
    end
    数据 data.m

    Y = [9.5 10.3 10.1 8.1
       10.3 9.7 10.4 10.1
       10.6 8.6  9.2 10.0
       10.5 10.4 10.1 10.1
       10.9 9.8 10.0 10.1
       10.6 9.8 9.7 10.0]';
    


    效果如下:





    再比如画出下个图形.

     

     


    >> Ex=0;
    >> En=1;
    >> He=0.1;
    >> N=3000;
    >> for q=1:N
    Enn=randn(1).*He+En;
    x(q)=randn(1).*Enn+Ex;
    y(q)=exp(-(x(q)-Ex).^2./(2.*Enn.^2));
    end
    >>  axis([-4,5,0,1]);
    >>  plot(x,y,'r');
    


    展开全文
  • 云模型是定性概念和定量描述之间的转换 模型,基于云模型,本文提出了在概念空间和特征空间中以不同的层次进行空间数据挖掘的新方法“数据—概念—知识”.
  • 产品学习:云模型

    万次阅读 2016-10-12 09:38:11
    云模型是对语言值所蕴含的模糊性和随机性的一种数学描述,它用期望值Ex,熵En和超熵He表征定性概念,将概念的模糊性和随机性集成在一起,是实现知识库中定量与定性之间相互转换的一种新途径. 本文论述了模糊子集的云模型...

    一. 云模型研究

            云模型(Cloud model)是我国学者李德毅教授提出的定性和定量转换模型。随着不确定性研究的深入,越来越多的科学家相信,不确定性是这个世界的魅力

    所在,只有不确定性本身才是确定的。在众多的不确定性中,随机性和模糊性是最基本的。针对概率论和模糊数学在处理不确定性方面的不足,1995年我国工程院

    院士李德毅教授在概率论和模糊数学的基础上提出了云的概念,并研究了模糊性和随机性及两者之间的关联性。自李德毅院士等人提出云模型至今短短的十多年,

    其已成功的应用到数据挖掘、决策分析、智能控制等众多领域。 

          船舶运动控制一直以来是控制学领域研究的重点内容,它关系到海洋船舶航行的安全性和经济性。 基于云模型原理,设计一个一维云模型船舶航向控制器。通

    过仿真试验希望所提出的控制方法不但能改善系统的动、静态性能,且具有很强的鲁棒性。同时,云模型控制策略简明,无需冗繁的推理计算,通用性强;能够直接

    实现定量输入、并行定性推理、定量输出的控制过程,计算量较小,实时性强;易于用软件或者硬件实现其推理过程,具有较好的实际应用价值。

    二. 船舶控制理论的发展历史

           船舶航向控制系统最重要的是自动舵,随着控制理论的发展和技术工艺的进步,航向自动舵及其控制算法得到了飞速发展,大致经历了四个发展阶段:

          第一阶段:1922年美国斯佩里公司最先研制出船舶自动操舵仪,即第一代机械式自动舵。尽管但是自动控制理论还尚未形成,已具有经典PID控制规律的雏形

    了,它的出现使人们看到了摆脱体力劳动实现自动控制的希望,但它只能用于低精度的航向保持。

          第二阶段:20世纪50年代,出现了集控制技术和电子器件发展成果于一体的第二代自动舵,即PID舵,称为“经典控制理论”时期。经典控制理论是一种单回路

    线性控制理论,只适用于单输入单输出的控制系统,主要研究单变量、单系数线性系统,数学模型简单,基本分析和综合方法基于频率法和图解法。经典控制理论

    也可以处理简单的非线性控制系统。经典控制理论的研究对象,数学方法和计算手段和当时的社会技术水平和需要密相关。

          第三阶段: 时间为本世纪60 至70 年代,称为“ 现代控制理论”时期。这个时期,由于计算机的飞速发展,推动了空间技术的发展。由此出现了第三代自动舵-自

    适应舵。它能自动调节参数,对船舶工作状态和工作环境有一定的适应能力,减轻操作者的负担,提高了船舶操纵的自动化水平,但他是建立在受控对象为线性系

    统的基础上,而实际船舶工作状态及航向环境是经常变化的非线性的,所以不可避免的受到鲁棒性等的困扰,影响自适应舵的控制效果。

          第四阶段: 时间为本世纪70 年代末至今。70 年代末,控制理论向着 “智能控制”方向发展,是控制理论在深度上的挖掘,是研究与模拟人类智能活动及其控制

    与信息传递过程的规律,研制具有某些仿人智能的工程控制与信息处理系统。因此出现了第四代自动舵-智能式自动舵。这种舵对于过称模型存在的不确定性及干

    扰等因素具有良好的鲁棒性,使船舶控制的自适应性和稳定性都有明显的改善和提高,但不足之处是控制器复杂,参数调整相对较难。

    三.智能控制的特点

           由于科学技术的高度发展,导致了被控对象结构上的日益复杂化,传统的自动控制理论在面临复杂性所带来的困境时,力图突破旧的模式以适应社会对自动化

    学科提出的新要求。人们开始认识到,在许多系统中,复杂性不仅仅表现在高维性上,更多的则是表现在系统信息的模糊性、非线性、不确定性、偶然性和不完全

    性上。基于精确模型的理论当然无法解决好它们的控制问题。人工智能的发展促进自动控制向智能控制的方向发展。智能控制是一类无须(或许要尽可能少的)人

    的干预就能够独立的驱动智能机器实现其目标的自动控制。许多复杂的系统难以建立有效的数学模型和用常规的控制理论进行定量计算及分析,而必须采用定量数

    学分析方法与基于知识的定性方法的混合控制。随着人工智能和计算机技术的发展,把自动控制、人工智能以及系统科学的某些分支结合起来,建立一种适合于复

    杂系统的控制理论与控制技术已经成为可能。智能控制正是在这种条件下产生的,它是自动控制的最新发展阶段,也是计算机模拟人类智能的一个重要研究领域。

    智能控制是以物理的、定性定量的、结构性的知识模型为基础,对被控过程数学模型的依赖性小,在控制方法上表现出了人的主动性,具有灵活的控制策略和较强

    的信息处理能力和适应能力,能解决不确定性问题。正是智能控制的这些特点,才使其得以迅速发展。具体的说,智能控制的研究对象具有以下特点:

    ①不确定性的模型。这里所说的模型既包括被控对象也包括干扰的模型,此模型不确定性包含两方面的含义:一是模型未知或知之甚少;二是模型的结构参数可能

    在很大范围内变化。无论上述哪种情况,用传统的方法都难以进行有效的控制,而这正是智能控制所要解决的问题。

    ②高度的非线性。在传统的控制理论中,线性系统理论比较成熟,对于具有高度非线性的控制对象,虽然也有一些非线性方法可以利用,但总的来说,非线性理论

    还是很不成熟的,而有些方法也过于复杂。智能控制方法可能是解决复杂非线性对象控制问题的一个出路。

    ③复杂的任务要求。在传统的控制系统中,控制的任务或者是要求输出为定值(调节系统),或者要求输出跟随期望的运动轨迹(跟踪系统),因而控制任务比较

    单一。而对智能控制系统,其任务要求比较复杂。对这些复杂问题的要求,仅靠传统的控制方法是难以解决的,采用智能控制方法可以满足复杂的任务要求。

    而智能控制系统具有以下特点:

    ① 定性控制与定量控制的结合。智能控制系统一般具有以知识基非数学广义模型和以数学模型表示的概念控制过程,适用于具有复杂性、不完全性、模糊性、不

    确定性以及不存在已知算法的生产过程。因此,在研究和设计智能控制系统时并不把主要的注意力放在对数学公式的表达、计算和处理上,而放在对任务和世界模

    型的描述、符号和环境的识别以及知识库和推理机的设计和开发上。也就是说,智能控制系统的设计不在常规的控制器上,而在智能机模型上。

    ② 具有分层处理和机构。实际上是对人的记忆结构和专家的决策机构的模仿。

    ③ 智能控制系统具有非线性。作为模仿人的思维进行的控制具有非线性。

    ④ 具有变结构的特点。在智能控制中,根据当前的偏差和偏差变化率大小和方向,在调整参数时,以跃变形式改变控制器结构以改变控制性能。

    ⑤ 具有总体寻优特点。智能控制器具有在线特征辨识、在线特征记忆和拟人特点,在整个控制过程中,计算机在线获得和实时处理并给出控制决策,通过不断优

    化参数和寻找控制器最佳结构形式、以获得整体最优控制性能。

    在自动控制领域内,智能控制是控制技术向智能化发展的成果,它为传统的控制技术带来了新的生机,为解决控制领域的难题,摆脱常规数学模型的困境,突破现

    有控制理论的局限,提供了新的途径。

    四.云模型的应用

           智能控制与传统控制的主要区别就在于它们处理不确定性和复杂性能力的差异。然而,基于这些智能控制理论所设计的系统往往需要庞大的知识库和相应的推

    理机,不利于实时控制。而实时性问题又是控制中的关键问题。这又使智能控制理论发展陷入新的困境。

           要解决这个问题要从两个方面着手,一要研制性能优良的控制方法,二要充分利用人类的智慧,及时地将专家或操作人员的经验知识和直觉推理加到控制决策

    中。这就出现了拟人控制系统,拟人控制不要求被控对象的数学模型。但需要强调的是:拟人控制不需要被控对象的数学模型,并不等于对被控对象的先验知识一

    无所知的情况下就能设计一个具有良好控制效果的控制器。恰恰相反,它仍要求对被控对象的特性有充分的了解,只不过是它们以知识模型(由人们被控过程认识

    的信息归纳和操作经验的总结而形成的模型)而不是数学模型的形式表达出来的。在智能控制领域中,拟人控制占有重要地位。无数事实表明,迄今为止,世界上

    最高级最有效的控制系统是人类本身,因此研究人类自身表现出来的控制机制,并用机器加以模拟是智能控制研究十分重要的途径。

           要解决怎样模拟人的控制行为,首先需要研究一下人所具有的控制系统。许多学者曾研究过人控制器的模型,相继提出一些关于人的跟踪系统的连续、离散模

    型以及自适应模型等,这些是比较简单的人控制器。然而人的控制系统是一个非常庞大、复杂的系统,而它们的中枢—人脑是我们至今所知道的最复杂的系统,要

    从微观结构上完全模仿人脑,就目前的科学技术水平而言,是做不到的。因此,在宏观结构模拟的基础上研究人的控制行为功能并加以模拟实现是目前比较现实的

    方法。观察生活中的现象,我们不难发现,人类却能应用定性知识对许多复杂的、难以建立数学模型的系统进行精确地控制。因此控制论如果不突破模型发展就会

    始终受限,确切地说模型不能证实只能证明。那么到底用什么方法来描述被控对象?精确数学语言和自然语言是人们普遍使用的两种截然不同的方法。人们最终认

    识到只有在特定条件下的最优解,不存在客观条件下的唯一解,不是简单的对与错,常常是一组或几组较好的解。

          把人工智能原理应用在控制系统中,用语言值构成规则,形成一种直观推理的方法。这种拟人控制,不要求给出被控对象精确的数学模型,仅仅依据人的经

    验、感觉和逻辑判断,将人用自然语言值定性表达的控制经验,通过语言原子和云模型转换到语言控制规则器中,就能解决非线性问题和不确定性问题。因此,定

    性控制作为拟人控制的一种重要的分支,云模型作为定性定量之间有力的转换工具就具有极其重要的应用价值。

    五.云定义

           设U是一个定量论域,X∈U,T是与U相关联的定性概念,若U中的元素x(x∈U)对T所表达的定性概念的隶属确定度Ct∈[0,1]是一有稳定倾向的随机数,

    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)。Ct在[0,1]上取值,云是从论域到区间[0,1]的映射,即:

           Ct:U→[0,1]    (xU)  x→Ct(x)    

    此定义还可以推广到多维。

           从云的基本定义可以看出,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,既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的关系。表达概念T的云有许多云滴组成,每个云滴均是这个定性概念映射到数域空间的一个点,既定性概念的语言值

    在数量上的一次具体实现。显然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。云滴的产生是随机的,且每个云滴代表该定性概念

    的确定程度也是模糊的,始终存在着细微的变化。某一个云滴的产生对云的整体特征不会产生剧烈的影响,但是,一定数量的云滴的整体分布就体现了云映射的模

    糊性和随机性,即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性。下面用“青年”这一定性概念给出云模型的例子,如下图示。                          


    图1  定性概念“青年”的云模型

    六.云的数字特征

             云的数字特征用期望Ex(Expected Value)、熵En(Entropy)和超熵He(hyper Entropy)来表示,它们反映了定性概念的定量特征。

            期望 Ex:在数域空间中最能够代表这个定性概念的点,反映云的重心位置。

            熵 En:熵作为统计热力学的概念,度量物理系统的无组织度。在云模型中,熵被用来衡量定性概念的模糊度与概率,揭示模糊性与随机性的关联性。熵一  

    方面反映了在数域空间中可被语言值接受的范围,即模糊度,是定性概念亦此亦彼性的度量,另一方面还反映了数域空间能够代表这个语言值的概率。表示了云滴

    出现的随机性。

           超熵 He:超熵是熵的不确定性的度量,即熵的熵,反映了在数域空间代表该语言值的所有点的不确定度的凝聚性,即云滴的凝聚度。云的数字特征如下图所示。


    图2   云模型的数字特征  (Ex,En,He)=(20,5,0.5)


    图3 (Ex,En,He)=(20,5,0.2)       


    图4    (Ex,En,He)=(20,3,0.5)

    七. 云模型发生器

           云模型发生器(Cloud Ge ner ator,简称CG)指被软件模块化或硬件固化了的云模型的生成算法。云发生器建立起定性和定量之间相互联系、相互依存、性

    有量、量中有性的映射关系,主要包括正向云发生器、逆向云发生器、X 条件云发生器和Y条件云发生器。云发生器是构造不确定性推理的基础,由多个云发生

    按照一定的规律有机地集成一起构成的云模型不确定性推理器,是基于云模型的智能控制器的基本设计工具。由于正态云模型是基本云模型,故主要以正态云模

    为例研究云发生器。

    正向云发生器

           正向云发生器(Forward cloud generator)是用语言值描述的某个基本概念与其数值表示之间的不确定性转换模型,是从定性到定量的映射。如图5所示:


    图5  正向云发生器

    它根据云模型的数字特征产生云滴,积累到一定数量汇聚为云。正向云发生器可以实现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,是一个前向的、直接的过程,其输入为表示定性概念的期望值Ex 、熵En 和超熵 He,云滴数量N,输出是N 个云滴在数域空间的定量位置及每个云滴代表该概念的确定度。

    具体算法为:

    输入:(Ex,En,He,N)

    输出:(Drop(x1,CT(x1)),Drop (x2,CT(x2)),…,Drop (xN ,CT(xN)))

    (1)生成以En为期望值,He为方差的一个正态随机数Eni'= NORM(En,He)

    (2)生成以Ex为期望值,Eni'为方差的一个正态随机数xi = NORM(Ex,Eni')

    (3)计算:


    (4)令带有确定度CT(xi)的xi 成为数域中的一个云滴。

    (5)重复步骤(1)~(4),直至产生要求的N 个云滴。

    其中,NORM(Ex,Eni')为生成以Ex 为期望值,Eni'为方差的正态随机数的函数。

    给定正态云的三个数字特征值(Ex,En,He),上述算法可以生成任意个云滴组成的正态云模型。上述算法为完整的云形态,半云模型可以在此基础上通过限定所取论域内元素的范围来求得,如左半云为“xi = NORM(Ex,Eni') ,且 xi = 0”。为了说明正向云发生器如何实现精确数据点(云滴)和概念之间的转换。

    X 条件云发生器

          在给定论域的数域空间中,当已知云的三个数字特征(Ex,En,He)后,如果还有特定的x = x0条件,那么正向云发生器称为X条件云发生器;如果特定的

    条件不是x = x0,而是CT(x) = CT(x0),那么正向云发生器叫做Y条件云发生器或隶属度条件云发生器。由于空间坐标系的纵轴一般称为Y轴,而隶属度CT(x0)又常

    常用纵轴表示,因此隶属度条件云发生器更多地被称作Y条件云发生器。X条件云发生器和Y条件云发生器的输出结果都是云带,X条件云发生器为一条,Y条件云发

    生器为以云的数学期望为对称中心的对称两条。云带的云滴密集度具有离心衰减的特点,即云带中心对概念的隶属确定度大,云滴密集,越偏离云带中心,对概念

    的确定度越小,云滴越稀疏。

           X条件云发生器如图6产生的云滴Drop(x0,CT(xi))都呈概率分布在直线x= x0上,是规则前件表示的基础。其中,CT(xi)是N个隶属度数值的集合,

    而不是一个数值。

       


     图6  x条件云发生器结构图

    X条件云发生器算法 : 

    输入:(Ex,En,He,x0,N)

    输出:(Drop(x0,CT(x1)),Drop (x0,CT(x2)),…,Drop (x0,CT(xN)))

    1):计算PiR1(EnHe)。产生一个均值为En,标准差为He的正态分布随机数Pi

    2):计算μi=exp[-0.5(x -Ex)2/ Pi 2]。令数据对(x,μi) 为一维x条件云滴。

    3):返回step 1,直到产生足够多的一维x条件云滴。


    Y条件云发生器

    Y条件云发生器(如图7所示)产生的云滴Drop(xi,CT(x0))都呈概率分布在直线CT(x) = CT(x0)上,分别处于期望值Ex 的两侧,被期望值Ex分为左右对称的两部分。Y条件云发生器是规则后件表示的基础。

                                                       

    图7 y条件云发生器结构图

    Y条件云发生器算法[:

    输入:(Ex,En,He,CT(x0),N)

    输出:(Drop(x1,CT(x0)),Drop (x2,CT(x0)),…,Drop (xN,CT(x0)))

    (1):计算Pi=R1(En,He)。产生一个均值为En,标准差为He的正态分布随机数Pi。

    (2):计算yi =Ex±(-2ln(μ))0.5 Pi。如果μ值产生于x条件云的上升沿,则取“-”;否则取“+”。令(yi, μ)为y条件云滴。

    (3):返回step 1,直到产生足够多的y条件云滴。

      

    图8  X条件云发生器(图中红色云带)      

     

    图9  Y条件云模型

    注:横轴为y轴,即输出轴。

    从上图中可以看出:x条件云发生器和y条件云发生器的输出结果均为云带。为了更好地理解云带的特性,我们分析一下云带的特征,x条件云发生器产生一条云带,我们将云带的点数设为50,从图中可以看出,云带中云滴的密集度是不同的,具有离心衰减的特点,这里的“心”就是条x0激活的红色云带的中心,云带中心对概念的隶属度的确定度较大,云滴密集,偏离云滴中心越远,对概念的确定度越小,云滴就稀疏。另外,还应指出的是,在x条件云中,每条云带都成概率分布在直线x=x0上,是N个隶属数值的集合,而不是一个数值(图9所示)。在y条件云中,发生器的输出结果应为云滴Drop(yi,Ct(x0)),其中yi的坐标轴为横轴。这样,Y条件云发生器的输出就为两条水平云带,每一条都呈概率分布在直线Ct(x)=Ct(x0)上,云带的特征和x条件云带的特征是相同的。从图中可以看出,y条件云带有两条,左右对称于期望Ex。












    展开全文
  • 转型商业模型对垂直行业软件商的启示
  • 软件测试模型

    2013-01-02 20:59:33
     目前主流的软件生命周期模型软件开发过程模型有:瀑布模型、原型模型、螺旋模型、增量模型、渐进模型、快速软件开发(RAD)以及Rational统一过程(RUP)等,这些模型对于软件开发过程具有很好的指导作用,但是在这些...
  • 其次,根据平台领域知识,提出一种平台软件体系结构的统一模型;最后,通过模型转换,实现平台统一模型到运行时模型的映射.于是,管理程序可以建立在平台统一模型的基础上,降低了混合管理系统开发的难度和复杂度...
  • 行业分类-物理装置-基于迭代QoS模型云软件服务资源自适应管理框架.zip
  • 行业分类-电子电器-基于迭代QoS模型云软件服务资源自适应管理框架.zip
  • [安全]OWASP_SAMM软件保障成熟度模型项目 威胁情报 数据分析 安全意识教育 身份管理 安全方案与集成
  • 穿越混合云模型鸿沟

    千次阅读 2012-10-11 13:57:33
    云计算经常制造很多问题,企业不知道该从哪开始。公有云和私有云之间的探讨不停,要决定采用哪一种云服务架构,甚至是... 由外向内的云模型  业务范围(LOB)规划师在考虑云的时候用的是“由外向内”的模型;他们希望

             云计算经常制造很多问题,企业不知道该从哪开始。公有云和私有云之间的探讨不停,要决定采用哪一种云服务架构,甚至是争论谁才是云的驱动者——个人业务部门还是IT部门。不管怎么来构架,企业都需要考虑在靠近云的过程中是采用“由外向内(outside in)”还是“由内向外(inside out)”的方法。

      由外向内的云模型

      业务范围(LOB)规划师在考虑云的时候用的是“由外向内”的模型;他们希望云计算能够使IT成为更具战略的运营组件。这些“由外向内”的云看到的是需要购买资本设备和软件,支撑一个数据中心,以及内部IT活动,伴随着潜在的成本问题和明显的敏捷阻碍。

      这些规划者想要形象化所有的IT软件即服务(SaaS),能够快速委任和解除委任应用,以响应业务需求。这种“外部”的云规划愿景,始于你想要云计算怎么样要看终端用户。

      由内向外的云模型

      另一方面,很多企业采用“由内向外”的方法利用云,将其看作是运行应用的替代平台,或者是数据中心的而一种扩展。这种愿景强调固定的公有云服务要和他们目前的数据中心技术架构匹配,允许应用在数据中心超负荷或者失败发生时无缝运行。

      “由内向外”的愿景思考者要考虑云服务,不论是基础架构即服务(IaaS)还是平台即服务(PaaS),取决于是否有一个本地的单一的域软件平台或者它是否支持多操作系统和中间件。这种愿景的云计算始于企业有什么,如何发展它。

      全面的云计算

      云项目包括了IT和LOB规划者之间的协作,这样做要比IT和LOB分开来的云项目事半功倍。

      成功的云部署的关键在于结合两者,即“由外向内”团队和“由内向外”团队。让这两个团队和谐的方法之一就是让所的企业应用看起来都像SaaS。这么做很大程度上通过从可用API拖拽数据到其图形用户界面(GUI),定制化了终端用户视图。在大多数案例中,这个过程不受云支配,但是对于确保用于完成能够访问云托管的API的编制工具来说很重要。

      所有的SaaS应用通过API操作;如果一项业务托管其应用到云端,这些应用必须能够同云API工作。云服务提供商可以提供这些云应用API如何访问的指南,云应用集成工具能够协助这项任务顺利完成。

      资源级的灵活性是可以桥接这两种方法到云计算的另一个概念。构建弹性应用资源池,包含本地服务器和公有云服务将会成为联合“里”和“外”云模型的关键。挑战在于无缝集成内部IT资源和运资源,这种方法管理者可以 采用构建私有云或者扩展现有虚拟化工具的方法。

      构建混合云 桥接云模型

      一些企业实施了云战略,包括了公有云和私有云的功能。一些流行的云平台,包括OpenStack、CloudStack、Eucalyptus和Hadoop,允许企业混合和匹配公有云和私有云资源。

      对于这些混搭的云选择,进行小规模测试很重要;任何具体的公有云和私有云之间资源的交互必须在服务水平协议中或者是所有的云服务提供商的合同中讲清楚。

      此外,很多企业构建了混合云,从公有云和私有云中获得了益处。然而,构建一个混合云,IT部门必须首先确保他们构建了一个合适功能的私有云。

      这样做的话,没有私有云软件也可以创建资源池就很重要;技术挑战在于负载均衡流程。基础架构即服务(IaaS)和平台即服务(PaaS)可以按需提供资源,对于终端用户,和在虚拟化数据中心中功能没什么区别。为了桥接私有云和公有云,要找到提供服务器负载均和功能的工具,以及兼容已经使用的虚拟化软件的工具。

      在网络层面上,创建灵活的混合云意味着选择的网络工具要能够以虚拟化服务器和存储同样的方式虚拟化。虚拟网络(vLAN)和虚拟私有云网路(VPN)可能是创建这种灵活云的最佳框架,但是连接公有云资源到VPN,要求具体的支持,通常是从网络厂商和公有云提供商来实现。

    展开全文
  • MATLAB实现的云模型计算隶属度

    万次阅读 2017-03-27 16:33:58
    基于MATLAB实现的云模型计算隶属度 ”云”或者’云滴‘是云模型的基本单元,所谓云是指在其论域上的一个分布,可以用联合概率的形式(x, u)来表示 云模型用三个数据来表示其特征  期望:云滴在论域空间...
  • 【摘要】 从软件开发到 AI 领域工程师:模型训练篇 前言 4 月热播的韩剧《王国》,不知道大家有没有看?我一集不落地看完了。王子元子出生时,正逢宫内僵尸作乱,元子也被咬了一口,但是由于大脑神经元尚未形成,...
  • 云模型的介绍及python简单实现

    千次阅读 2018-05-19 17:13:26
    参考百度百科https://blog.csdn.net/sudoroger/article/details/79572971https://blog.csdn.net/u010480899/article/details/52232010 基本概念 云模型是由中国工程院院士李德毅在1995年提出的概念,是处理定性...
  • 基于云模型的城市极端雨洪灾害风险评价研究,王贺,刘高峰,构建最大24h降雨量、平均淹没水深、淹没历时、受灾人口率、受灾面积率、GDP损失率6个指标,综合运用层次分析法和熵权法确定各指标�
  • 文中将对等网络和云计算技术应用于大规模网络知识共享系统,提出了一种基于对等网络技术的复合知识云模型。模型本着平等、协作、分享、自由的互联网精神,并利用对等网络技术所推崇的“节点对等”思想,所有人不但共同...
  • matlab用于计算蒸气爆炸半径
  • 训练模型需要算力,对于算力的获取,训练和推理可以根据自己的业务需求,选择使用公有或自己购买带算力芯片的服务器,本文案我选择的是某花厂的AI开发平台,因为近期他们刚推出一个免费算力的推广活动,可以省下...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 88,712
精华内容 35,484
关键字:

云模型软件