查　翔, 倪世宏, 謝　川, 張　鵬

(空軍工程大學航空航天工程學院, 陜西 西安 710038)

?

云相似度的概念躍升間接計算方法

查翔, 倪世宏, 謝川, 張鵬

(空軍工程大學航空航天工程學院, 陜西 西安 710038)

摘要：針對現(xiàn)有云模型相似性度量方法結(jié)果不穩(wěn)定以及區(qū)分度不高的問題,提出一種云相似度的概念躍升間接計算方法,以表征云相似性的期望曲線相交區(qū)域為切入點,將其面積的計算轉(zhuǎn)移至更高層次概念上,實現(xiàn)原相交區(qū)域代表概念比重的等價轉(zhuǎn)換。討論了期望曲線交點數(shù)目及位置的不同情形,并給出相應的判別規(guī)則;在此基礎上,通過計算截斷熵獲得綜合云,實現(xiàn)概念的躍升;以綜合云與各基礎云的期望曲線相交面積作為相似性的新度量標準,給出了相似度的間接計算公式。通過設計的仿真算例以及具體應用的實驗結(jié)果,驗證了該方法的有效性和普適性。

關鍵詞：云模型; 相似度; 期望曲線; 概念躍升

0引言

自然語言是人類思維的基本工具,作為知識的載體,已成為人工智能領域重要的研究對象。用概念表示的自然語言本身具有不確定性,關于這一特性的描述主要包含隨機性和模糊性,但兩者之間的關系常被割裂。李德毅院士提出的云模型不僅能夠反映出自然語言中的不確定性,而且反映了隨機性和模糊性之間的關聯(lián),具有直觀性和普遍性[1-2],已被廣泛應用在系統(tǒng)評估[3]、模式識別[4]、進化計算[5]和狀態(tài)預測[6-7]等領域。

云模型屬于研究定性概念的一種量化方法,雖然現(xiàn)有云理論對云滴與概念之間相似程度的研究已相當完備和成熟,但該理論在面對云與云之間相似程度的判定問題時常缺乏有效的評估標準,如何定量分析和表達云模型之間的相似性成為當前亟待解決的重要問題。文獻[8]提出利用隨機云滴之間的距離(similar cloud measurement,SCM)來衡量云相似程度,而文獻[9]則采用了云滴確定度的交互式計算法,這兩種基于隨機云滴的方法一定程度上體現(xiàn)了云不確定性的本質(zhì),但相似度精度和穩(wěn)定性依賴于選取的云滴數(shù)量和實驗次數(shù),大量的云滴及重復式計算帶來了較大的復雜度,特別是當兩云完全相同時,相似度卻并不一定為1。向量余弦法[10-11]事先構造包含數(shù)字特征的云向量,利用不同云向量之間的夾角余弦值作為相似度,但在某個數(shù)字特征占優(yōu)的情況下容易削弱不確定性,產(chǎn)生較大的誤差?；谄谕€的面積比例法(expectation based cloud model,ECM)[12-13]充分利用了云模型本身的形態(tài)特性,以各期望曲線與橫軸圍成的相交面積代表概念之間的公共成分,并以其作為相似性的標度,但這一公共區(qū)域在各云中所占比重等價,導致區(qū)分度不高,而且不符合人的認知。

針對上述問題,以正態(tài)云為研究對象,提出一種云相似度的概念躍升間接計算方法(concept skipping indirect approach of cloud model,CCM)。該方法在深入分析和認識云模型相似度實質(zhì)內(nèi)涵的基礎上,從云模型幾何特征的角度出發(fā),以基于期望曲線的相交面積為切入點,將相似度的計算過程通過概念躍升轉(zhuǎn)移至更高層次概念上,實現(xiàn)了相交面積的等價轉(zhuǎn)換。仿真實驗表明，該方法取得的結(jié)論與現(xiàn)有方法相一致,并且在穩(wěn)定性以及區(qū)分度效果方面有較好的優(yōu)越性。

1云模型及相似度的計算

云是某個定性概念與其定量表示之間的一種不確定性轉(zhuǎn)換模型,構成了定性與定量之間的相互映射,其定義如下:

定義 1設U是用精確數(shù)值表示的定量論域,C為U上的一個定性概念,若U中的定量值x為定性概念C的一次隨機實現(xiàn),那么x對C的確定度y=μC(x)∈[0,1]是具有穩(wěn)定傾向的隨機數(shù),則稱在論域U上(x,y)的分布為云,(x,y)為其中的一個云滴[1]。

云的數(shù)字特征反映了定性概念的整體定量特性,即期望Ex、熵En和超熵He,其中Ex表示云滴在論域空間分布的期望值,代表了定性概念的重心位置;En是定性概念隨機性以及亦此亦彼性的度量,En越大,可被概念接受的論域范圍越大,概念也就更為模糊;He為熵不確定性的度量,即熵的熵,體現(xiàn)了論域值隸屬于概念程度的凝聚性,其值間接反映在云的厚度上。根據(jù)這3個數(shù)字特征,語言集中某一定性概念C對應的云模型可表示為C(Ex,En,He),實際中常使用正態(tài)云。

云模型實現(xiàn)了定性概念的不確定性表示,同一定性概念的不同語言原子依據(jù)數(shù)字特征進行區(qū)分,如網(wǎng)絡交易中的信任程度這一定性概念[14],可將其劃分為極不可信、不可信、低可信、一般可信以及高可信共5個等級,這里的等級相當于語言原子,不同的數(shù)字特征用來描述和區(qū)分各等級。相關性度量主要研究以云模型表示的不同定性概念間關聯(lián)程度或者某個概念隸屬于其他概念程度的定量表達問題,在基于云方法的綜合評估及模式識別等關鍵問題中占有重要地位,不合理的度量方法將會影響到問題的最終決策。以綜合評估/評價問題為例[3,14],對于未知的對象概念,如何將其歸類到目標語言原子中,需要相應的評判標準以及可信程度;在模式識別問題中[15],結(jié)果的準確率以及算法效率除了與模型本身有關外,還取決于所涉及的相似性度量方法。

從正態(tài)云發(fā)生器產(chǎn)生的云圖[1]上觀察,云模型具有明顯的幾何特征,而基于這一特征的云相似度計算方法充分利用了云模型本身的形態(tài)特點,簡單直觀且普適性較好。對云幾何特征的研究可分別從垂直、正交以及水平方向著手,相應地得到回歸曲線、主曲線以及期望曲線。前兩種曲線由于不具有具體的解析形式,一般通過線性逼近的方式近似獲取,應用范圍有限,故實際中常利用期望曲線表征云模型的整體形態(tài),其定義為:

定義 2對云滴變量x,若滿足x~N(Ex,En′),其中En′~N(En,He)且En≠0,固定x的確定度y(x),將得到相應的云滴期望值,所有這樣的期望值共同組成一條固定的期望曲線[16],其解析式為

(1)

期望曲線由云滴在水平方向上的統(tǒng)計規(guī)律得出,它是一條貫穿云滴集合的光滑曲線,能夠直觀地描繪出云的基本輪廓,描述云的整體幾何形態(tài),可用來表征概念的主體部分。兩個云模型的期望曲線在論域范圍內(nèi)必然相交,與橫軸共同圍成一個相交區(qū)域(稱為“與”區(qū)域),其面積隨不同云模型而改變,故本文根據(jù)“與”區(qū)域面積的思想度量云相似度。

2云模型相似度的概念躍升間接計算方法

兩個云模型之間的“與”區(qū)域在各自所代表的概念中占的比重不同,鑒于此,首先基于概念躍升的思想構造兩個云模型的綜合云,其定義依賴于截斷熵。為了凸顯不同類型云的特點,將待計算相似度的兩個云稱為基礎云,與綜合云分別表征兩個不同層次的概念。根據(jù)獲得的綜合云數(shù)字特征,分別計算各基礎云與綜合云“與”區(qū)域的面積,即將原基礎云“與”區(qū)域的求解轉(zhuǎn)換至更高層次概念上,實現(xiàn)原相交區(qū)域代表概念比重的等價轉(zhuǎn)換,進而按照面積的比例關系計算最終的相似度。

2.1交點求解及位置判別規(guī)則

兩基礎云期望曲線的交點決定了截斷熵以及綜合云不同的求解方式,而交點的個數(shù)和位置與基礎云的數(shù)字特征有關。設基礎云對象Ci(Exi,Eni,Hei),i=1,2,根據(jù)式(1)有

(2)

聯(lián)立方程求解交點坐標,主要歸納為以下3種情形,并相應地給出交點位置的判斷規(guī)則,同時以云圖的方式給出各情形的直觀表示,如圖1所示。

(1)En1=En2且Ex1≠Ex2,此時只有一個交點(單交點):

p=(Ex1En2+En1Ex2)/(En1+En2)

(3)

對于交點p,顯然有min(Ex1,Ex2)≤p≤max(Ex1,Ex2),即交點位于兩基礎云的期望基線x=Ex1與x=Ex2之間(見圖1(a))。

(2)En1≠En2且Ex1=Ex2,有p1=p2,即只有一個交點(單交點)。兩期望曲線的位置關系反映在云圖中為熵值較小的云被完全包含在熵值較大的云內(nèi),此時交點為兩期望曲線的重合頂點(見圖1(b))。

(3)En1≠En2且Ex1≠Ex2,此時存在兩個交點(雙交點):

(4)

不妨設Ex1

圖1　交點數(shù)目以及位置的不同分類

在上述討論中并未涉及兩基礎云完全相同的極特殊情形(En1=En2且Ex1=Ex2),因為此時兩期望曲線完全重合。以上對交點位置判定的過程有助于后續(xù)各種面積的計算。若根據(jù)常見的“3En”規(guī)則限定云滴的取值范圍,將情形(3)中期望曲線的交點個數(shù)進一步細分為單交點和雙交點,以求減少計算量,意義并不大。在不考慮“3En”規(guī)則的前提下,在整個論域統(tǒng)一按雙交點情形討論,反而更顯簡潔。

2.2綜合云的生成及“與”區(qū)域面積的計算

綜合云的生成屬于一種概念的躍升過程,它基于概念的不確定性,將低層次的概念進行抽取而合并為一個更高層次的綜合概念,從而提高了概念的抽象度。這一抽取過程使得綜合后的概念具有低層次概念所蘊含的全部信息,并且與各基礎云有不同的交集,實現(xiàn)了原基礎云“與”區(qū)域占各概念比重的等價轉(zhuǎn)換。生成綜合云過程的關鍵在于計算各基礎云的截斷熵,若yi(x)為基礎云Ci的期望曲線,i=1,2,令

(5)

(6)

顯然,L1(x)、L2(x)為論域上兩期望曲線的最大值,代表y1(x)與y2(x)的不相交部分,在期望曲線的各交點處截開得到,其中交點情形的確定按2.1節(jié)的方法。則各截斷熵定義為

(7)

(8)

式(7)~式(8)中的積分符號代表求解被積變量(實為曲線)與橫軸所圍區(qū)域的面積,稱之為“或”區(qū)域。根據(jù)期望曲線的交點位置分布,當y1(x)與y2(x)只有單交點時,積分計算相對簡單,每個截斷熵只涉及單個區(qū)域;若存在雙交點,積分可能包含不連續(xù)的兩個區(qū)域,需要分別求解然后相加。

根據(jù)得到的截斷熵以及基礎云的數(shù)字特征,計算綜合云Cz(Exz,Enz,Hez)的數(shù)字特征:

(9)

由式(9)可知,綜合云的生成是基礎云共同作用下的結(jié)果,它的每一數(shù)字特征均由基礎云的相應數(shù)字特征以及截斷熵決定,其中綜合云的熵為兩截斷熵之和,期望與超熵則是以各截斷熵為權值的加權和。

將綜合云與各基礎云置于同一云圖中,如圖2所示,yz(x)、y1(x)與橫軸,yz(x)、y2(x)與橫軸之間各形成了“與”區(qū)域,面積分別為H1和H2。計算H1和H2面臨的直接問題是綜合云與各基礎云期望曲線交點的位置分布,它決定了面積計算的參考基準,具體判別方式可參考2.1節(jié)。不妨設Ex1

圖2　基礎云與綜合云的位置關系

在圖2中,yz(x)與y1(x)的交點為p1、p2,yz(x)與y2(x)的交點為p3、p4。對于H1,在雙交點情形下共包含了3個獨立區(qū)域(見圖2中的陰影部分),并以p1和p2所在的縱軸為界,用以計算面積的各區(qū)域的邊界期望曲線從左至右依次為y1(x)、yz(x)以及y1(x),則

(10)

將各期望曲線的解析式帶入:

(11)

考慮到各被積函數(shù)不可積的問題,利用標準正態(tài)分布概率密度函數(shù)的性質(zhì)進行變量代換,令u=(x-Ex1)/En1,v=(x-Exz)/Enz,dx=En1·du=Enz·dv,則

(12)

設Ф(·)為標準正態(tài)分布的概率分布函數(shù),則式(12)可進一步表示為

(13)

同理,結(jié)合圖2,用于計算H2的邊界期望曲線從左至右依次為y2(x)、yz(x)以及y2(x),那么有

(14)

采取類似計算H1的變量代換方式,得

(15)

由此可知,在確定基礎云與綜合云的交點坐標后,先通過查詢標準正態(tài)分布表獲取所有Ф(·)的值,然后再計算H1和H2。同時注意到,上述過程中并未引入云理論中常用的“3En”規(guī)則,由于H1與H2的求解主要通過論域上的變量積分實現(xiàn),考慮“3En”規(guī)則會影響積分的區(qū)間端點取值,從而增加過程復雜度。

綜合云與基礎云只有單交點時的計算過程相對簡化,對如圖1(a)所示情形(En1=En2),“與”區(qū)域面積的計算只涉及到兩部分;而對圖1(b)所示情形(En1≠En2且Ex1=Ex2),由綜合云的生成算法可推知:

(16)

(17)

根據(jù)式(9),此時綜合云的數(shù)字特征為:

(1) 若En1>En2,則Exz=Ex1,Enz=En1,Hez=He1;

(2) 若En1

由此可知,該情形下的綜合云取決于各基礎云的熵,與熵較大的基礎云完全相同,期望曲線也必然重合。因此“與”區(qū)域面積的計算僅包含一部分,且該區(qū)域為熵值較小的期望曲線與橫軸所圍的部分。

2.3相似度的間接求解

基礎云與綜合云的“與”區(qū)域代表了基礎云概念對綜合云概念的貢獻程度,是概念由低層次向更高層次的延伸和躍升。由于熵決定了可被自然概念接受的云滴取值范圍,假定兩基礎云的熵保持不變,若兩基礎云表征的概念極不相關,反映在云圖中為兩期望基線之間距離(即|Ex1-Ex2|)很大,使其與綜合云期望曲線的相交區(qū)域極小,相似度幾乎為零;若兩基礎云較為接近,此時對生成的綜合云概念有較大的貢獻程度,概念也就越相似。當兩基礎云完全相同時,生成的綜合云與基礎云也完全相同,兩期望曲線必然重合,此時概念的貢獻程度均達到100%,顯然相似度為1?；谶@一思想,給出基于概念躍升間接計算的基礎云C1與C2的相似度定義:

(18)

其中,Sz為綜合云與橫軸所圍區(qū)域的面積:

(19)

作變量代換u=(x-Exz)/Enz,dx=Enz·du,則

(20)

結(jié)合式(7)~式(9),有

(21)

從式(21)可以看出,Sz也等于兩基礎云期望曲線組成的“或”區(qū)域面積。該方法定義的相似度被轉(zhuǎn)移至綜合云上進行計算,通過求解其包含的各“與”區(qū)域面積間接實現(xiàn),因而綜合云充當了一種橋梁作用。其中相似度s(C1,C2)滿足以下性質(zhì):

性質(zhì) 10

證明設兩基礎云與橫軸所圍區(qū)域的面積分別為S1、S2。根據(jù)本文對“與”區(qū)域的定義,H1為S1與Sz的相交部分,H2為S2與Sz的相交部分,故0

證畢

對于半云的相似性度量問題,運用本文方法可能無法直接得到“與”以及“或”區(qū)域。解決該問題的思路是將半云擴展至對應的完整云,然后計算截斷熵以及各相交面積。對于超出半云界外的相交區(qū)域,將其從對應的相交面積中減去即可。另外,在整個相似度的計算過程中并未涉及超熵的因素。期望和熵能夠完整表示云模型的整體特征,而超熵是熵的不確定性度量,反映云滴圍繞期望曲線分布的離散程度。若采用含超熵期望曲線的方式[13]引入超熵以代替原期望曲線,最終需分別取平均值,其實質(zhì)與基于期望曲線的方式無異。

3仿真實驗

為驗證本文CCM方法的合理性,在兩基礎云期望曲線存在單交點和雙交點的情形下分別列舉不同的算例,并與現(xiàn)有方法作對比分析。最后以一個具體實例說明該方法的實際應用。

3.1單交點情形的相似度計算

根據(jù)2.1節(jié),單交點涉及的情形包括兩種:①En1=En2;②En1≠En2且Ex1=Ex2。為此,本文相應的設計如下兩組云模型算例:

(1)C1(1.50,0.55,0.10),C2(8.50,0.55,0.24),C3(9.00,0.55,0.09);

(2)C1(1.50,0.16,0.28),C2(1.50,0.78,0.62),C3(1.50,0.01,0.32)。

在設計每組云模型算例時,主要考慮了以下原則:其中的兩個云應盡量靠近,即相似度盡量的大,而第3個云應盡量遠離其他兩個云,即與其他兩云的相似度盡可能的小,目的是突出本文CCM方法在區(qū)分度上的優(yōu)勢。對每組算例,重點考察3個云模型彼此相似程度以及在穩(wěn)定性、區(qū)分度方面的差異,并同時與SCM方法、ECM方法進行對比。由于SCM方法是基于隨機產(chǎn)生的云滴度量相似性的,能夠較好地描述云模型之間相似程度,但該方法每次計算的相似度均會發(fā)生變化,因此本文采取重復實驗的方式,將云滴數(shù)目設置為1 000,反復進行20次,并取所有結(jié)果的均值作為該方法最終的相似度。各方法的相似度結(jié)果如表1~表2所示。

表1　第1組算例的相似度

表2　第2組算例的相似度

由兩組算例的交互式計算結(jié)果可知,CCM方法得出的相似性結(jié)論與SCM方法、ECM方法均一致。雖然SCM直接利用云模型本身的云滴實現(xiàn),但結(jié)果不穩(wěn)定,且計算的準確度以及復雜度依賴于云滴數(shù)。ECM和CCM均是基于期望曲線相交區(qū)域的面積計算相似度的,而期望曲線由云數(shù)字特征決定,因此這兩種方法每次實驗得到的相似度均保持不變,且具有較低的計算復雜度。對第1組云模型,按照相似程度,與C1最相似的云為C3,與C2最相似的云為C3,與C3最相似的云為C2,且s(C2,C3)相對于其他云對而言最大,說明3個云模型中C2與C3最為相似。

對單個云模型而言,如果與它同類的云的相似度越大,而屬不同類的云的相似度越小,說明該度量方法能凸顯云模型之間的差異程度,有利于輔助決策。以第1組算例中的C3為例,按照相似度的具體數(shù)值衡量,與其最相似的云為C2,最不相似的為C1,并且s(C2,C3)更接近于1,而s(C1,C3)接近于0,可認為C3與C2同屬一類,而與C1屬于不同類。若定義C3的概念差異度δ:

(22)

容易算得各方法的概念差異度為δCCM=0.698 0,δECM=0.652 8,故δCCM>δECM,說明CCM方法更能表征不同概念之間的差異,區(qū)分度更高。

對第2組云模型,仍以C3為例,卻有δCCM<δECM。根據(jù)期望曲線推斷,這組云模型的個體之間是包含與被包含的關系,即C3?C1?C2。即使某個云代表的概念不確定性程度很低,但與被包含的云之間的相似度不會趨于0。由表2可知,各方法均有s(C1,C3)>s(C2,C3),但ECM方法得到的s(C2,C3)卻趨于0,而SCM與CCM方法得出的相似度在0.5以上。其原因在于,ECM方法衡量兩基礎云相似程度的標準為期望曲線之間的相交區(qū)域,對第2組云模型算例,若某個云概念越明確,這一相交區(qū)域的面積越小,得到相似度也就更接近于0,以致得出不相似的結(jié)論。而SCM與CCM方法能夠較好地解決這一問題:SCM計算的是不同基礎云中云滴之間的距離,對有較明確概念的云存在的情形,得到的仍是有限的距離;CCM通過概念躍升將用于計算相似度的相交區(qū)域轉(zhuǎn)換至綜合云中,對于某基礎云被包含的情形,由2.2節(jié)可知,這一相交區(qū)域的面積要大于熵值較大的期望曲線與橫軸所圍部分,即H1+H2>max(H1,H2),故此時CCM得出的相似度不低于0.5。

3.2雙交點情形的相似度計算

雙交點的情形更具有普適性,設計如下3個云模型算例:C1(1.41,0.61,0.31),C2(9.10,0.66,0.33),C3(8.85,0.75,0.28),容易驗證這組云模型個體之間均存在兩個交點。與3.1節(jié)類似,此處3個云模型算例的設計原則仍然是在保證相似性結(jié)論正確的前提下,突出不同類別云之間的差異,保證有較大的區(qū)分度。

仍然將本文的CCM方法與SCM、ECM方法進行對比,實驗結(jié)果如表3所示。

表3　雙交點情形算例的計算結(jié)果

由表3可知,CCM仍然可以得到與SCM、ECM方法一致的結(jié)論,C2與C3的相似性最高,C1與C2其次,C1與C3最低。由于CCM與ECM方法均是基于相交區(qū)域面積的思想而計算相似度的,以C3為研究對象,易知s(C2,C3)更接近于1,s(C1,C3)卻接近于0,而計算的概念差異度δCCM=0.892 9,δECM=0.856 9,有δCCM>δECM,說明本文提出的CCM方法在期望曲線具有雙交點的情形下,更能凸顯不同類別的云模型之間的差異,且適應性較好。

3.3裝備保障系統(tǒng)的能力評估實驗

這一部分實驗主要驗證CCM方法在某裝備保障系統(tǒng)能力評估中的有效性,并與文獻[10]采用的方法進行對比。利用黃金分割法將裝備保障系統(tǒng)的能力進行論域的劃分,共包括優(yōu)、良、中、差、極差5個能力等級(語言原子),對應子區(qū)間以及建立的評估標尺云如表4所示。

表4　劃分的子區(qū)間及對應云的數(shù)字特征

第i個云的數(shù)字特征按如下方式給出:

(23)

表5　目標云與各標尺云的相似度

從表5兩種方法的結(jié)果對比中可得到如下結(jié)論:目標云TC與能力等級為優(yōu)的標尺云最為相似,并且相似度值明顯高出其他的能力等級,認為裝備保障系統(tǒng)當前的能力評估結(jié)果為優(yōu),與實際狀況一致。同時也可以發(fā)現(xiàn),CCM方法具有較大的概念差異度,這是由于文獻[10]的方法采用向量投影的方式計算相似度,其缺點在于某個分量值過大或過小會削弱其中某個分量的作用,余弦差異值不明顯,而CCM方法則不存在這一問題。

4結(jié)論

作為描述概念相似程度的手段,對不同云模型之間相似度的研究,有助于云模型在系統(tǒng)評估和決策等領域中的推廣應用。本文以云圖為平臺,在現(xiàn)有研究成果的基礎上,提出了一種將云相似度的計算躍升至高層次概念的新思路,以實現(xiàn)云相似度的間接計算,并對算法進行了描述和分析,給出了關鍵過程變量的計算公式。對不同交點情形的仿真實例以及具體應用的實驗結(jié)果表明,該方法能夠較客觀地反映不同概念之間的相似程度,并且在一定程度上克服了結(jié)果隨機性大、數(shù)字特征向量的部分分量過度占優(yōu)、區(qū)分度不高等問題。本文著眼于概念的實現(xiàn)細節(jié),是對云模型理論的進一步探索和完善,具有較好的理論價值與實際意義。但本文的研究對象主要集中在云模型與云模型上,如何將其擴展至精確定量數(shù)值與云模型之間的相似度判定上,有待于進一步研究。

參考文獻：

[1] Li D Y, Du Y.Artificialintelligencewithuncertainty[M]. Beijing: National Defense Industry Press,2005:143-145.(李德毅,杜鹢. 不確定性人工智能[M]. 北京:國防工業(yè)出版社,2005:143-145.)

[2] Li D Y, Liu C Y, Liu L Y. Study on the universality of the normal cloud model[J].EngineerSciences, 2005, 3(2):18-24.

[3] Zhang L M, Wu X G, Ding L Y, et al. A novel model for risk assessment of adjacent buildings in tunneling environments[J].BuildingandEnvironment, 2013, 65(7):185-194.

[4] Jin B, Wang Y, Liu Z Y, et al. A trust model based on cloud model and Bayesian networks[J].ProcediaEnvironmentSciences, 2011, 11(12):452-459.

[5] Wang W X, Wang X, Ge X L, et al. Muti-objective optimization model for muti-project scheduling on critical chain[J].AdvancesinEngineeringSoftware, 2014, 68(2):33-39.

[6] Xie D W, Shi S L. Mine water inrush prediction based on cloud model theory and Markov model[J].JournalofCentralSouthUniversity, 2012, 43(6):2308-2315.(謝道文,施式亮. 基于云理論與加權馬爾可夫模型的礦井涌水量預測[J].中南大學學報,2012,43(6):2308-2315.)

[7] Ling W N, Hang N S, Li R Q. Short-term wind power forecasting based on cloud SVM model[J].ElectricPowerAutomationEquipment, 2013, 33(7):34-38.(凌武能,杭乃善,李如琦. 基于云支持向量機模型的短期風電功率預測[J].電力自動化設備,2013,33(7):34-38.)

[8] Zhang Y, Zhao D N, Li D Y. The similar cloud and the measurement method[J].InformationandControl, 2004, 33(2):129-132.(張勇,趙東寧,李德毅.相似云及其度量分析方法[J].信息與控制,2004,33(2):129-132.)

[9] Zhang S B, Xu C X. Study on the trust evaluation approach based on cloud model[J].ChineseJournalofComputers, 2013, 36(2):422-431.(張仕斌,許春香. 基于云模型的信任評估方法研究[J].計算機學報,2013,36(2):422-431.)

[10] Yang H W, Yue Y, Yang X Q. New determining algorithm for conception membership of one-dimensional normal cloud[J].ComputerIntegratedManufacturingSystems, 2012, 18(9):2117-2123.(楊宏偉,岳勇,楊學強. 一種新的一維正態(tài)云概念隸屬度判定算法[J].計算機集成制造系統(tǒng),2012,18(9):2117-2123.)

[11] Zhang G W, Li D Y, Li P, et al. A collaborative filtering recommendation algorithm based on cloud model[J].JournalofSoftware, 2007, 18(10):2403-2411.(張光衛(wèi),李德毅,李鵬，等. 基于云模型的協(xié)同過濾推薦算法[J].軟件學報,2007,18(10):2403-2411.)

[12] Li H L, Guo C H, Qiu W R. Similarity measurement between normal cloud models[J].ActaElectronicaSinica,2011,39(11):2561-2567.(李海林,郭崇慧,邱望仁.正態(tài)云模型相似度計算方法[J].電子學報,2011,39(11):2561-2567.)

[13] Yan Y, Tang Z M. Pertinence measurement of cloud model by using expectation-entropy curves[J].JournalofHuazhongUniversityofScienceandTechnology, 2012, 40(10):95-100.(閻巖,唐振民. 基于含熵期望曲線的云模型相關性度量方法[J].華中科技大學學報,2012,40(10):95-100.)

[14] Zhang S B, Xu C X, An Y J. Study on the risk evaluation approach based on cloud model[J].JournalofUniversityofElectronicScienceandTechnologyofChina, 2013, 42(1):92-104.(張仕斌,許春香,安宇俊. 基于云模型的風險評估方法研究[J].電子科技大學學報,2013,42(1):92-104.)

[15] Guan X, Guo Q, Zhang Z C, et al. Novel method for emitter recognition based on backward cloud model[J].JournalofUniversityofElectronicScienceandTechnologyofChina, 2012, 41(5):663-677.(關欣,郭強,張政超，等.基于逆云模型的雷達輻射源識別方法[J].電子科技大學學報,2012,41(5):663-677.)

[16] Li H L, Guo C H. Piecewise aggregate approximation method based on cloud model for time series[J].ControlandDecision, 2011, 26(10): 1525-1529.(李海林,郭崇慧. 基于云模型的時間序列分段聚合近似方法[J].控制與決策,2011,26(10):1525-1529.)

查翔(1988-),男,博士研究生,主要研究方向為飛機狀態(tài)監(jiān)控與故障診斷、人工智能及其應用。

E-mail:zha_xiang@126.com

倪世宏(1963-),男,教授,博士研究生導師,主要研究方向為飛行數(shù)據(jù)智能處理。

E-mail:470474069@qq.com

謝川(1974-),男,副教授,博士,主要研究方向為飛行數(shù)據(jù)智能處理。

E-mail:1830486912@qq.com

張鵬(1982-),男,講師,博士,主要研究方向為飛機故障診斷、故障預測與健康管理。

E-mail:zhangpeng25@21cn.com

網(wǎng)絡優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20150323.1706.001.html

Indirect computation approach of cloud model similarity

based on conception skipping

ZHA Xiang, NI Shi-hong, XIE Chuan, ZHANG Peng

(CollegeofAeronauticsandAstronauticsEngineering,AirForceEngineering

University,Xi’an710038,China)

Abstract:To solve the unstable conclusion and low difference of current similarity measurement approaches of the cloud model, an indirect computation approach of cloud model similarity is proposed based on conception skipping. As a breakthrough point, intersecting areas shaped by expectation curves represent the similarity and are transferred to a higher level of conception, aiming to realize an equivalent change of respective conception importance in terms of original intersecting areas. Numbers and locations of intersections of expectation curves are discussed and corresponding judging rules are provided. Conception skipping is achieved by computing interrupting entropy to obtain the synthetic cloud. Intersecting areas of expectation curves from the synthetic cloud and fundamental clouds serve as a new criterion, and the indirect computing formula of similarity is given. Experimental results of designed simulate examples and an application confirm the effectiveness and wide feasibility.

Keywords:cloud model; similarity; expectation curves; conception skipping

作者簡介：

中圖分類號：TP 18

文獻標志碼：A

DOI:10.3969/j.issn.1001-506X.2015.07.32

基金項目：國家自然科學基金(61372167,61379104)資助課題

收稿日期：2014-10-21；修回日期：2015-01-08；網(wǎng)絡優(yōu)先出版日期：2015-03-23。