云模型
百科内容来自于：
概述
基本概念
定义
设
![]()
是一个普通集合。
![]()
, 称为论域。关于论域
![]()
中的模糊集合
![]()
，是指对于任意元素
![]()
都存在一个有稳定倾向的随机数
![]()
，叫做
![]()
对
![]()
的隶属度。 如果论域中的元素是简单有序的，则
![]()
可以看作是基础变量，隶属度在
![]()
上的分布叫做隶属云；如果论域中的元素不是简单有序的，而根据某个法则
![]()
，可将
![]()
映射到另一个有序的论域
![]()
上，
![]()
中的一个且只有一个
![]()
和
![]()
对应，则
![]()
为基础变量，隶属度在
![]()
上的分布叫做隶属云。
数字特征
云模型表示自然语言中的基元——语言值，用云的数字特征——期望Ex，熵En和超熵He表示语言值的数学性质。
期望 Ex：云滴在论域空间分布的期望，是最能够代表定性概念的点，是这个概念量化的最典型样本。
熵 En：“熵”这一概念最初是作为描述热力学的一个状态参量，此后又被引入统计物理学、信息论、复杂系统等，用以度量不确定的程度。在云模型中，熵代表定性概念的可度量粒度，熵越大，通常概念越宏观，也是定性概念不确定性的度量，由概念的随机性和模糊性共同决定。一方面, En是定性概念随机性的度量，反映了能够代表这个定性概念的云滴的离散程度；另一方面，又是定性概念亦此亦彼性的度量，反映了在论域空间可被概念接受的云滴的取值范围。用同一个数字特征来反映随机性和模糊性，也必然反映他们之间的关联性。
超熵 He：熵的不确定性度量，即熵的熵，由熵的随机性和模糊性共同决定。反映了每个数值隶属这个语言值程度的凝聚性，即云滴的凝聚程度。超熵越大，云的离散程度越大，隶属度的随机性也随之增大，云的厚度也越大。
云发生器
云的生成算法既可以用软件的方式实现，又可以固化成硬件实现，称为云发生器(Cloud Generator)。云发生器分为正向云发生器和逆向云发生器。
正向云发生器
一维正向正态云发生器的算法实现如下：
输入：表示定型概念A的三个数字特征值Ex，En，He以及云滴数N；
输出：N个云滴的定量值，以及每个云滴代表概念A的确定度；
步骤：
（1）产生一个期望值为Ex，方差为En的正态随机数
![]()
；
（2）产生一个期望值为En，方差为He的正态随机数En’；
（3）计算：
![]()
；
（4）令
![]()
为一个云滴，它是该云表示的语言值在数量上的一次具体实现，其中x为定性概念在论域中这一次对应的数值，
![]()
为属于这个语言值的程度的量度；
（5）重复步骤（1）到步骤（4），直到产生满足要求数目的云滴数。
逆向云发生器
逆向云发生器（Backward Cloud Generator）是实现定量值到定性概念的转换模型。它可以将一定数量的精确数据转换为以数字特征 （
Ex，
En，
He）表示的定性概念。
一维逆向正态云发生器的算法实现如下：
输入：N个云滴的定量值及每个云滴代表概念的确定度
![]()
；
输出：这N个云滴表示的定性概念A的期望值Ex，熵En和超熵He ；
步骤：
（1）由
![]()
计算这组数据的样本均值
![]()
，一阶样本绝对中心矩
![]()
，样本方差
![]()
；
（2）由（1）可得期望
![]()
；
（3）同时由样本均值可得熵
![]()
；
（4）由（1）中的样本方差和（3）中的熵可得
![]()
。
$firstVoiceSent
- 来自原声例句