Python正态云发生器

最新推荐文章于 2021-03-23 03:06:33 发布

weixin_42353399

最新推荐文章于 2021-03-23 03:06:33 发布

阅读量6.5k

点赞数 11

分类专栏： Python 云模型文章标签：正态云模型

本文链接：https://blog.csdn.net/weixin_42353399/article/details/88758547

版权

Python 同时被 2 个专栏收录

14 篇文章 3 订阅

订阅专栏

云模型

1 篇文章 0 订阅

订阅专栏

Python正态云发生器

云模型
一维逆向云模型
- 方法一
- 方法二
一维正向云模型
二维正向云模型
多维正向云模型
总体代码

云模型

数字特征

期望Ex：最能代表定性概念的点。
熵En：相当于概率论的方差，隶属度的模糊程度。
超熵He：熵的熵，反映偏离正态分布的程度，隶属度的不确定性。

逆向云发生器

定量——〉定性

逆向云

正向云发生器

定性——〉定量
在这里插入图片描述

一维逆向云模型

方法一

需要确定度信息的逆向云模型

设共有n个样本点，求样本均值 $\frac{1}{n}\sum_{i=1}^nx_i$ ，作为Ex
将μ>0.999的点剔除（因为影响大），剩下m个样本点
计算 $En_i=\frac{|x_i-Ex|}{\sqrt{-2lny_i}\quad},i=1,2,3...$
取Eni的平均值作为En的估计值
计算 $He=\sqrt{\frac{1}{m-1}\sum_{i=1}^mEn_j}$

python代码：

def computeCloud1(x,y):#一维逆向云（方法一，需确定度）
    i=0
    while(i<len(y)):
        if(y[i]>0.999):
            del x[i]
            del y[i]
        i=i+1
    x=np.array(x)
    y=np.array(y)
    Ex=np.mean(x)
    En=np.zeros(x.shape)
    for i in range(len(x)):
        En[i]=np.abs(x[i]-Ex)/pow(-2*math.log(y[i],math.e),1/2)
    En_1=np.mean(En)
    He=np.sqrt(np.std(En))
    return Ex,En_1,He

方法二

无需确定度信息的逆向云模型

设共有n个样本点，求样本均值 $\frac{1}{n}\sum_{i=1}^nx_i$ ，作为Ex
求一阶样本绝对中心矩 $\frac{1}{n}\sum_{i=1}^n|x_i-x|$
计算 $En=\sqrt{\frac{\pi}{2}}d$
求样本方差： $s^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-x)^2$
计算 $He=\sqrt{s^2-En^2}$

python代码：

def computeCloud2(x):#一维逆向云发生器（方法二，无需确定度）
   x=np.array(x);
   Ex=np.mean(x);
   En=np.sqrt(np.pi/2)*np.mean(np.abs(x-Ex))
   S2=np.std(x)
   He=np.sqrt(np.abs(S2*S2-En*En))
   return Ex,En,He

一维正向云模型

生成以En为期望，He为标准差的正态分布随机数En’
生成以Ex为期望，|En‘|为标准差的正态分布随机数x
$u=e^{-\frac{(x-Ex)^2}{2(En')^2}}$

python代码：

def forwardCloud(Ex,En,He,N):       #正向云模型（生成云）
    cloudpoint=[];
    for i in range(N):
        En_1=np.random.normal(En,He)
        x=np.random.normal(Ex,abs(En_1))
        y=math.exp(-pow(x-Ex,2)/(2*pow(En_1,2)))
        cloudpoint.append([x,y])
    return cloudpoint

二维正向云模型

和一维原理差不多
$u=e^{-(\frac{(x-Ex)^2}{2(Enx')^2}+\frac{(y-Ey)^2}{2(Eny')^2})}$
python代码：

def twoDimensionforwardCloud(Ex1,En1,He1,Ex2,En2,He2,N):#二维正向云模型（生成云）
    cloudpoint=[];
    for i in range(N):
        t1=np.random.normal()
        t2=np.random.normal()
        En1_1=He1*t1+En1
        En2_1=He2*t2+En2
        t1=np.random.normal()
        t2=np.random.normal()
        x=En1_1*t1+Ex1
        y=En2_1*t2+Ex2
        z=math.exp(-1/2*(pow(x-Ex1,2)/(pow(En1_1,2))+pow(y-Ex2,2)/(pow(En2_1,2))))
        cloudpoint.append([x,y,z])
    return cloudpoint

多维正向云模型

$u=e^{-(\frac{(x-Ex)^2}{2(Enx')^2}+\frac{(y-Ey)^2}{2(Eny')^2})}=u_x+u_y$
python代码：

def mutiForwardCloud(Ex,En,He,N):#多维云生成
    cloudpoint=np.zeros([N,len(Ex)+1]);
    muti_u=np.zeros([N,len(Ex)]);
    i=0;
    for ex,en,he in zip(Ex,En,He):
        sub_cloudpoint=forwardCloud(ex,en,he,N)
        x=[x[0] for x in sub_cloudpoint]
        cloudpoint[:,i]=x
        u=[x[1] for x in sub_cloudpoint]
        muti_u[:,i]=u
        i=i+1
    cloudpoint[:,i]=muti_u.prod(1)
    return cloudpoint

总体代码

    # -*- coding: utf-8 -*-
   
    import math
    import numpy as np
    import matplotlib.pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D  #画三维图
    
    def forwardCloud(Ex,En,He,N):       #正向云模型（生成云）
        cloudpoint=[];
        for i in range(N):
            En_1=np.random.normal(En,He)
            x=np.random.normal(Ex,abs(En_1))
            y=math.exp(-pow(x-Ex,2)/(2*pow(En_1,2)))
            cloudpoint.append([x,y])
        return cloudpoint
    
    def twoDimensionforwardCloud(Ex1,En1,He1,Ex2,En2,He2,N):#二维正向云模型（生成云）
        cloudpoint=[];
        for i in range(N):
            t1=np.random.normal()
            t2=np.random.normal()
            En1_1=He1*t1+En1
            En2_1=He2*t2+En2
            t1=np.random.normal()
            t2=np.random.normal()
            x=En1_1*t1+Ex1
            y=En2_1*t2+Ex2
            z=math.exp(-1/2*(pow(x-Ex1,2)/(pow(En1_1,2))+pow(y-Ex2,2)/(pow(En2_1,2))))
            cloudpoint.append([x,y,z])
        return cloudpoint
    
    def mutiForwardCloud(Ex,En,He,N):#多维云生成
        cloudpoint=np.zeros([N,len(Ex)+1]);
        muti_u=np.zeros([N,len(Ex)]);
        i=0;
        for ex,en,he in zip(Ex,En,He):
            sub_cloudpoint=forwardCloud(ex,en,he,N)
            x=[x[0] for x in sub_cloudpoint]
            cloudpoint[:,i]=x
            u=[x[1] for x in sub_cloudpoint]
            muti_u[:,i]=u
            i=i+1
        cloudpoint[:,i]=muti_u.prod(1)
        return cloudpoint
            
    #可视化
    res=twoDimensionforwardCloud(0,10,1,3,15,0.5,1000)
    x=[x[0] for x in res]
    y=[x[1] for x in res]
    z=[x[2] for x in res]
    fig=plt.figure()
    ax=Axes3D(fig)
    ax.scatter(x,y,z)
    plt.show()
    
    res=mutiForwardCloud([1,3],[10,15],[1,0.5],1000)
    fig=plt.figure()
    ax=Axes3D(fig)
    ax.scatter(res[:,0],res[:,1],res[:,2])
    plt.show()
    
    def computeCloud1(x,y):#一维逆向云（方法一，需确定度）
        i=0
        while(i<len(y)):
            if(y[i]>0.999):
                del x[i]
                del y[i]
            i=i+1
        x=np.array(x)
        y=np.array(y)
        Ex=np.mean(x)
        En=np.zeros(x.shape)
        for i in range(len(x)):
            En[i]=np.abs(x[i]-Ex)/pow(-2*math.log(y[i],math.e),1/2)
        En_1=np.mean(En)
        He=np.sqrt(np.std(En))
        return Ex,En_1,He
    def computeCloud2(x):#一维逆向云发生器（方法二，无需确定度）
        x=np.array(x);
        Ex=np.mean(x);
        En=np.sqrt(np.pi/2)*np.mean(np.abs(x-Ex))
        S2=np.std(x)
        He=np.sqrt(np.abs(S2*S2-En*En))
        return Ex,En,He
            
    res=forwardCloud(0,10,1,3000)
    x=[x[0] for x in res]
    y=[x[1] for x in res]
    fig=plt.figure()
    plt.scatter(x,y)
    plt.show()
    a,b,c=computeCloud1(x,y)
    print(a,b,c)
    a,b,c=computeCloud2(x)
    print(a,b,c)

weixin_42353399

关注

11
点赞
踩
91

收藏

觉得还不错? 一键收藏
7
评论
Python正态云发生器

Python正态云发生器云模型数字特征逆向云发生器正向云发生器一维逆向云模型方法一方法二一维正向云模型二维正向云模型多维正向云模型总体代码云模型数字特征期望Ex：最能代表定性概念的点。熵En：相当于概率论的方差，隶属度的模糊程度。超熵He：熵的熵，反映偏离正态分布的程度，隶属度的不确定性。逆向云发生器定量——〉定性正向云发生器定性——〉定量一维逆向云模型方法一需要确定度...
复制链接

扫一扫