首先了解一下什么叫云模型,云模型由中国工程院院士李德毅于1995年提出。云模型由若干云滴组成。其中每个云滴是确定的点,构成一个负责不确定的云。对于一个云的描述饱含三个元素,记作:(Ex,En,He)。
基本概念:Ex,云滴在论域空间的期望。
En,熵。用来表示云团的不确定性程度。
He,超熵。用来表示熵的不确定性程度。一个云模型记作。
正向云发生器:由(Ex,En,He)生成云团。
逆向云发生器:从复杂混乱云团中提取云的核心元素(Ex,En,He)。
主要目的:实现定性概念与定量描述直接的转换。
应用范围:自动驾驶、智能控制、复杂网络建模、语义控制、综合评价等
理论基础:概率论、模糊数学、混沌理论等 。
”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:云滴在论域空间分布的期望,一般用符号Εx表示。
熵:不确定程度,由离散程度和模糊程度共同决定,一般用En表示。
超熵: 用来度量熵的不确定性,既熵的熵,一般用符号He表示。
云有两种发生器:正向云发生器和逆向云发生器,分别用来生成足够的云滴和计算云数字特征(Ex, En,He)。
正向云发生器:
1.生成以En为期望,以He^2为方差的正态随机数En’。
2.生成与Ex为期望,以En‘^2为方差的正态随机数x。
3.计算隶属度也就是确定是 u=exp(-(x - Ex)^2 / 2*En‘^2),则(x, u)便是相对于论域U的一个云滴。这里选择常用的“钟型”函数u=exp(-(x - a)^2 / 2*b^2)为隶属度函数。
4. 重复生成123步骤直到生成足够的云滴
逆向云发生器
1.计算样本均值X和方差S^2
2.Ex = X
3.En = S^2
4. He = sqrt(S^2 - En^2)
单个云图生成
clear;
clc;
N=3000;
Ex=0.9031 ;
En=0.0946 ;
He=0.0616 ;
CloudDrp = zeros(2,N);
for i=1:N
E_n = normrnd(En,He,1,1); %随机生成一个一行一列的以En为期望,以He为标准差的正态分布的数,这个数就是下一个正态分布的标准差
CloudDrp(1,i) = normrnd(Ex,E_n,1,1); %生成横坐标,也就是云滴的取值
CloudDrp(2,i) = exp(-(CloudDrp(1,i)-Ex)^2/(2*E_n^2));%钟形隶属度函数,得到纵坐标,隶属度
end
plot(CloudDrp(1,:),CloudDrp(2,:),'.')
结果如下图所示,使用时修改三个特征数值即可。
多个云图在一张图中呈现
clear;
N=3000;
Ex1=0.9031 ;
En1=0.0946 ;
He1=0.0616 ;
Ex2=0.3961 ;
En2=0.2515 ;
He2=0.0328 ;
Ex3=0.1524 ;
En3=0.1524 ;
He3=0.1524 ;
CloudDrp=zeros(2,N);
for i=1:N
E_n1=normrnd(En1,He1,1,1);
E_n2=normrnd(En2,He2,1,1);
E_n3=normrnd(En3,He3,1,1);
CloudDrp(1,i) = normrnd(Ex1,E_n1,1,1);
CloudDrp(2,i) = exp(-(CloudDrp(1,i)-Ex1)^2/(2*E_n1^2));
CloudDrp(3,i) = normrnd(Ex2,E_n2,1,1);
CloudDrp(4,i) = exp(-(CloudDrp(3,i)-Ex2)^2/(2*E_n2^2));
CloudDrp(5,i) = normrnd(Ex3,E_n3,1,1);
CloudDrp(6,i) = exp(-(CloudDrp(5,i)-Ex3)^2/(2*E_n3^2));
end
plot(CloudDrp(1,:),CloudDrp(2,:),'.')
hold on
plot(CloudDrp(3,:),CloudDrp(4,:),'.')
hold on
plot(CloudDrp(5,:),CloudDrp(6,:),'.')
这里举三个样本为例