”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)
云模型的MATLAB设计 ———评估下面四位选手的设计水平
选手 | A | B | C | D |
---|---|---|---|---|
1 | 9.5 | 10.3 | 10.1 | 8.1 |
2 | 10.3 | 9.7 | 10.4 | 10.1 |
3 | 10.6 | 8.6 | 9.2 | 10.0 |
4 | 10.5 | 10.4 | 10.1 | 10.1 |
5 | 10.9 | 9.8 | 10.0 | 10.1 |
6 | 10.6 | 9.8 | 9.7 | 10.0 |
7 | 10.4 | 10.5 | 10.6 | 10.3 |
8 | 10.1 | 10.2 | 10.8 | 8.4 |
9 | 9.3 | 10.2 | 9.6 | 10.0 |
10 | 10.5 | 10.0 | 10.7 | 9.9 |
MATLAB程序如下:
cloud_main.m
% 以下是主函数cloud_main.m clc; clear all; close all; % 每幅图生成N个云滴 N = 1500; % 射击成绩的原始数据 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 10.0 10.1; 10.4 10.5 10.6 10.3; 10.1 10.2 10.8 8.4; 9.3 10.2 9.6 10.0; 10.5 10.0 10.7 9.9; ]; for i = 1: size(Y,2) subplot(size(Y,2)/2, 2, i) % 调用函数 [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('人射击云模型还原图谱'); % 控制坐标轴的范围 % 统一坐标轴上才会在云模型形态上才具有可比性 axis([8, 12, 0, 1]); end
cloud_transform.m
function [x, y, Ex, En, He] = cloud_transform(y_spor, n); % x 表示云滴, y 表示隶属度(这里是钟型隶属度), 意义是度量倾向的稳定程度; % Ex 云模型的数字特征,表示期望;En 云模型的数字特征,表示滴(表示混乱程度的物理量,实在是打不出来了,就用这个代替了,下同); % He 云模型的数字特征,表示超滴 Ex = mean(y_spor); En = mean(abs(y_spor - Ex)).*sqrt(pi./2); He = sqrt(var(y_spor) - En.^2); % 通过统计数据样本计算云模型的数字特征 for q = 1:n Enn = randn(1).*He + En; x(q) = randn.*Enn + Ex; y(q) = exp(-(x(q) - Ex).^2./(2.*Enn.^2)); end x; y;
结果如下图:
可以看出C选手的云滴凝聚抱合程度更高,所以可以认为C选手在本次比赛表现更为出色
读 《MATLAB在数学建模中的应用》
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:基于MATLAB实现的云模型计算隶属度 - Python技术站