基于云模型的不确定性知识表示

云模型是用语言值表示的定性概念与其定量表示之间的不确定性转换模型,论文通过对云模型数学性质的研究,分析云模型的产生背景,证明其表示不确定性知识的合理性和有效性,最后给出了一个应用实例。     

基于云模型的不确定性推理方法

云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则.在单条件单规则发生器基础上,进一步提出双条件单规则发生器的实现算法,给出了云推理系统的体系结构.将基于云模型的不确定性推理方法用于设计电机转速控制系统,并且与模糊推理方法进行了比较,验证了云推理方法的有效性和实用性.     

基于不确定性人工智能的概念软与方法

基于概念“软与”操作在不确定性人工智能云模型中的重要性,提出了两种概念“软与”的新方法,分别为投影映射法与神经网络“软与”法。前者将云模型产生的云滴投影到新论域中,再通过多维X条件云发生器机制获取“软与”结果;后者通过基于案例推理方法与神经网络相结合,经过神经网络的训练学习,最终预测出云概念的“软与”确定度。算例分析表明,两者能对概念进行客观地“软与”操作,为概念“软与”操作提供了固定有效的方法。     

一种基于云模型的不确定性数据的建模与分类方法

不确定性是数据的本质特征,它的产生可能来自于样本误差、更新延迟或重复测量等,对不确定性数据的分析在越来越多的领域得到了关注。传统的不确定性数据的数据项被表示成一个值域及其上的概率分布函数。由于不确定性数据存在模糊性与随机性,传统的概率分布函数难以准确定义不确定性数据的实际分布,因此利用云模型中云滴的分布提出一种不确定性数据的云建模过程,并通过云综合与云相似度计算来实现不确定性数据的分类。云模型能有效地将数据的随机性与模糊性融合在一起,能更真实地反映数据的实际分布,从而实现有效的数据分类。实验结果也证明了此种方法的有效性。     

一种新的基于二维云模型不确定性推理的智能控制器

提出一种新型的二维云模型智能控制器结构.这种结构模型是一种本质非线性模型,可以很容易由一组不确定性推理规则构成.分析了一维和二维云模型的非线性映射特性,并给出了基于此结构模型的智能控制器的设计方法及仿真实例.     

基于模糊积分的客户分类不确定性优化研究

数据挖掘技术为高效的客户分类提供了强大的支持,然而仅依靠这门技术并不能很好地完成这项任务。因为分类方法的局限性,现实数据存在信息的不确定、不完整、先验知识缺乏,研究对象的复杂性等困难导致的分类不确定性。从这个角度出发,将模糊积分融合方法与数据挖掘技术结合来减小客户分类的不确定性,提出了一种模糊密度修正方法,它利用了训练样本先验静态信息和各分类器识别结果包含的动态信息对模糊密度进行自适应动态赋值。仿真结果表明了它的有效性。     

基于云模型和SFT的可靠性数据不确定性评价

为了分析和评价系统可靠性数据中的不确定性,即随机性、离散性和模糊性,将云模型与空间故障树(Space Fault Tree,SFT)理论相结合,使用云化SFT作为基础对数据不确定性进行评价。首先使用云模型能表示数据不确定性的特点,将SFT的相关概念进行云化。将其中云化系统故障概率分布对在某因素影响下,可靠性数据生成的云模型特征参数Ex、En和He进行求导。根据在系统工作环境范围内的求导结果,并结合提出的模糊性 、离散性 和随机性 计算数据的不确定性。使用该方法对经典实例进行了分析,得到了一些定性和定量结果。但Q和 两个参数应该具体问题具体分析。     

基于云模型的不确定性QoS 感知的Skyline 服务选择

由于传统QoS感知的Web服务选择方法无法保证服务选择的可靠性和实时性,提出了一种基于云模型的不确定性QoS感知的Skyline服务选择方法.该方法首先通过云模型计算QoS的不确定性,然后采用Skyline计算提取Web服务中的Skyline服务,剔除冗余服务,最后采用混合整数规划在Skyline服务中进行服务选择.在公共有效数据集和合成数据集上的实验结果表明,所提出的方法能够为用户提供可靠、快速的服务选择.     

基于ATMS和证据理论的不确定性推理方法

本文提出了一种新的不确定性推理方法ＨＵＩＭ．这种方法把基于假设的真值维持系统（ＡＴＭＳ）和Ｄｅｍｐｓｔｅｒ—Ｓｈａｆｅｒ的证据理论有机地结合在一起，使得ＡＴＭＳ这种符号代数系统可用来处理以数值形式表示的不确定性信息．将该方法应用于基于规则的系统，可以弥补这类系统在不确定性推理方面所存在的某些不足．     

基于样本不确定性的增量式数据流分类研究

具有概念漂移的数据流分类应用场景逐渐增多,如何解决该类问题成为研究热点.文中根据数据流概念漂移特征,结合增量学习原理实现基于样本不确定性选择策略的增量式数据流分类(IDSCBUC)模型.分类模型用支持向量机作为训练器,基于当前分类器从相邻训练集中按照样本不确定性值选择出"富信息"样本代表新概念样本集,把新概念样本集与支持向量集合并更新分类器,形成新的分类模型.理论分析和实验结果表明该方案是可行的,且具备抗噪声能力.     

基于不确定度评价的Kinect深度图预处理

针对应用在机器人三维(3D)场景感知测量中,Kinect深度图的联合双边滤波(JBF)存在降低原始场景深度信息精确度的制约性问题,提出一种新的预处理算法。首先,通过构建深度图的测量和采样模型,得到深度图的蒙特卡罗不确定度评价模型;其次,依据该模型计算得到深度值估计区间,实现噪声点与非噪声点的判定及滤除;最后,利用估计区间均值完成噪声点的修复。实验结果表明,该算法在噪声滤波的同时保证了非噪声的不变性;非噪声的不变性以及基于估计均值的噪声修复使原始深度梯度具有不变性;与联合彩色深度图的双边滤波相比,预处理结果图物体边缘轮廓清晰不变且其均方误差降低了15.25%~28.79%。因此,该预处理算法达到了提高三维场景深度信息精确度的目的。     

分层云不确定推理系统及其逼近性能分析

为了解决目前基于云模型的智能控制和预测中规则数目随系统变量的个数呈指数增长的问题,设计分层云不确定性推理系统,并证明该系统的逼近性能。采用基于云理论的新的不确定性推理模型来设计分层云不确定性推理系统并给出解析表达式。证明分层云不确定性推理系统对致密集上函数的逼近能力。结果表明：分层云不确定性推理系统的输出结果计算式满足Stone-Weirstrass定理的3个假设条件,具有万能逼近性质。     

基于云模型的网络计划建模方法

项目建设过程中的不确定性因素对预测项目完工时间有较大影响,项目中的不确定性主要是随机性和模糊性.将云模型以及云运算引入到网络计划建模方法中,提出基于云模型的网络计划建模方法,可以将随机性和模糊性结合起来处理;这种基于云模型的网络计划建模方法,比传统的方法更真实地反映了项目的不确定性,能够提供更多有价值的信息.使用基于云模型的网络计划建模方法来计算整个项目完工的时间,充分考虑了项目建设过程中的不确定性,更加符合工程实际.     

基于动态不确定度理论的多传感器系统传感器失效检测方法

基于一致性检验方法和动态不确定度理论,试提出一种对多传感器系统中传感器的失效进行有效检测的系统方法.本方法由于在仅有传感器测量数据而其不确定度未知的情况下即可对传感器失效做出判定,且实时性好,故十分适用于航天、遥感等传感器性能可能存在较大变化的应用场合.     

基于云的概念空间模型研究

从认知科学出发,讨论了G?rdenfors的概念空间理论,用云模型对概念空间进行了形式化研究。由于概念、属性中存在着大量的模糊性和不确定性,将云模型和G?rdenfors的概念空间模型结合起来,建立了一套基于云的概念空间模型。并进一步对概念、相似性等进行定义,形成了一套新的基于云的概念空间模型方法。通过一个昆虫分类实例来进行概念空间的建模实验。用静态和动态两种不同的方法来验证基于云模型的概念空间的有效性。     

基于云理论的网格资源选择

资源选择是影响网格调度和系统效率的关键,针对网格资源选择中用户对服务质量(QoS)的定性描述和调度的自私性,提出了利用云理论实现资源选择的方法。在深入分析QoS参数的云理论模型基础上,提出了以资源代理实现云模型资源选择的体系结构,设计了相应的调度算法。实验表明,该算法在资源调度率和吞吐量以及系统资源的利用效率等方面体现出良好的特性,同时克服了用户定义QoS参数的困难,达到了优化调度的目的。     

基于Gabor不确定度的嵌入式人脸识别系统

多尺度Gabor特征的维数和数据量过大,不适合在ARM板上直接实现完成。利用计算每个尺度Gabor特征不确定度并采用加权融合的方法,很好地解决了图像维数和数据量过大的难点。加权融合过程包括多尺度Gabor特征的提取、不确定度权值的计算和加权融合过程;同时使用了类Haar特征提取人脸、利用二维主成分分析(2DPCA)对人脸图像进行降维。基于EELiod 270嵌入式开发平台,使用ORL和Yale图像库对该方法进行了测试,并与其他人脸识别算法进行比较。结果显示,在保证识别率的同时,算法运算量大幅度下降,且实时识别效果良好。     

证据理论在不确定性推理中的应用研究*

利用证据理论中的基本概率分配函数、信任函数和似然函数来描述和处理知识的不确定性。提出一个特殊的概率分配函数和新的组合规则,并以其为基础建立一个不确定性推理模型。实例证明该模型能有效地度量最终结论的不确定性。     

多维不确定性XML数据模型的研究

不确定海量数据存储与记录的广泛应用及其在XML上的扩展,使XML的关联事件概率的数据模型研究成为研究热点,以描述复杂事件的概率数据模型为目标,在当前已有概率模型的基础上,提出了多维不确定概率模型空间的概念,基于多个概率模型进行统一建模,并把单维XML概率节点引申到多维空间,进而定义了统一的空间查询方式,为复杂概率数据建模和查询优化提供了一种新颖的理论方法。