基于逆向云的运动评价.docxVIP

基于逆向云的运动评价 1 逆向云发生器与数据的转换 定性评价在生活中起着广泛的作用。从简单的学生评估到复杂项目的综合评价，有必要正确、准确地进行定性评估。然而，以往的定性评价主要是主观的定性评价，缺乏客观、定量和分析。有些人严格区分量化数据，例如学生的得分为85分。相当于84分是好的，但并不全面。 定性评价涉及到如何用自然语言来表述定性概念, 并反映出自然语言中概念的模糊性和随机性. 目前常用的定性定量转换方法:层次分析法、量化加权法、专家群体打分法, 或者是定性分析中夹杂着一些数学模型和定量计算, 这些方法都需要人工干预, 如设定权重等. 定性概念和定量数据之间普遍存在有不确定性, 尤其是随机性和模糊性, 要建立从数据到概念的转换模型, 即定性描述的基本语言值和定量表示的数值之间的互换模型. 我们在统计数学和模糊数学的基础上, 用云模型来统一刻划语言原子和数值之间的随机性和模糊性, 正向云发生器是用语言值描述的某个基本概念与其数值表示之间的不确定性转换模型. 云的数字特征用期望值Ex、熵En和超熵He三个数值表示. 它把模糊性和随机性完全集成在一起, 构成定性和定量相互间的映射, 作为知识表示的基础. 因为自然现象中的云也有着不确定性质, 我们就借用“云”来命名数据——概念之间的转换模型. 云由许多云滴组成, 每一个云滴就是这个定性概念映射到数域空间的一个点, 即一次带有不确定性的具体实现. 模型同时给出这个云滴能够代表该定性概念的确定程度. 模型可以生成任意多个云滴. 正向云发生器和逆向云发生器是云模型算法中两个最基本、最关键的算法. 前者实现了语言值表达的定性信息中获得定量数据的范围和分布规律, 这是一个前向的、直接的过程;后者是将一定数量的精确数值有效转换为恰当的定性语言值, 是个逆向的、间接的过程, 在这个过程中, 不可避免的会有误差存在. 因此本文在实现了逆向云算法后, 对各参数的误差进行了分析. 本文将以打靶为例子, 说明用逆向云发生器生成表示定性概念的定量数值, 来评判射手的成绩. 在射击比赛中, 人们通常都是按环数计分的, 这种方法虽然简单明了, 但反应不出选手的射击稳定性和免受外界干扰的心理素质, 在本文中, 我们将用一种全新的计分方法——逆向云发生器来计分, 该方法不但能反应射击的准确度, 而且还能反应出选手的训练水平以及心理的稳定程度. 本文在第2节先介绍了云模型和正向云发生器, 然后给出一维逆向云发生器的算法;在第3节中分别对三个特征值的算法进行了分析, 并对影响误差的几个方面进行了具体分析;在第4节中, 将一维逆向云算法推广到二维的逆向云;在第5节中将逆向云发生器应用到打靶的例子中, 说明了该算法的有效性和正确性;最后将本文的工作进行了小结. 2 算法的设计 2.1 概念的转换模型 我们在统计数学和模糊数学的基础上, 用云模型来统一刻划语言原子和数值之间的随机性和模糊性, 正向云发生器是用语言值描述的某个基本概念与其数值表示之间的不确定性转换模型. 云的数字特征用期望值Ex、熵En和超熵He三个数值表示. 它把模糊性和随机性完全集成在一起, 构成定性和定量相互间的映射, 作为知识表示的基础. 因为自然现象中的云也有着不确定性质, 我们就借用“云”来命名数据——概念之间的转换模型. 云由许多云滴组成, 每一个云滴就是这个定性概念映射到数域空间的一个点, 即一次带有不确定性的具体实现. 模型同时给出这个云滴能够代表该定性概念的确定程度. 模型可以生成任意多个云滴. 反过来, 我们用逆向云模型实现数值和语言值之间的随时转换. 数据开采的一个基本问题是先有数据, 然后才形成概念;先有连续的数据量, 然后才有离散的符号量. 2.2 he的正态随机数 正向正态云发生器在表达最基本的语言值——语言原子时最为有用, 因为社会科学和自然科学的各个分支都已经证明了正态分布的普适性. 下面给出正态云发生器的实现算法: 输入: 某定性概念的期望值Ex、熵En和 超熵He, 并给定云滴数N; 输出:N个云滴在数域空间的定量位置及每个云滴代表该概念的确定度. 算法: (1) 产生一个均值为En, 标准差为He的正态随机数En′; (2) 产生一个均值为Ex, 标准差为En′的正态随机数x; (3) 令x为定性概念的一次具体量化值, 称为云滴; (4) 计算y=e-(x-Ex)22(En′)2; (5) 令y为x属于该定性概念的确定度; (6) {x,y}完整地反映了这一次定性定量转换的全部内容; (7) 重复 (1) ～ (6) , 直到产生N个云滴. 下面以二维平面上“坐标原点附近”这一基本概念为例, 说明正向云发生器是怎样进行精确数据点 (云滴) 和概念之间的转换, 令此概念的期望值Ex={0, 0}, 熵En={0.1