模糊信息粒化理论在空间信息系统的地位的探讨(2)

分类：计算机应用论文范文 时间：关注：(1)

率论提供的是一种主观概率的方式，主观概率的估计仍是一个问题。而概率分布的f-粒化处理类似问题有着较大的优势，f-广义化，g-广义化，f,g广义化是理解模糊逻辑以及它与其它处理不确定性方法的关系，具体来说，集论和关系数据模型的g-广义化产生粗糙集论;古典逻辑和集论的f-广义化产生多值逻辑、狭义模糊逻辑以及模糊集论的部分内容。正是f,g-广义化产生的模糊逻辑(FL)是其在空间信息系统应用的基础。利用对不精确性、不确定性以及部分真实的允许的情况从而使问题易于求解，使其降低求解费用并更好地与现实一致。根据这一原则，f-粒化的重要性无论在空间信息系统的理论还是应用方面比起规范模糊都更进了一步。

　　3.2模糊信息理论与空间语义提取及语义共享问题

　　空间对象一般可以分为以下类别：点对象、线对象、面对象、复杂对象。这些空间对象具有空间和语义上的双重性质。从空间上讲，它们可以几何的或模拟的数据;从语义上讲，它们表示地物或特定专题中要素之间的相互关系，即空间物体认识和逻辑上的关系。语义提取可通过各种地图、遥感影像、空间数据库以及空间数据库的知识发现中得来。给定证据体E={g1，g2，…，gn｝和空间对象O的一个任意模糊子集，语义提取的结果：X是Q的可能性的模糊性或非模糊性是多少。例如我们关于某个城市地段的粒度信息(X=位置)

　　g1=(该地段的位置很好)是不大可能的

　　g2=(该地段的位置好)是可能的

　　g3=(该地段的位置不好)是很不可能的

　　现在提取语义问该地段位置不很好的概率是多少：g4=(该地段位置不很好)是?刻画模糊粒的过程中很重要的一点是同一模糊粒可能是不同的命题诱导的，这时被讨论的命题称为语义等价。一个与g=(X是G)是λ的的否定形式有关的特殊的语义等价情形可表示为(←→表示语义等价)。(X是G)λ←→(X不是G)是antλ，其中antλ表示λ的反义词，

　　由μant(v)=μλ(1-v)，v[0，1]定义，antλ的隶属函数是λ的隶属函数在取值区间中点的镜像。

　　此规则的一个简单应用例子就是语义等价上的(X是G)是很可能的←→(X不是G)是不可能的，其中“不可能”作为“可能”的反义词。另一个但较之语义等价弱一些的概念就是语义继承，具体来说，如果g1和g2是两个命题，g1所诱导的模糊粒包含在g2所诱导的模糊粒中，那么就称g2被g1语义继承，或g1语义继承g2。其中g1的可能度小于等于g2的可能度。语义等价即为空间信息系统工程中不同的实验对象对同一命题的等同认识。语义继承的大小可衡量空间信息系统语义共享的程度的大小。

　　3.3模糊信息理论与空间词语计算问题

　　模糊信息粒化理论突出了模糊信息粒化概念在模糊逻辑中的地位，同时，该理论为词语计算(CW)提供了基础。词语计算就是用词语取代数进行计算及推理的方法。空间信息系统是一个巨大的复杂的系统。高精度与高复杂性不相容原理允许我们在求解复杂性问题时，以不清晰即模糊来达到满意的结果。在CW中粒的概念是出发点，从本质上来看，粒是点的模糊集，而这些点是一簇元素由于相似性结合在一起。一个词W是一个g的标签，反过来，g是W的外延，一个词可以是原子词，也可以是复合词。词的外延可以是高阶谓词。作为一个词的外延的粒g可以看作对一个变量的模糊约束，从前提到结论间模糊约束繁殖在CW中有着至关重要的作用。考虑命题：

　　P1=百货大楼位于邮电局附近;

　　P2=邮电局位于银行附近。

　　命题P1及P2中的词语“位于附近”分别对百货大楼、邮电局和银行的位置之间的距离起模糊约束作用。问“百货大楼离银行多远?”则由模糊约束繁殖所产生的答案应为P3，其中P3=百货大楼位于银行不远的地方。在CW中最基本的假设是信息通过约束变量取值而进行的;信息由一系列命题构成，命题则通过自然语言或合成

• 共4页:
• 上一页
• 1
• 2
• 3
• 4
• 下一页