下次自动登录
现在的位置:
& 综合 & 正文
关于云模型(Cloud Model)
云模型在统计数学和模糊数学的基础上，统一刻化了不确定性语言值和精确数值之间的随机性和模糊性，实现了定性语言值和定量数值之间的自然转换.目前基于云模型的云技术已被成功地应用于智能控制、跳频电台、大系统的效能评估中.在进行空间数据挖掘时，空间数据的不确定性是不可避免的.它主要由随机性、模糊性、不完备性、混沌性和未确知性等多种要素综合引起，并受粒度、尺度、抽样等因素的综合影响.位置不确定性与属性不确定性是空间数据不确定性的基本内容，抑制空间数据不确定性主要有数据采集和认知两种技术方向，空间数据不确定性的减少与数据的增加并不等价.
在研究空间数据不确定性时，概率论和数理统计具有"硬计算"的不足，模糊集的隶属函数固有不彻底性，粗集含有局限性， GIS 数据模型存在缺陷，灵敏度分析本身也有困难.最好方法是自然语言，自然语言中含有随机性和模糊性的定性值和定量值之间的相互转换，是空间数据挖掘的研究热点.云模型汲取了自然语言的优点，能在空间数据挖掘中兼顾随机性和模糊性，在用语言值表示的定性概念与其定量表示之间建立起定性和定量间的相互映射关系[6J 基于云模型，一种新的数据挖掘技术"数据一概念一规则加例外"被提出来.
云模型( Cloud modeI)是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型，主要反映客观世界或人类知识中概念的模糊性和随机性，并且把二者集成在一起，掏成定性和定量相互间的映射[5J 云模型具有期望值Ex 、En 和超崎He 三个数字特征[7J (图1).
Ex 是在数域空间中最能够代表定性概念的点值，反映了这个概念的云滴群的云重心.
En 被用来综合度量定性概念的模糊度和概率，揭示了模糊性和随机性的关联性，它一方面直接地反映了在数域空间中可被概念接受的元素范围，即模糊度;另一方面还反映了在数域空间中的点能够代表这个概念的概率，即随机性.
He 是En 的不确定度量，即恼的情，反映了在数域空间代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度.超摘的大小间接地表示了云的离散程度和厚度
云的可视化方法都可以通过云的三个数字特征由正向云发生器来实现.逆向云发生器也是必要的，它能够实现从数据转换成语言值，挖掘由精确数据点所指点的云滴的三个数字特征.
云的生成称为云发生器。云发生器包括正向云发生器、X 条件云发生器、Y 条件云发生器和逆向云发生器。由云的数字特征产生若干云滴，称为正向云发生器；给定云的３ 个数字特征（Ex ，En ，H e）和特定的数值x０ 的条件下的云发生器称为X 条件云发生器；给定云的３ 个数字特征（Ex ，En ，He ）和特定的隶属度y０ 条件下的云发生器称为Y 条件云发生器；给定符合某一正态云分布规律的一组云滴（xi ，yi ）作为样本，产生描述云模型所对应的定性概念的３ 个数字特征（Ex ，En ，He）称为逆向云发生器。X 和Y 两种条件云发生器是运用
云模型进行不确定性推理的基础。结合正向云发生器和逆向云发生器，可以实现定性与定量的随时转换。
1）正向云发生器
function [Cloud,u] = ForwardCloud(Ex,En,He,N)% 正向云发生器 ForwardCloud% 期望(Expectation) Ex;熵(Entropy) En;超熵(Hyper Entropy) He%
[Cloud,u] = ForwardCloud(Ex,En,He,N)% 输入参数：
产生云滴的个数,若没有默认为1%% 输出参数：
云滴(N个)%
云滴的确定度(N个)%
2010.10 zhangxj,
if(nargin & 4)
N = 1;for i = 1:N
Enn = randn(1) * He + En;
Cloud(i) = randn(1) * Enn + Ex;
u(i) = exp(-(Cloud(i) - Ex)^2/(2 * Enn^2));
2）逆向云发生器
function [Ex,En,He] = BackwardCloud(Cloud,u)% 逆向向云发生器 BackwardCloud% 期望(Expectation) Ex;熵(Entropy) En;超熵(Hyper Entropy) He%
[Ex,En,He] = BackwardCloud(Cloud,u)% 输入参数：
云滴(N个)%
云滴的确定度(N个)(没有确定度直接由Cloud计算)%% 输出参数：
2010.10 zhangxj,
N = length(Cloud);MeanValue = sum(Cloud)/N;
% 平均值--也可以利用中值var = sum((Cloud - MeanValue)^2)/(N-1);
% 样本方差if(nargin & 2)
% 无确定度u的计算
AbsCenter = sum(abs(Cloud - MeanValue))/N; % 一介样本绝对中心距
Ex = MeanV
En = sqrt(pi/2) * AbsC
He = sqrt(var - En^2);
% 标准差else % 有确定度u的计算
Ex = MeanV
En = sqrt(var);
% Cloud的标准差
Enn = sqrt(-(Cloud - Ex).^2./(2 * log(u)));
EnnMean = sum(Enn)/N;
He = sqrt(sum((Enn - EnnMean)^2)/(N-1));
% Enn标准差
特征空间和概念空间在基于云模型的空间数据挖掘中，概念空间描述的是同一属性范畴的不同概念.而特征空间描述的是具有多个属性的复杂空间实体.一个基本概念的粒度可以用它对应的云的三个数字特征来表达，期望值Ex 反映概念云的中心，情En 表示概念粒度的大小，超恼He 表示云滴的凝聚程度.例如，概念唯移小"的情比"9 mrn 左右"的摘要大，这意味着前者比后者有更大的粒度.通常情况下，分布在概念空间的云滴形成概念空间的势，所有云滴的等势线将自动形成一个概念层次.这种思想也能被扩展到特征空间中的空间实体，所有实体的等势线将自动形成聚类和聚类层次.在所有属性目标的特征空间，每个属性将有一个它自己概念空间中的概念层次.
在概念空间，每个数据对概念的形成作出自身的贡献，贡献的大小可以用云的概念空间中的势来度量.势的大小不仅与云滴的位置有关，而且与云滴的辐射亮度有关.辐射亮度越大，其数据能量的影响力也越大.人们从不同的角度观察和分析空间数据库实际上就是在概念空间中选择不同的函数来计算点的势的大小.图3 所示的是概念空间中所绘制的等势线和等势面，所用的函数是
P = sum(Di^2/c * En^2 * Ct (dxi)
其中m 是从概念空间中的某点到云滴(面， Gr ( dxi)) 所在位置的位移， Gr (dxi) 是云滴的辐射亮度， En 是云模型的婿， N是概念空间中云滴的数量.
此外，当概念空间中的许多云滴形成概念空间的势时，他们自然也形成概念层次.例如，当讨论语言变量"距离"这个范畴内的不同语言值时，如"3000 km 左右"、"12 h 左右的火车路程"或"很远"等概念，常常要明确这些概念在数域上是大概念还是小概念，粗概念还是细概念，以及相互之间的等价(相似)关系或从属(包含)关系.概念具有层次性，概念和概念之间通过数据场相互作用，形成概念之间的泛概念树.严格意义上的树结掏，一个结构只能有一个父结点，而在泛概念树中，一个结点可以多个父结点.不同的属性有不同的泛概念树，空间实体群组合状态因不同属性的泛概念树的不同而多种多样，通常决定于发现任务.
当研究由多个不同特征描述的复杂空间实体群时，常常用特征空间作为讨论问题和发现知识的更大范畴.空间数据挖掘从概念空间跳跃到特征空间中，粒度世界将变得更大，空间实体的多个不同特征掏成一个多维特征空间.在空间数据挖掘中，按照数据库中某个实体记录的多个属性把该实体映射到数域空间中的一个特定点上，成千上万的实体记录在数域空间中是成千上万个点，它们整体上所呈现出来的抱团特性，就在空间数据挖掘中形成自然的聚类知识.特征空间中势的思想和确定等势线的方法和概念空间相似，不同的只是特征空间的基本单位是空间实体点，而概念空间为表达概念的属性数据点.在特征空间中，势所表示的是原始数据集中所有样本的贡献，聚类的结果是由整个数据集推导出，普通的聚类方法总是将原始数据集分成两部分，练习数据集归纳聚类，测试数据集用于证明方法的有效性.尽管如此，它仍然不具有说服力，比如，两部分数据集的比例，选择什么样的样本作为练习数据集.而且，每个样本都对聚类的结果有贡献，但是普通的聚类方法忽略了测试数据集，因此，从特征空间中得到的聚类结果更合理.
云理论是一个分析不确定信息的新理论.由云模型、不确定性推理和云变换三部分构成.云理论把定性分析和定量计算结合起来.可以用于处理随机性和模糊性为一体的属性不确定性.云在空间由系列云滴组成，远观像云，近视元边.云具有期望值、恼和超摘三个数字特征.期望值是概念在论域中的中心值，完全隶属于该定性概;1脑是定性概念模糊度的度量，其值越大，概念所接受的数值范围越大，概念越模糊;超饷反映云滴的离散程度，其值越大，隶属的随机离散度越大.云理论构成定性和定量相互间的映射，是用自然语言值表示的定性概念与其定量数据表示之间的不确定性转换模型.数据挖掘是基于不同认知层次的"数据→概念→知识"视图，空间知识是各级的"类和离群或者"规则加例外研究了云模型对空间数据挖掘的可视化解释.不同空间粒度之间的概念云在概念空间形成多层次的云的泛概念树结构，基础概念云在云变换下升华为知识云，空间尺度反映了不同比例尺或分辨率下的概念云粒度的缩放程度.
相关实现：
X条件云发生器 XConditionCloud
function [Cloud,u] = XConditionCloud(Ex,En,He,x,N)% X条件云发生器 XConditionCloud% 期望(Expectation) Ex;熵(Entropy) En;超熵(Hyper Entropy) He%
[Cloud,u] = XConditionCloud(Ex,En,He,x,N)% 输入参数：
产生云滴的个数,若没有默认为1%% 输出参数：
云滴(N个)(固定值)%
云滴的确定度(N个)(计算值)%
2010.10 zhangxj,
if(nargin & 5)
N = 1;for i = 1:N
Enn = randn(1) * He + En;
u(i) = exp(-(x - Ex)^2/(2 * Enn^2));
Cloud(i) =
Y条件云发生器 YConditionCloud
云模型应用：
&&&&推荐文章:
【上篇】【下篇】OALib Journal期刊
费用：600人民币/ 99美元
查看量下载量
Image data storage method based on pyramid model in cloud云环境中基于金字塔模型的影像数据存储方法
Keywords: ,,,image data云计算,,,
With the development of satellite remote sensing technology, the size of image data is growing at an incredible rate, so the traditional data storage technology can not satisfy the massive image data processing requirements. In this paper, the BML Storage (storage based on MapReduce and local file system) method is proposed for improving the performance of massive image data storage. It is a distributed parallel storage method combined with Pyramid model, MapReduce thinking and cloud computing. This method recodes image data which has been stratified and blocked based on the pyramid model, and a storage rule is defined to ensure that all of the tiles can be easily stored inparallel. Compared with existing methods, experiments show that the performance of massive image data storage is improved in a certain extent.
Please enable JavaScript to view the
&&&OALib Suggest
Live SupportAsk us anything魔兽模型制作教程第三讲
魔法及光效的实现_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
魔兽模型制作教程第三讲
魔法及光效的实现
上传于||暂无简介
阅读已结束，如果下载本文需要使用2下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩11页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢3D_cloud_simulate 三维云场景的模拟 对
现有的多重前向散射光照模型进行了简化和改进-使用纹理映射和23 3D Graphic 3D图形编程 240万源代码下载-
&文件名称: 3D_cloud_simulate
& & & & &&]
&&所属分类:
&&开发工具: PDF
&&文件大小: 150 KB
&&上传时间:
&&下载次数: 77
&&提 供 者:
&详细说明：三维云场景的模拟 对
现有的多重前向散射光照模型进行了简化和改进-使用纹理映射和234567函数进行加速-3D-scene simulation of the existing multi-light-scattering model to simplify and improve-use texture Ying and the 234,567-function acceleration
文件列表(日期：)(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&[]:纯粹是垃圾
&近期下载过的用户:
&相关搜索:
&输入关键字，在本站240万海量源码库中尽情搜索：
&[] - 一个模拟显示自然云彩的C程序
&[] - 气象景象的模拟
:对气象景象中的云彩、雾、雨雪、海浪等不规则物体的建模及模拟方法进行了综述性介绍，对描述云彩的中点置
换法、描述烟雾的细胞自动机模型、描述雨雪的粒子系统和海浪的模拟方法展开了讨论，并指出了今后的研究重点。
&[] - 一种快速实时烟雾仿真方法
在导弹发射、飞行实时仿真系统中对导弹尾部烟雾的仿真是影响可视化仿真系统真实感和实时性的重要因紊。
运用粒子系统的方法，对系统中导弹尾部的烟雾进行了仿真，提出了合适的粒子产生，运动、消灭和形状模型，并在系统中得
以实现，取得了较好的效果。
&[] - 利用directx9实现火球的爆炸
&[] - 本程序主要介绍白云的模拟技术,使用的方法是盒子(BOX)的方法!
&[] - 布料模拟的程序，参考较多近期论文，实现的模型基于弹簧――质点模型，实现效果不错
&[] - 分形几何被曼德勃罗喻为是大自然的几何学。这个代码，采用了分形几何的方法模拟生成自然界的云。形象而逼真。
&[] - 游戏林海雪原全套源代码，我花了钱买的。它具备了天空、太阳光晕、地表贴图、粒子系统等特征，加入了菜单选项、草木、人物与房子模型，而且人物具有一定的人工智能。游戏中，玩家需要消灭所有的敌人。对地形游戏开发很有帮助。
&[] - 凸壳算法，散点成三维体的方法，该方法从洋鬼子那得来的。
&[] - 一篇较新的论文,是关于三维人脸的综述,别人已发表在重要刊物上的.資料載入中.....
請使用永久網址來引用或連結此文件:
http://ir.lib.ntust.edu.tw/handle/765
其他題名:&
出版日期:&2012
上傳時間:& 14:52:52
摘要:&本篇論文目的是利用MICROSOFT所發行的色彩深度攝影機KINECT來達到對真實物件快速建立其三維立體模型的目的。由於KINECT本身俱備深度資訊與色彩資訊，因此我們可利用深度資訊建立模型的網格；利用色彩資訊來進行材質貼圖，使得建立出來的模型更為擬真。
本論文主要使用Iterative Closeset Points(ICP)的技術來使得KINECT的深度影像可以互相對齊，利用對齊大量的深度影像來補強單一深度影像視角有限的不足，資料預先處理的方式是運用金字塔式的架構來降低點集合的數量，這個步驟可使得ICP的速度得以獲得提升，並從低解析度的影像中發現物件整體的運動方向，從高解析度的影像中找尋物件各個部分的運動變化。
ICP演算法可在兩個不同時間取得的深度影像中找尋彼此座標點之間的對應關係，這些具有對應關係的點稱之為對應點。在對應點中找尋距離較大的座標點，將其提至較高解析度的影像中再次進行的ICP對齊，直到所有對應點之間的距離皆小於一個可容忍範圍的閥值為止。在每次ICP的過程中會產生一個轉換矩陣，將各個座標點與對應的轉換矩陣進行矩陣運算後可將輸入的兩個深度影像對齊，接著合併兩個深度影像的三維座標點集合並建立網格，最後將網格依KINECT同時間所獲得的色彩資訊進行渲染，即完成動態物件的三維立體建模程序。
The purpose of this thesis is to make use of Microsoft’s KINECT for a rapid 3D model construction of objects in the real word. As KINECT is equipped with both the capability of capturing both color and depth, it can be used to construct a 3D mesh, together with the color and texture of mesh.
The main technique involved is Iterative Closest Point, or ICP in short, to align the point clouds captured from multiple viewing angles by KINECT, so that a more complete model can be obtained. As ICP is a time-consuming process, and the data for alignment is huge, a preprocessing step is performed to build a multi-resolution pyramid to reduce the data size and to speed up the ICP computation as a result. In addition, the global motion can be detected in the low-frequency component, while the local motion in the high-frequency component.
ICP can be used to align two point clouds captured at different times, and the goal is to find the correspondence in between. We start with the low-frequency component in the pyramid for ICP, and gradually refine to high-frequency component for the points which do not match well, until the correspondence of all points can be found. For each alignment, the derived transformation is performed to align a group of point cloud to the other. Finally the color/texture information acquired previously can be applied to achieve the 3D model construction.
描述:&國立臺灣科技大學資訊管理系
學位：碩士
指導教授：楊傳凱
顯示於類別:
文件中的檔案:
大小格式瀏覽次數
index.html0KbHTML49
在NTUSTR中所有的資料項目都受到原著作權保護.
※著作權聲明：本網站有權隨時編輯、暫停使用或刪除所登載之數位內容，並盡力防止侵害著作權人之權益，如仍發現網站內之數位內容有侵害著作權人權益情事者，請權利人通知本館移除該數位著作。
Copyright&&&&
Enhanced by &
Copyright&&&