分层云不确定推理系统及其逼近性能分析

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (27): 29-31.

分层云不确定推理系统及其逼近性能分析

于少伟1，2，朱峰1

1.山东英才学院计算机学院，济南 250104
2.西北工业大学自动化学院，西安 710072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-21 发布日期:2011-09-21

On hierarchical cloud inference system with uncertainty and its universal approximation performance

YU Shaowei1，2，ZHU Feng1

1.School of Computer，Shandong Yingcai University，Jinan 250104，China
2.School of Automation，Northwestern Polytechnical University，Xi’an 710072，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-21 Published:2011-09-21

摘要/Abstract

摘要： 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。

关键词: 云模型, 分层云推理系统, 逼近性能, 不确定性推理

Abstract: In order to solve the problem that the number of rules in intelligent control and prediction based on cloud model increases exponentially with the number of variables involved，a hierarchical cloud inference system with uncertainty is proposed and its approximation performance is testified.The hierarchical cloud inference system with uncertainty is constructed using the new reasoning model about uncertainty based on cloud theory and analytical expression is given，then the capability of the hierarchical cloud inference system with uncertainty approximating any continuous function on a compact set is testified.The result shows the computational expression of output results of the hierarchical cloud inference system with uncertainty satisfies the three hypothetic conditions of Stone-Weirstrass theorem and the system has global approximation property.

Key words: cloud model, hierarchical cloud inference system, approximation performance, uncertainty reasoning

于少伟1，2，朱峰1. 分层云不确定推理系统及其逼近性能分析[J]. 计算机工程与应用, 2011, 47(27): 29-31.

YU Shaowei1，2，ZHU Feng1. On hierarchical cloud inference system with uncertainty and its universal approximation performance[J]. Computer Engineering and Applications, 2011, 47(27): 29-31.

[1]	王运成，周春华，陈楚湘，吴善明，陈冰. 基于二叉知识树推理的可扩展智能排课系统[J]. 计算机工程与应用, 2021, 57(5): 251-257.
[2]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[3]	谢晖，李松月，孙永河，韩玮. 基于云模型求解属性权重的DEMATEL方法研究[J]. 计算机工程与应用, 2018, 54(7): 257-263.
[4]	徐士东，耿秀丽，董雪琦. 基于云模型的改进FMEA风险评估方法[J]. 计算机工程与应用, 2018, 54(2): 228-233.
[5]	纪蕾1，郭树荣2，丛旭辉3，刘彩霞1. 基于OWA算子和可拓云模型的PPP项目绩效评价——以经营性PPP项目为研究对象[J]. 计算机工程与应用, 2018, 54(16): 220-226.
[6]	肖子涵，耿秀丽，徐士东. 基于云模型的不确定性大群体多属性决策方法[J]. 计算机工程与应用, 2018, 54(11): 254-259.
[7]	李珣1，2，邓乾旺2，刘俊武2. 不确定条件下报废汽车回收率云模型仿真研究[J]. 计算机工程与应用, 2018, 54(10): 256-266.
[8]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[9]	崔丽群，黄殿平，宋晓. 基于云模型鱼群算法的多阈值图像分割研究[J]. 计算机工程与应用, 2017, 53(6): 204-208.
[10]	郑皎1，2，章恒全1，焦俊3，徐士东4，肖子涵4. 云模型与VIKOR集成的多属性群决策方法[J]. 计算机工程与应用, 2017, 53(24): 94-99.
[11]	陈志旺1，黄兴旺2，陈志兴3，赵子铮2，黄丽芳4. 区间多目标优化非支配排序云模型算法[J]. 计算机工程与应用, 2017, 53(22): 143-149.
[12]	柳赛男. 仓库物料运输系统多目标调度方法[J]. 计算机工程与应用, 2017, 53(18): 224-229.
[13]	冯彦卿，王伦文. 基于构造型云神经网络的电磁环境评估方法[J]. 计算机工程与应用, 2017, 53(16): 211-215.
[14]	李絮，刘争艳. 基于云模型的模糊自适应蚁群算法研究[J]. 计算机工程与应用, 2016, 52(2): 24-27.
[15]	刘争艳，李絮，王慧玲. 基于云模型的自适应蚁群算法改进研究[J]. 计算机工程与应用, 2016, 52(19): 68-71.