基于云模型的粒计算方法研究
第6章从云模型理解模糊集合的争论与发展
第1章基于云模型的粒计算方法应用
云模型是一个定性定量转换的双向认知模型，正向高斯云和逆向高斯云算法实现了一个基本概念与数据集合之间的转换关系；本文基于云模型和高斯变换提出的高斯云变换方法给出了一个通用的认知工具，不仅将数据集合转换为不同粒度的概念，而且可以实现不同粒度概念之间的柔性切换，构建泛概念树，解决了粒计算中的变粒度问题，有着广阔的应用前景。
视觉是人类最重要的感觉，人类所感知的外界信息至少有80%以上都来自于视觉[130]。图像分割[131]是一种最基本的计算机视觉技术，是图像分析与理解的基础，一直以来都受到人们的广泛关注。目前图像的分割算法有很多，包括大大小小的改进算法在内不下千种，但大致可以归纳为两类[132]。第一类是采用自顶向下的方式，从数学模型的选择入手，依靠先验知识假定图像中的部分属性特征符合某一模型，例如马尔科夫随机场、引力场等，利用模型描述图像的邻域相关关系，将图像低层的原始属性转换到高层的模型特征空间，进而建模优化求解所采用模型的参数，通常是一个复杂度非常高的非线性能量优化问题。在特征空间对图像建模，其描述具有结构性、分割结果也一般具有语义特征，但是由于对数据的未知性、缺乏足够先验知识的指导，导致模型的参数选择存在一定的困难。第二类是采用自底向上的方式，从底层原始数据入手，针对图像灰度、颜色等属性采用数据聚类的方法进行图像分割，聚类所采用的理论方法通常包括高斯变换、模糊集、粗糙集等；或者预先假设图像的统计特性符合一定的分类准则，通过优化准则产生分割结果，例如Otsu方法的最大方差准则[133][134]、Kapur方法的最大熵准则[135][136]等。这类方法虽然缺乏语义信息表达，但是直接在数据空间建模，方法更具普适性和鲁棒性。
随着计算机视觉研究的深入，简单的图像分割已经不能满足个性化的需求，有时候人们恰恰兴趣的是图像中亦此亦彼的那些不确定性区域，基于云模型的粒计算方法是一种不确定性计算方法，发现图像中存在的不确定性区域是它的一个重要能力。如何模拟人类自然视觉中的认知能力进行图像分割一直以来都是一个难点问题，而基于高斯云变换的可变粒计算正是用来模拟人类认知中的可变粒计算过程，因此可以利用高斯云变换对自然视觉认知能力中选择性注意能力进行形式化。武汉大学秦昆教授等曾基于云综合、云分解等云运算实现图像分割，正如第5章中的分析结果，基于内涵的概念计算方法随着层次的提升，概念脱离原始数据会增加误分率，甚至失效，而且无法实现自适应地概念数量和粒度优化。
1.1 图像不确定性区域处理
一幅图像中的不确定性区域主要表现在两个方面：一方面是其具有明显统计特征，宏观上导致分割目标数量发生变化，例如，一幅图像中如果颜色混合的过渡区概念已占据相当比例，在频率统计图中明显区别于背景和前景两个概念，则图像分割结果应是背景区、前景区、过渡区三个概念；另一个方面就是宏观统计特征不明显，像素点数量少不足以构成一个新概念，但是在微观上的目标边缘提取中，影响着边缘像素点的归属问题。图像中概念数量的自适应优化和目标边缘不确定性区域的提取，这两方面正是包括高斯变换在内的其他图像分割方法中面临的难题，也是高斯云变换的优势所在。
1.1.1 过渡区发现
激光熔覆是指在工业中利用高能激光束将熔覆材料与基材表面薄层一起熔凝形成添料熔覆层[132]。如何从激光熔覆图像获取精确的激光高度是激光熔覆图分割的关键，通常依靠先验知识设定概念数量的算法往往直接指定图像中存在前景和背景两个目标，忽略了过渡区域，而过渡区正是不同分割算法结果差异的关键所在，下面通过具有实例进行说明。只考虑图像的灰度值属性，那么一幅图像可以看作是在区间[0,255]上取值的一个数值矩阵，统计每个灰度值对应的像素点个数，就可以得到图像的灰度直方图，即像素灰度级的频率分布。图7.1显示了一幅256×256像素、灰度值在[0, 255]之间的激光熔覆图及其灰度直方图，白色区域为高能密度的激光，黑色区域为背景颜色，同时在前景和背景之间存在一个过渡区域。
gray f r e q u e n c e
(a) Laser1原图 (b) Laser1灰度直方图
图7.1 激光熔覆图Laser1
以图像中像素点的灰度值作为数据集合，如果采用概念基本区不重叠的变换策略，自适应高斯云变换最终生成了三个概念，如图7.2 (a)所示。利用这三个概念对图像进行分割，可以获得三个概念所对应的图像区域，如图7.2 (b)所示。
gray
f
r
e
q
u
e
n
c
e
(a) 高斯云变换曲线(b) 三色图
图7.2 将激光熔覆图Laser1聚类成3个概念并进行分割
表7.1 激光熔覆图Laser1聚类形成的3个概念
概念期望熵超熵含混度幅值
黑色背景区81.3 15.3 1.81 0.354 0.7557
灰色过渡区172.3 31.7 3.74 0.354 0.1881
白色激光区253.2 1.3 0.11 0.247 0.0562 如表7.1所示，利用自适应高斯云变换将激光熔覆图Laser1按灰度聚类成三个概念：第一个为灰度值为81.3左右黑色背景去，第二个概念为灰度值在172.3左右的灰色过渡区，第三个概念为灰度值在253.2左右白色激光区。在这幅激光熔覆图中，黑色背景和白色激光之间的灰色过渡区具有明显的灰度统计特征，形成了与白色、黑色并列的一个新概念，它具有其独立的内涵和外延。这一点在许多其他图像分割算法中并没有认识到，利用先验知识强硬地将图像分割为黑色背景区和白色激光区两类，只是在过渡区内不断寻找边界而已。例如C均值（C-means）、Otsu[133][134]、Kapur[135][136]和模糊C均值（FCM）等经典利用统计属性获得阈值的图像分割方法对激光熔覆图分割的结果如图7.3所示。虽然图像都被分成了黑色和白色两部分，但是它们划分的边界区域并不相同：Kapur方法发现图像中熵最大区域，即颜色最混乱的地方，因此并不适于激光熔覆图的分割；C均值方法的分割结果靠近黑色背景区；Otsu和模糊C均值的方法分割的结果靠近白色激光区。
(a) Kapur分割的二色图(b) C-means分割的二色图
(c) Otsu分割的二色图(d) FCM分割的二色图
图7.3利用Kapur、C-means、Otsu 和FCM对Laser1进行分割从高斯云变换的角度看，这种差异性是由于过渡区的存在造成的，因此对过渡区的发现和提取应是激光熔覆图像分割中的重点。
灰度值
频
度
分
布
（a）Laser2原图（b）高斯云变换结果（c）Laser2三色图图7.4 将激光熔覆图Laser2聚类成3个概念并进行分割
表7.2 激光熔覆图Laser2聚类形成的3个概念
概念期望熵超熵含混度幅值
黑色背景区87.97 12.2 1.60 0.393 0.659
灰色过渡区165.61 30.4 3.98 0.393 0.293
白色激光区253.08 1.5 0.10 0.205 0.048
灰度值
频
度
分
布
（a）Laser3原图（b）高斯云变换结果（c）Laser3三色图图7.5 将激光熔覆图Laser3聚类成3个概念并进行分割
表7.3 激光熔覆图Laser3聚类形成的3个概念
概念期望熵超熵含混度幅值
黑色背景区102.8 17.9 1.73 0.29 0.771
灰色过渡区194.7 25.2 2.43 0.29 0.174
白色激光区253.4 1.2 0.11 0.27 0.055 图7.4和图7.5显示了对另外两幅典型激光熔覆图像Laser2和Laser3用自适应高斯云变换分割的结果，表7.2和表7.3列出了Laser2和Laser3中概念的数字特征、含混度和幅值。可以看出高斯云变换利用黑白图像中灰度值的统计特性，可以成功提取激光熔覆图中普遍存在的灰色过渡区。
在前面已经提到过，高斯云变换不仅适用于一维数据的概念抽取，也适用于高维数据，因此可以用于彩色图像的分割。图7.6(a)显示了一幅背景带有渐进光晕的彩色图像，分辨率为321×481，前景为一只鹰站在树枝上，背景为带有颜色过渡区的淡蓝色光晕。每一个像素点都具有红、绿、蓝三个属性，利用三维高斯云变换自动获得了三个定性概念如表7.4所示。
表7.4 彩色图片聚类形成的3个概念
概念
期望
熵超熵含混度幅值红绿蓝
棕黑色目标区68.85 66.07 51.56 32.78 0 0 0.122 渐进色过渡区177.41 207.66 193.64 3.88 0.36 0.28 0.236 淡蓝色背景区148.66 178.65 176.27 16.58 1.53 0.28 0.642 棕黑色目标区除包括老鹰和树枝外，还有图像的四个角颜色也是棕黑色，它们在目标边缘提取时就被完全分开了；位于棕黑色和淡蓝色中间的渐进色过渡区也被成功提取出来，利用这三个彩色的概念对图像进行分割的结果如图7.6(b)所示。
（a）彩色原图（b）高斯云变换的分割结果
图7.6一幅带有光晕的彩色图片及其分割
在图像分割中，过渡区的存在常常会是导致分割结果不准确或者算法失效，发现并提取过渡区是一件非常重要的事情，很多时候不同图像分割算法之间的差异不是在显著目标的提取，而是过渡区域的划分归属问题。
1.1.2 目标边缘检测
边缘检测技术在数字图像处理，尤其是特征提取中非常重要，主要是标识出图像灰度、颜色等属性中变换最明显的点，目前常用的方式是通过图像属性的一阶导数和二阶导数来检测。许多成熟的边缘检测算法已集成在一些开发工具中。如在Matlab程序中就可以通过调用Edge可以实现基于Sobel算子、Prewitt算子、Roberts算子、Canny算子、Zerocross算子等多种算子边缘提取。
图7.7显示了利用canny算子对前面提到的激光熔覆图Laser1、Laser2、Laser3中白色激光区、灰色过渡区进行边缘提取的结果。
（a）Laser1边缘提取（b）Laser2边缘提取（c）Laser3边缘提取
图7.7利用传统方法实现激光熔覆图中边缘提取
白色激光区的边缘划分比较明显地连成一条直线，说明它与灰色过渡区之间不确定性的边缘节点比较少，基本都分布在这条边缘曲线上。灰色过渡区与黑色背景区之间的边缘曲线上出现很多不连续的、孤立的小圆圈，说明这部分区域的边缘节点划分混乱，具有明显的亦此亦彼性。
高斯云变换提供的概念软划分方法，对不同概念之间交叠区域的灰度，采用正向高斯云算法随机生成其对概念的确定度，因此在判断两个相邻概念之间交叠的边缘区归属时可以有效体现出这部分区域的亦此亦彼性。而这一点是包括高斯变换在内的其它算法也是无法实现的，因为在基于高斯变换分割的图像中是根据图像中的每个像素点对应在每个高斯分布上的概率值大小，决定像素点属于哪个概念，划分明确，非此即彼，因而在图像分割时，尤其是目标之间存在渐进过渡区的时候，在概念的交界处常常会出现不自然的锯齿。
图7.8中显示的结果中，白色区域表示在黑色背景区、灰色过渡区和白色激
光区三种概念中，具有明确归属的像素点；黑色区域代表在概念之间具有亦此亦彼性难以划分的像素点，外边缘为黑色背景区与灰色过渡区之间的亦此亦彼点集，内边缘为灰色过渡区与白色激光区之间的亦此亦彼点集。对于这些亦此亦彼点集在分割中不能武断地划分为任何一类。因此，每次高斯云变换的分割结果都是对这一部分点集划分的一次实现。
（a）Laser1亦此亦彼边缘（b）Laser2亦此亦彼边缘（c）Laser3亦此亦彼边缘图7.8利用高斯云变换实现激光熔覆图中概念的亦此亦彼边缘检测
1.2 自然视觉认知能力形式化尝试
《视听觉信息的认知计算》是国家自然基金委员会“十一五”的重大研究计划，这是一个复杂的基本科学问题。研究这个问题首先要分析人类自然视觉认知计算具有哪些典型特征。人类在利用视觉进行环境感知时，能够从纷繁复杂的场景中快速、准确地发现关注区。心理物理学研究表明[137]，选择性注意是人类自然视觉的一个重要能力，选择性注意的表现形式常常为：先验知识优先、全局优先、动目标优先、前景优先或差异性优先。
高斯云变换利用高斯变换在统计拟合中的数学基础，利用高斯云在定性概念表示中的认知基础，根据图像统计特征直接生成符合人类认知规律的概念数量、粒度和层次。因此高斯云变换为人类自然认知中的变粒度计算能力模拟研究提供了方法，也为高斯云变换研究自然视觉认知能力中全局优先、前景优先和差异性优先的形式化奠定了基础。
高斯云变换从数据统计分布出发，不依赖于先验知识，但是在初始参数的选择优化时可以借助先验知识。利用高斯云变换策略可以实现不同粒度上的概念抽取，因此可以用来实现全局优先的形式化；概念含混度是一个概念共识程度的度量，即图像中概念划分清晰程度的度量，这正符合前景优先的特点，可以用来实现前景优先形式化；概念期望之间的距离反映了概念之间的差异，例如颜色、灰度差异，因此可以用来实现差异性优先的形式化。
1.2.1 多粒度分割实现全局优先
全局优先，也称大尺度优先，是先从大尺度对全局信息进行认知，形成整体概念，再结合局部特征信息，对特定区域进行较细粒度的划分、识别与辨认。图
7.9 (a)是一幅图像分割中的经典图像，直观上感觉图像从大尺度上应分为两类，因为人和相机明显区别于其他背景信息。图像的其灰度直方图如图7.9 (b)所示。
灰度频度
(a) 原图 (b) 灰度直方图
图7.9 一幅灰度特征明显的photo 图像
根据大尺度优先的原则，首先采用概念外围区不交叠的粗粒度变换策略，自适应高斯云变换方法经过迭代优化，最终形成两个完全不交叠的概念，如表7.5所示。
表7.5 photo 图聚类形成的2个粗粒度概念
概念
期望 熵 超熵 含混度 幅值 黑色目标区
17.4 9.9 0 0 0.229 灰色背景区
149.7 31.1 0 0 0.771
灰度值频度分布
(a) 高斯云变换结果 (b) 二色分割结果
图7.10 采用外围区不交叠策略对photo 图进行粗粒度分割
利用聚类形成的两个从粗粒度概念对图像像素点进行分割，分割结果如图7.10所示，人和相机组成的黑色目标从背景中提取出来，整个背景中的天空、草地分成一类无法分辨，照相机支架的一条支腿也不明显。
在高斯云表征的概念中，基本区是一个最常规的粒度，就像一个社区中的基本成员是社区最常规的力量组成，既不像骨干区那么精细，也不像外围区那样粗旷。利用基本区不交叠策略，自适应高斯云变换经过迭代优化，photo 图最终自适应聚类形成三个概念，如表7.6所示。
表7.6 photo 图聚类形成的3个常规粒度概念
概念
期望 熵 超熵 含混度 幅值 黑色区
13.8 3.59 0.41 0.345 0.188 灰色区
75.6 26.9 3.48 0.387 0.131 灰白色区 156.7 17.1 2.21 0.387 0.681 利用聚类形成的三个常规粒度概念对图像像素点进行分割，分割结果如图7.11所示，相比于图7.10，部分草地和相机支架也从背景中提取出来，远处的物体虽有部分显露但是无法辨认。
灰度值频度分布
(a) 高斯云变换结果 (b) 三色分割图
图7.11 采用基本区不交叠策略对photo 图进行常规粒度分割
骨干区是一个概念的核心区域，虽然只占概念外延的22.33%，但对概念的贡献达50%。因此，骨干区不交叠是一个细粒度的变换策略，自适应高斯云变换经过迭代优化，photo 图最终形成五个细粒度概念，如表7.7所示。
表7.7 photo 图聚类形成的5个细粒度概念
概念
期望 熵 超熵 含混度 幅值 深黑色区
12.4 1.65 0.312 0.566 0.139 黑色区 24.4 7.58 1.43 0.566 0.086
浅黑色区
85.3 18.91 3.21 0.509 0.075 灰色区
131.9 12.56 2.26 0.539 0.215 灰白色区 166.1 12.22 2.20 0.539 0.485 利用聚类形成的五个概念对图像像素点进行分割，分割结果如图7.12所示，相比于图7.11，远处的楼房建筑的基本轮廓显现出来。
灰度值频度分布
(a) 高斯云变换结果 (b) 五色分割图
图7.12 采用骨干区不交叠策略对photo 图进行细粒度分割
这样一来，从外围区不交叠到基本区不交叠，再到骨干区不交叠，基于高斯云变换的图像分割先从大尺度对全局信息进行粗粒度分割，形成整体上划分的两个概念，再从较细度上发现相机支架、草地等局部特征信息，最后对天空、远处建筑等区域进行较细粒度的划分。图7.13显示了另外两幅来自伯克利标准图像库灰度统计特征明显的图片，直接利用外围区不交叠的粗粒度策略进行分割，第一幅图像中所有硬币作为一个整体从背景中提取出来，第二幅图像中深颜色的草地、树和牲畜作为一个黑色整体从背景中提取出来。
灰度值频度分布
灰度值频度分布
(a) 原图 (b) 高斯云变换 (c) 大尺度目标提取
图7.13 采用粗粒度图像分割实现大尺度优先
1.2.2 按概念含混度实现前景提取
前景优先是指优先把注意力分配给空间中比较聚焦、处于前景位置的物体上。前景目标最大的特点是聚焦、清晰，高斯云变换中的概念含混度正是用来表征划分区域的清晰程度，因此利用概念含混度可以实现前景优先的形式化。
图7.14显示了一幅分辨率为1024×717的彩色照片。一对情侣坐在由粉色和白色构成的背景画面中，其中海水和透过云层的光线勾勒出粉白相间的艺术画面。将图像中每一点看作是一个云滴，其包括红、绿、蓝三个属性，利用三维高斯云变换对其进行概念抽取和前景目标提取。
图7.14 一幅彩色艺术图像
高斯云变换自适应聚类生成了三个彩色概念，如表7.8所示，其中黑色人物区的概念含混度为0，是一个非常成熟，达成共识的概念；而图像中的背景、光线、海平面等之间存在交叠的不清晰区域，因此黑色人物是此幅图像中的前景目标。
表7.8 彩色图像聚类形成的3个概念
概念
期望
熵超熵含混度幅值红绿蓝
黑色目标区38.66 22.56 4.7 24.6 0 0 0.083 粉色背景区220.18 149.56 80.17 14.3 0.133 0.03 0.573 粉白相间区252.81 210.46 167.47 23.88 0.223 0.03 0.344 利用抽取出的三个彩色概念对图像进行三色分割，结果如图7.15所示，由于光线、海平面处于白色和粉色的混合态，所以目标区的边缘带有不确定性，而黑色人物区聚焦、清晰，被很好地从图像中分割出来，实现了图像前景目标的提取。
(a) 三色分割图(b) 前景目标提取
图7.15 高斯云变换对彩色图像的分割结果
图7.16是一幅来源于伯克利标准图像库中的一幅月夜树林图像，显然图像中有树林、背景天空和白色月亮三类目标，这一点通过自适应高斯云变换得到了印证，如图7.16(b)和表7.9所示。黑色森林区的概念含混度最小，是整幅图像中最聚焦、清晰的目标，因此将其从图像中提取出来体现了前景目标优先，如图7.16(c)所示。
灰度值
频
度
分
布
(a) 原图(b) 高斯云变换(c) 前景目标提取
图7.16 高斯云变换对月夜树林图中前景目标提取
表7.9 月夜树林图聚类形成的3个概念
概念期望熵超熵含混度幅值
黑色树林区35.7 12.27 0.44 0.11 0.329
灰色天空区78.7 2.89 0.11 0.46 0.665
白色月亮区175.1 42.16 6.76 0.46 0.0065 1.2.3 差异性目标提取
差异性优先是指把注意力优先分配给在颜色、形状、亮度等方面与周围差异
性较大的区域。在高斯云变换的结果中主要表现在期望值与其他概念距离较远，处于边缘的概念，灰度图中常常是最黑或者最白的概念。因此，在高斯云变换中利用概念期望值与其他概念之间距离较远、划分较清晰来实现差异性目标提取。
很多时候差异性优先与前景优先得到的结果相同。例如，在前面提到的激光熔覆图中，白色激光区的概念含混度最小、其期望值与其他概念期望值距离最大，因此无论是前景优先还是差异性优先得到的提取结果都是白色激光区。
但并不是所有时候差异性优先和前景优先提取的结果都是一样的，例如图7.16显示的月夜树林图中，虽然黑色森林的概念含混度最小，划分最清晰，但是它的灰度期望35.7与背景天空的灰度期望78.7相近。而白色月亮的灰度期望为175.1，灰度差异明显。因此，不同于图7.16(c)所示的前景目标提取结果，月夜树林图中差异性目标提取的结果如图7.17所示。
(a)原图(b) 差异性目标提取
图7.17 高斯云变换实现月夜树林图中差异性目标提取
上述例子表明，对于灰度值统计特征差异明显的图像，根据概念之间基本区不交叠等策略，第四章中定义的自适应高斯云变换可以实现概念抽取和图像分割。但是，如果一副图像中的灰度差异不清晰，例如在图7.18中显示了处于沙漠中的一条蛇的图像，与整幅图像背景过于近似，灰度直方图整体仅呈现为一个高斯分布，难以形成两个或者多个概念，无法进行图像分割。此时需要利用第五章中提到的从粗粒度到粒度的自适应高斯云变换，在图像中精细寻找差异性显著的目标，最终形成了表7.10所示的5个概念，其中第三和第四概念之间存在骨干区交叠。
表7.10 沙漠蛇图聚类形成的5个概念
概念期望熵超熵含混度幅值黑色区42.9 11.7 0.89 0.22 0.0124 灰黑区98.9 10.5 1.62 0.46 0.0497 灰色区126.6 5.9 1.28 0.65 0.623
灰白色区138.8 5.7 1.24 0.65 0.302
白色区域169.8 10.1 1.30 0.39 0.0126
期望灰度值为42.9的黑色区与其他概念灰度期望之间距离最远，而且概念含混度最小，只是整幅图像中划分最清晰、差异性最明显的概念，将其对应的像素区置为黑色，其它区域设置为白色背景，划分结果如图7.18 (d)所示。这一点在很多其他图像分割算法中是难以实现的。
灰度
频
度
(a) 原图(b) 灰度直方图
灰度值
频
度
分
布
(c) 高斯云变换结果(d) 差异性目标提取
图7.18自适应高斯云变换对沙漠蛇图实现差异性目标提取大尺度优先、前景优先和差异性优先在人类自然视觉的认知中并不是独立分开的，在对一幅图像的认知过程中，三个特点是融合在一起进行的。高斯云变换结合概率统计和概念认知进行图像分割，很好地体现了这三个重要的认知特点。
1.3 图像分割实验结果分析比较
与其他算法比较，高斯云变换为图像中的不确定性区域提取和处理提供了手段。高斯云变换利用概念含混度和期望之间的距离来实现差异性目标提取，图7.3中C均值、Otsu和模糊C均值等方法同样实现了激光熔覆图Laser1的差异性目标提取，用高斯云变换实现的图像分割效果如何？为此我们利用误分率和 度量这两个图像分割中的常用指标来衡量。
在Matlab环境下编程实现，利用激光熔覆图和无损检测图分割，来比较高斯云变换方法与C均值、Otsu、Kapur和模糊C均值等经典方法之间的图像分割效果差异，所有方法的都是自动优化设置参数。机器配置为Intel(R) Core(TM)2 Duo
CPU T8100 @2.10GHz + 2.09GHz 处理器，2.0GB 内存，Windows XP sp3操作系统。
1.3.1 图像分割衡量指标
误分率ME (Misclassification Error)[139]指以人眼观察结果作为标准参考图像，算法的分割结果与参考图像相比，被误分的像素占整幅图像的比例，表明图像分
其中B o 和F o 分别代表考参图像中背景和目标像素集合，B t 和F t 分别代表利用算法分割获得的背景和目标像素集合。t o B B ?是正确划分为背景的像素构成的集合，
t o F F ?是正确划分为目标的像素构成的集合，
|.|表示集合的势。ME 的取值［0，1］，0表示分割结果与参考图像完全一样，1表示分割结果和参考图像完全不一样[140]。
δ度量BDM ( Baddeley’s Delta Metric)[141]是基于Hausdorff 距离的二值化图像误差度量准则。设二值图像空间为P ，将每个二值图像看成是每个像素P p ∈有一个二元值，分别解释为背景和目标。于是目标像素集合F o 和F t 就能够唯一确定参考图像和测试图像。BDM 从像素分类误分和定位误差两个方面反映了参考图像和
其中，),(o F p d 表示像素p 到F o 中所有像素的最短距离，c 是一个非负的截断误差。BDM 值越小意味着测试图像与参考图像越相似[132]。
1.3.2 激光熔覆图分割结果比较
本组实验利用Laser1和Laser2两幅幅激光熔覆图为载体，前面在对图7.3结果的定性分析中已经看出Kapur 在激光熔覆图分割实验中，效果明显不如其他三个算法。因此，只对C-means 、Otsu 、FCM 和GCT 方法实现的差异性目标分割结果进行比较。
图7.19中依次显示了原图、激光熔覆中人工分割的参考图像、以及四种分割方法的结果。直观感觉C-means 方法分割结果误差最大，Otsu 和FCM 的结果相似，GCT 的结果最接近参考图像。
(a) 原图(b) 参考图像(c) C-means (d) Otsu (e) FCM (f) GCT
图7.19激光熔覆图分割实验
表7.11中列出了利用ME和BDM对本次实验进行定量分析的结果，包括误分像素的个数、误分率、运行时间等，GCT方法获得了最低的误分率ME，误分像素个数也最少，即误分率度量表明高斯云变换方法取得了较优的评价结果；另一方面，高斯云变换方法也获得了最小的图像距离度量BDM，表明其分割结果最接近于人工参考图像，从图7.19也可以直观地发现这种优势。
但是高斯云变换算法的运行时间明显长于其他算法，这是由于其它三种算法隐含了图像中只有背景和前景两个差异性最大目标这一先验知识，而高斯云变换完全从图像灰度的统计特征出发，自适应地生成概念个数并进行差异性目标提取，算法的时间复杂度是由于初始从灰度值统计分布中得到的峰值过多引起的，两次实验中初始统计峰值分别为23和19，峰值的约简过程就是概念数量的优化过程，没有利用先验知识，这一点在处理缺乏先验知识、大数据、多粒度、多概念的问题时，劣势就会变成优势。如果利用先验知识直接指定初始概念数为3，则算法在两次分割实验中运行时间分别为0.42秒和0.34秒。
表7.11四种分割方法效果比较
图评价指标C均值Otsu 模糊C均值GCT
Laser1
误分个数6744 3196 3110 1297
ME 0.103 0.0487 0.0474 0.0198
BDM 1.335 0.922 0.919 0.547 运行时间(秒) 1.98 0.016 0.015 6.7
Laser2
误分个数13991 5600 5360 861
ME 0.213 0.0854 0.0818 0.0131
BDM 2.211 1.212 1.196 0.375 运行时间(秒) 1.70 0.016 0.031 5.8
1.3.3 无损检测图像分割结果比较
无损检测是指在不损伤被检测对象的条件下，利用材料内部结构异常或缺陷存在所引起的对热、声、光、电、磁等物理量的变化，探测各种工程材料、零部件、结构件等内部和表面缺陷[142]。实验采用25幅来源于Sezgin提供的NDT图像库（https://www.wendangku.net/doc/4b6707721.html,/），该图像库提供了每幅无损检测图像的参考图像。
图7.20一幅字迹模糊的NDT图像
图7.20显示了一幅字迹模糊的NDT图像，此幅图像识别的目的就是要将文字从图像中提取出来，Otsu和Kapur方法常常被用于无损图像检测，并与其他方法进行比较。
(a) Otsu方法文字提取结果
(b) Kapur方法文字提取结果
图7.21 Otsu 和Kapur 方法对NDT 图的分割结果
显然，对于这幅带有干扰的文字NDT 图像，Otsu 和Kapur 方法的分割结果，对于个别单词，结合先验知识可以识别，但是大部分的单词和阴影区混淆在一起，难以辨认，分割结果并不理想。
高斯云变换方法根据图像的灰度统计特征，自适应地形成了三个概念，即黑色文字区、灰黑色的阴影区、灰白色的背景区，如图7-22和表7-12所示。
-50050100150
20025030000.005
0.01
0.015
0.02
0.0250.03
0.035
0.04
0.045
灰度值频度分布
图7.22 字迹模糊NDT 图的高斯云变换结果
表7.12字迹模糊NDT 图聚类形成的3个概念
概念
期望 熵 超熵 含混度 幅值 黑色文字区
58.7 20.1 2.14 0.32 0.066 灰黑色阴影区
148.5 23.4 2.69 0.35 0.095 灰白色背景区 209.8 7.8 0.91 0.35 0.839
其中黑色文字区的概念含混度最小为0.32，而且是一个位于最边缘，距离其他概念最远的差异性显著目标。因此，将其对应的区域从图像中提取出来，结果如图7.23所示，英文单词基本都可以被辨认出来。
图7.23高斯云变换方法的文字提取结果
图7.24显示了实验中部分NDT图像，分别利用Otsu方法、Kapur方法和GCT 方法的分割结果。高斯云变换的平均误分率为0.02%、1.42%和0.78%，Otsu方法在三幅图像中的分割结果均大于30%，基本失效。Kapur算法在前两幅图像中的误分率分别为0.39%和1.1%，但对第三幅图像的分割失效。在25幅图像实验中，高斯云变换的差异性目标提取都可以获得与参考图像接近的分割效果，平均误分率1.62%，充分证明了高斯云变换方法在NDT图像分割中的有效性，而且对于含有过渡干扰区、让很多方法失效的图像，其效果明显优于其它方法。
(a) 原图(b) 参考图像(c) Otsu (d) Kapur (e) GCT
图7.24高斯云变换对NDT图像进行分割的部分实验结果
1.4 本章小结
本章利用高斯云变换实现了图像分割，高斯变换从图像灰度、颜色等统计特征出发，自适应地形成概念数量和粒度，有效地发现了图像中存在的过渡区，在基于高斯云变换的目标边缘检测中，有效提取了目标边缘之间存在的亦此亦彼边界。自然视觉认知能力的形式化一直是计算机视觉中的一个难题，高斯云变换通
计算机病毒计算模型的研究
第!"卷第!期!##$年!月计算机学报%&’()*)+,%-./01)2*3456!"(46!777777777777777777777777777777777777777777777777777777777777777777789:6!##$ 计算机病毒计算模型的研究 田 畅郑少仁;南京通信工程学院南京!$##$<=收稿日期>$???@#"@#A B 修改稿收到日期>!###@#<@$!6本课题得到国家C 八六三D 高技术研究发展计划;E
浅谈粒度计算
浅谈粒度计算 摘要：粒度计算是新近兴起的人工智能研究领域的一个方向，本文简单介绍粒度计算的主要三个方法，以及之间的关系。关键词：粒度计算、模糊逻辑、商空间理论、粗糙集理论。;一．引言人们在思考问题时，或者是先从总体进行观察，然后再逐步深入地研究各个部分的情况；或先从各个方面对同一问题进行不同侧面的了解，然后对它们进行综合；或是上面两种方法的组合，即时而从各侧面对事物进行了解，然后进行综合观察，时而综合观察后，对不甚了解的部分再进行观察……总之，根据需要从不同侧面、不同角度反复对事物进行了解、分析、综合、推理.最后得出事物本质的性质和结论. ; 人工智能研究者对人类这种能力进行了深入地研究，并建立了各种形式化的模型.本文要介绍的粒度计算,就是对上述问题的研究的一个方面. ; 人工智能最主要的目的是，为人类的某些智能行为建立适当的形式化模型，以便利用计算机能再显人的智能的部分功能。什么是人类的最主要的智能，或者说智能的最重要表现形式是什么。各家有不同的看法，如Simon等认为人的智能表现为，对问题求解目标的搜索（Search）能力。比如学生在证明一道平面几何题目时，进行思考，“聪明的小孩”能很快地找到证明该结论的有关的定理性质，并很快地应用上去，从而就得到证明。“数学能力差的学笨赡芏椅餮埃 也坏胶鲜实亩ɡ砗托灾剩评慈迫ィ艿貌坏街っ鞯囊欤籔awlak[P1]则认为人的智能表现为对事物（事件、行为、感知等）的分类（Classification）能力。如平时我们说某医生本事大，就是这位医
生能从病人的症状中，正确地诊断出病人是患什么病（分类能力！分出患什么病来）等等。我们认为“人类智能的公认特点，就是人们能从极不相同的粒度(Granularity)上观察和分析同一问题。人们不仅能在不同粒度的世界上进行问题求解，而且能够很快地从一个粒度世界跳到另一个粒度的世界，往返自如，毫无困难。这种处理不同世界的能力，正是人类问题求解的强有力的表现”[ZH1]。还有很多不同的理解，人们正是从这些不同的理解分别建立各自的模型和相关的理论和方法。粒度计算目前国际上有三个主要的模型和方法，下面简单进行介绍。;二. 三种不同的模型; 下面简单介绍有关“粒度计算”的三个不同的模型和方法。什么是粒度，顾名思义，就是取不同大小的对象。也就是说，将原来“粗粒度”的大对象分割为若干“细粒度”的小对象，或者把若干小对象合并成一个大的粗粒度对象，进行研究。; 最近Zadeh在[ZA1]-[ZA3]中,讨论模糊信息粒度理论时，提出人类认知的三个主要概念，即粒度(granulation)、组织(organization)、因果(causation)(粒度包括将全体分解为部分，组织包括从部分集成为全体，因果包括因果的关联）。并进一步提出粒度计算。他认为，粒度计算是一把大伞它覆盖了所有有关粒度的理论、方法论、技术和工具的研究。指出：“粗略地说，粒度计算是模糊信息粒度理论的超集，而粗糙集理论和区间计算是粒度数学的子集”。Zadeh 的工作激起了学术界对粒度计算研究的兴趣，Y.Y.Yao和他的合作者对粒度计算进行了一系列的研究[Y1]-[Y3]并将它应用于数据挖掘等领域，其工作的要点是用决策逻辑语言(DL-语言)来描述集合的粒度(用满足公式f元素
五种计算公式
人力资源管理师三级（三版）计算题汇总 历年考点：定员，劳动成本，人工成本核算，招聘与配置，新知识：劳动定额的计算 一、劳动定额完成程度指标的计算方法 1.按产量定额计算产量定额完成程度指标=（单位时间内实际完成的合格产品产量/产量定额）×100% 2.按工时定额计算工时定额完成程度指标=（单位产品的工时定额/单位产品的 【能力要求】： 一、核定用人数量的基本方法（原） （一）按劳动效率定员根据生产任务和工人的劳动效率，以及出勤率来计算。 实际上是根据工作量和劳动定额来计算。适用于：有劳动定额的人员，特别是以手工操作为主的工种。公式中：工人劳动效率=劳动定额×定额完成率。劳动定额可以分为工时定额和产量定额两种基本形式，两者转化关系为： 所以无论采用产量定额还是工时定额，两者计算的结果都是相同的。一般来说，某工种生产产品的品种单一，变化较小而产量较大时，宜采用产量定额来计算。可采用下面的公式： 如果把废品率考虑进来，则计算公式为： 二、劳动定员 【计算题】： 某企业主要生产 A、B、C 三种产品，三种产品的单位产品工时定额和 2011年的订单如表所示。预计该企业在 2011 年的定额完成率为 110%，废品率为 2.5%，员工出勤率为95%。 请计算该企业 2011 年生产人员的定员人数 【解答】： A 产品生产任务总量=150×100=15000（工时） B 产品生产任务总量=200×200=40000（工时） C 产品生产任务总量=350×300=105000（工时） D 产品生产任务总量=400×400=160000（工时） 总生产任务量=15000+40000+105000+160000=320000（工时） 2011 年员工年度工日数=365-11-104=250（天/人年） 【解答】：
云计算部署模型
云计算部署模型 胡经国 本文作者的话 本文是根据有关文献和资料编写的《漫话云计算》系列文稿之一。现作为云计算学习笔录，奉献给云计算业外读者，作为进一步学习和研究的参考。希望能够得到大家的指教和喜欢！ 下面是正文 一、云计算的四种部署模型概述 1、解读一 云计算有四种部署模型，每一种都具备独特的功能，满足用户不同的需求。 ⑴、公有云 在这种部署模型下，应用程序、资源、存储和其他服务，都由云服务供应商来提供给用户。这些服务多半都是免费的；也有部分按需按使用量来付费。这种部署模型只能使用互联网来访问和使用。同时，它在私人信息和数据保护方面也比较有保证。它通常都可以提供可扩展的云服务，并能高效设置。 ⑵、私有云 这种部署模型的云计算基础设施专门为某一个企业服务；不管是自己管理还是第三方管理，自己负责还是第三方托管，都没有关系。只要使用的方式没有问题，就能为企业带来很显著的帮助。不过，这种部署模型所要面临的是，纠正、检查等安全问题，则需企业自己负责；否则除了问题也只能自己承担后果。此外，整套系统也需要自己出钱购买、建设和管理。这种部署模型，可以非常广泛地产生正面效益。从该部署模型的名称也可看出，它可以为所有者提供具备充分优势和功能的服务。 ⑶、社区云 这种部署模型是建立在一个特定的小组里多个目标相似的公司之间的。它们共享一套基础设施，企业也像是共同前进。所产生的成本，由它们共同承担。因此，所能实现的成本节约效果，也并不很大。社区云的成员，都可以登入云中获取信息和使用应用程序。 ⑷、混合云 混合云是两种或两种以上的云计算部署模型的混合体，如公有云和私有云混合。它们相互独立，但在云的内部又相互结合；可以发挥出所混合的多种云
LES,DNS,RANS三种模拟模型计算量比较及其原因
LES,DNS,RANS模型计算量比较 摘要：湍流流动是一种非常复杂的流动，数值模拟是研究湍流的主要手段，现有的湍流数值模拟的方法有三种：直接数值模拟（Direct Numerical Simulation: DNS），Reynolds平均方法（Reynolds Average Navier-Stokes: RANS）和大涡模拟(Large Eddy Simulation: LES)。直接数值模拟目前只限于较小Re数的湍流，其结果可以用来探索湍流的一些基本物理机理。RANS方程通过对Navier-Stokes方程进行系综平均得到描述湍流平均量的方程；LES方法通过对Navier-Stokes方程进行低通滤波得到描述湍流大尺度运动的方程，RANS和LES方法的计算量远小于DNS，目前的计算能力均可实现。 关键词：湍流；直接数值模拟；大涡模拟；雷诺平均模型 1 引言 湍流是空间上不规则和时间上无秩序的一种非线性的流体运动，这种运动表现出非常复杂的流动状态，是流体力学中有名的难题，其 性。传统计算复杂性主要表现在湍流流动的随机性、有旋性、统计[]1 流体力学中描述湍流的基础是Navier-Stokes（N-S）方程，根据N-S 方程中对湍流处理尺度的不同，湍流数值模拟方法主要分为三种：直接数值模拟（DNS）、雷诺平均方法（RANS）和大涡模拟（LES）。直接数值模拟可以获得湍流场的精确信息，是研究湍流机理的有效手段，但现有的计算资源往往难以满足对高雷诺数流动模拟的需要，从而限制了它的应用范围。雷诺平均方法可以计算高雷诺数的复杂流动，但给出的是平均运动结果，不能反映流场紊动的细节信息。大涡模拟基于湍动能传输机制，直接计算大尺度涡的运动，小尺度涡运动对大尺度涡的影响则通过建立模型体现出来，既可以得到较雷诺平均方法更多的诸如大尺度涡结构和性质等的动态信息，又比直接数值模拟节省计算量，从而得到了越来越广泛的发展和应用。
细分市场研究方法及市场规模测算模型探讨
细分市场研究方法及市场规模测算模型探讨 一、市场数据收集方法 （1）调研对象 外部调研对象：行业专家、行业协会、下游客户、竞争对手、供应商、经销商、代理商、合作伙伴、研究机构、大学、券商研究部等 公司内部对象：公司管理层、相关职能部门专业人员 （2）研究方法 内部访谈法、内部研讨会、问卷调查法、实地调研法、头脑风暴法、案头研究、基准分析等 （3）数据资料查找途径 商业数据库、谷歌、百度、豆丁、Chinainfobank、ISI等网站、国家统计局公布数据、年鉴、行业期刊、杂志、专业论坛、所属行业的权威机构公布数据、海关数据、行业协会公布数据、国家及行业重大政策和规划、行业研究报告、券商报告等 二、市场规模测算方法 1、市场规模测算及预测方法 （1）方法介绍 巴比社会研究法、直接投资额法、整体投资比例法、趋势外推法、回归模型法、普及率类比、瑞利多因素法、专家德尔菲预测法、直观判断预测法、时间序列分析预测法、回归分析预测法、结构分析预测法等 （2）推算思路 市场规模的推算方法较多，从行业特性来说，不同情况推算思路略有不同。从供应端和专家得到的信息和数据，并以此进行市场推估。这个方法比较适用于下游应用领域众多、消费不集中的情况；从消费端进行分层抽样再进行数据汇总，适用于下游市场比较单一，应用
领域相对集中的市场；同时采集供应端和消费端数据，并进行数据交叉验证，适用于产品或行业相对垄断，供应和消费行业都较为集中的产品或行业。 2、软件类企业案例——互动媒体系统平台 （1）背景分析： 互动媒体系统平台软件的下游行业主要包括电信运营商、广电新媒体运营商、广电网络运营商。在三网融合背景下，电信和广电运营商在基于内容的信息系统、双向网络改造、宽带升级、终端硬件投入的基础上，向广大受众提供IPTV、互动电视、网络视频、互联网电视、手机视听等各类互动媒体业务，这些业务的基础用户数量和营收情况直接影响系统平台软件的投资规模。 产业产业投资具体产品价值链环节 代表业务
阿尔法资产模型及计算方法
阿尔法资产模型及计算方法 阿尔法资产（Alpha investment）是一种风险调整过的积极投资回报。它是根据所承担的超额风险而得到的回报，因此经常用来衡量基金经理的管理和表现水平。通常会在计算时，将基准的回报减去，以便看出它的相对水平。 阿尔法资产是资本资产定价模型中的一个量效率市场假说阿尔法系数为零 计算公式： 其中的阿尔法系数(αi)是资本资产定价模型中的一个量，是证券特征线与纵坐标的截距。在效率市场假说中，阿尔法系数为零。 阿尔法系数（α系数，Alpha(α)Coefficient） α系数的定义：α系数是一投资或基金的绝对回报(Absolute Return) 和按照β系数计算的预期回报之间的差额。绝对回报(Absolute Return)或额外回报(Excess Return)是基金/投资的实际回报减去无风险投资收益（在中国为1年期银行定期存款回报）。绝对回报是用来测量一投资者或基金经理的投资技术。预期回报(Expected Return)贝塔系数β和市场回报的乘积，反映投资或基金由于市场整体变动而获得的回报。 一句话，平均实际回报和平均预期回报的差额即α系数。 α系数计算方法 α系数简单理解 α>0，表示一基金或股票的价格可能被低估，建议买入。亦即表示该基金或股票以投资技术获得平均比预期回报大的实际回报。 α<0，表示一基金或股票的价格可能被高估，建议卖空。亦即表示该基金或股票以投资技术获得平均比预期回报小的实际回报。 α=0，表示一基金或股票的价格准确反映其内在价值，未被高估也未被低估。亦即表示该基金或股票以投资技术获得平均与预期回报相等的实际回报。 例子分析
基于云模型的粒计算方法研究
第6章从云模型理解模糊集合的争论与发展
第1章基于云模型的粒计算方法应用 云模型是一个定性定量转换的双向认知模型，正向高斯云和逆向高斯云算法实现了一个基本概念与数据集合之间的转换关系；本文基于云模型和高斯变换提出的高斯云变换方法给出了一个通用的认知工具，不仅将数据集合转换为不同粒度的概念，而且可以实现不同粒度概念之间的柔性切换，构建泛概念树，解决了粒计算中的变粒度问题，有着广阔的应用前景。 视觉是人类最重要的感觉，人类所感知的外界信息至少有80%以上都来自于视觉[130]。图像分割[131]是一种最基本的计算机视觉技术，是图像分析与理解的基础，一直以来都受到人们的广泛关注。目前图像的分割算法有很多，包括大大小小的改进算法在内不下千种，但大致可以归纳为两类[132]。第一类是采用自顶向下的方式，从数学模型的选择入手，依靠先验知识假定图像中的部分属性特征符合某一模型，例如马尔科夫随机场、引力场等，利用模型描述图像的邻域相关关系，将图像低层的原始属性转换到高层的模型特征空间，进而建模优化求解所采用模型的参数，通常是一个复杂度非常高的非线性能量优化问题。在特征空间对图像建模，其描述具有结构性、分割结果也一般具有语义特征，但是由于对数据的未知性、缺乏足够先验知识的指导，导致模型的参数选择存在一定的困难。第二类是采用自底向上的方式，从底层原始数据入手，针对图像灰度、颜色等属性采用数据聚类的方法进行图像分割，聚类所采用的理论方法通常包括高斯变换、模糊集、粗糙集等；或者预先假设图像的统计特性符合一定的分类准则，通过优化准则产生分割结果，例如Otsu方法的最大方差准则[133][134]、Kapur方法的最大熵准则[135][136]等。这类方法虽然缺乏语义信息表达，但是直接在数据空间建模，方法更具普适性和鲁棒性。 随着计算机视觉研究的深入，简单的图像分割已经不能满足个性化的需求，有时候人们恰恰兴趣的是图像中亦此亦彼的那些不确定性区域，基于云模型的粒计算方法是一种不确定性计算方法，发现图像中存在的不确定性区域是它的一个重要能力。如何模拟人类自然视觉中的认知能力进行图像分割一直以来都是一个难点问题，而基于高斯云变换的可变粒计算正是用来模拟人类认知中的可变粒计算过程，因此可以利用高斯云变换对自然视觉认知能力中选择性注意能力进行形式化。武汉大学秦昆教授等曾基于云综合、云分解等云运算实现图像分割，正如第5章中的分析结果，基于内涵的概念计算方法随着层次的提升，概念脱离原始数据会增加误分率，甚至失效，而且无法实现自适应地概念数量和粒度优化。
复利及年金计算方法公式
复利终值与现值 由于利息的因素，货币是有时间价值的，从经济学的观点来看，即使不考虑通胀的因素，货币在不同时间的价值也是不一样的；今天的１万元，与一年后的１万元，其价值是不相等的。例如，今天的１万元存入银行，定期一年，年利１０％，一年后银行付给本利共１．１万元，其中有０．１万元为利息，它就是货币的时间价值。货币的时间价值有两种表现形式。一是绝对数，即利息；一是相对数，即利率。 存放款开始的本金，又叫“现值”，如上例中的１万元就是现值；若干时间后的本金加利息，叫“本利和”，又叫“终值”，如上例的１．１万元就是终值。 利息又有单利、复利之分。单利的利息不转为本金；复利则是利息转为本金又参加计息，俗称“利滚利”。 设ＰＶ为本金（复利现值）ｉ为利率ｎ为时间（期数）Ｓ为本利和（复利终值） 则计算公式如下： １．求复利终值 Ｓ＝ＰＶ（１＋ｉ）＾n （１） ２．求复利现值 ＰＶ＝Ｓ／（１＋ｉ）＾n （２） 显然，终值与现值互为倒数。 公式中的（１＋ｉ）＾n 和１／（１＋ｉ）＾n 又分别叫“复利终值系数”、“复利现值系数”。可分别用符号“Ｓ（ｎ，ｉ）”、“ＰＶ（ｎ，ｉ）”表示，这些系数既可以通过公式求得，也可以查表求得。
例１、本金３万元，年复利６％，期限３年，求到期的本利和（求复利终值）。 解:Ｓ＝ＰＶ（１＋ｉ）＾n 这（１＋ｉ）＾n 可通过计算，亦可查表求得， 查表，（１＋６％）＾3＝１．１９１ 所以Ｓ＝３万×１．１９１＝３．５７３万元（终值） 例２、５年后需款３０００万元，若年复利１０％，问现在应一次存入银行多少？（求复利现值） 解：ＰＶ＝Ｓ×１／（１＋ｉ）＾n＝３０００万×１／（１＋１０％）＾5查表，１／（１＋１０％）＾5＝０．６２１ 所以，Ｓ＝３０００万×０．６２１＝１８６３万元（现值）
第1章粒计算的艺术-theDepartmentofComputerScience-University
第1章粒计算的艺术 姚一豫 (Yiyu Yao) Department of Computer Science, University of Regina Regina, Saskatchewan, Canada, S4S 0A2 E-mail: yyao@cs.uregina.ca http://www2.cs.uregina.ca/~yyao/ 1.1引言 粒计算（Granular Computing）是一门飞速发展的新学科。它融合了粗糙集、模糊集以及人工智能等多种理论的研究成果。在短短十年的发展中，我们已经见证了它对科学及计算机科学的作用和影响。诸多学者就粒计算的基本理论和方法做了大量工作（见本章参考文献），但为粒计算下一个正式的、精确的、并且能够广为接受的定义仍然是一件困难的事情。虽然如此，我们仍然可以从问题求解及实践中提取出一些通用的理论和基本要素[1]。我们对粒计算的描述是建立在对它的直觉认识上的：粒计算是研究基于多层次粒结构的思维方式、问题求解方法、信息处理模式，及其相关理论、技术和工具的学科。 在中国，粒计算的研究已引起众多学者的关注与兴趣。本书的附录比较全面地收录了近年在国内期刊发表的粒计算方面的文章。包括，基于商空间理论的粒计算模型[2]，模糊商空间及粒计算的商闭包空间模型(张钹和张铃等) [3,4,5,6]；粒计算的覆盖模型，粗糙集与粒计算的交叉问题的研究(张文修等)[7,8]；粒、规则与例外的关系(王珏等) [9,10,11,12]；粒计算的理论、模型与方法的探讨(苗夺谦等) [13,14,15,16,17,18]；基于Dempster-Shafer理论和粗糙集的近似和知识约简(吴伟志等) [19, 20,21,22]；几种基于覆盖粗糙集的粒计算模型(祝峰和王飞跃)[23,24,25]；粒逻辑及其归结原理(刘清等) [26,27,28,29,30]；基于关系的粒计算模型，粒化思想在图像的纹理识别上的应用(史忠植等) [31,32,33,34]；基于相容关系的粒计算模型，粒计算在进化计算、机器学习中的应用(王国胤等) [35,36,37,38,39]；使用粒计算进行知识获取的方法(梁吉业和李德玉) [40]；基于泛系理论的粒计算模型(李永礼和林和等) [41,42,43]；使用粒分析来描述、刻画粒计算的思考(李凡长)；等等。 粒计算的基本思想、原理和策略出现在不同的学科和领域里[44,45,46]。本书的其他章节对粒计算的模型和方法有非常精彩和深刻的讨论。因此，我们在本章将不讨论具体某一个理论、方法、工具或应用，而更侧重于把粒计算作为一个独立的学科进行研究。这要求我们回答下面一些基本问题： 1.为什么要研究粒计算？ 2.粒计算的独特性在哪里？
计算方法公式总结
计算方法公式总结 绪论 绝对误差 e x x * =-，x *为准确值，x 为近似值。 绝对误差限 ||||e x x ε*=-≤，ε为正数，称为绝对误差限 相对误差* r x x e e x x **-==通常用r x x e e x x *-==表示相对误差 相对误差限||r r e ε≤或||r r e ε≤ 有效数字 一元函数y=f （x ） 绝对误差 '()()()e y f x e x = 相对误差''()()()()()()() r r e y f x e x xf x e y e x y y f x =≈= 二元函数y=f （x 1,x 2）
绝对误差 12121212 (,)(,)()f x x f x x e y dx dx x x ??=+?? 相对误差121122 1212(,)(,)()()()r r r f x x x f x x x e y e x e x x y x y ??=+?? 机器数系 注：1. β≥2，且通常取2、4、6、8 2. n 为计算机字长 3. 指数p 称为阶码（指数），有固定上下限L 、 U
4. 尾数部 120.n s a a a =± ，定位部p β 5. 机器数个数 1 12(1)(1)n U L ββ-+--+ 机器数误差限 舍入绝对 1|()|2 n p x fl x ββ--≤截断绝对|()|n p x fl x ββ--≤ 舍入相对1|()|1||2 n x fl x x β--≤截断相对1|()|||n x fl x x β--≤ 秦九韶算法 方程求根 ()()()m f x x x g x *=-，()0g x ≠，*x 为f （x ）=0的m 重根。 二分法
基于Google的云计算实例分析
Computer Knowledge and Technology电脑知识与技术第5卷第25期(2009年9月) 基于Google的云计算实例分析 蔡键1，王树梅2 （1.徐州师范大学现代教育技术中心，江苏徐州221116；2.徐州师范大学计算机科学与技术学院，江苏徐州221116） 摘要：首先介绍了云计算产生的背景、概念、基本原理和体系结构，然后以Google系统为例详细阐述了云计算的实现机制。云计算是并行计算、分布式计算和网格计算等计算机科学概念的商业实现。Google拥有自己云计算平台，提供了云计算的实现机制和基础构架模式。该文阐述了Google云计算平台：GFS分布式文件、分布式数据库BigTable及Map/Reduce编程模式。最后分析了云计算发展所面临的挑战。 关键词：云计算；集群；谷歌文件系统；大表；映射/化简 中图分类号：TP311文献标识码：A文章编号：1009-3044(2009)25-7093-03 Cloud Computing System Instances Based on Google CAI Jian1,WANG Shu-mei2 (1.Xuzhou Normal University Modern Educational Technology Center,Xuzhou221116,China;2.Xuzhou Normal University,School of Computer Science&Technology,Xuzhou221116,China) Abstract:This paper introduces the backgrounds,concept,basic principle and infrastructure of cloud computing firstly.Then it surveys im-plementation mechanism of clouding computing based on the instances of Google.Cloud computing is the system in enterprises based on the concepts of computer science.These concepts include parallel computing,distributed computing and grid computing.Google has his own platform of cloud computing.It provides implementation mechanism and infrastructure of cloud computing.This paper surveys the platform of cloud computing:Google File System,Distributed database-BigTable and Map/Reduce.Finally the paper analyse the challenge of cloud computing. Key words:cloud computing;cluster;GFS;bigtable;map/reduce 自2007年第4季度开始，“云计算”变成了IT领域新的热点。而2008年被称为云计算的元年，Google、Amazon、IBM、微软等IT 巨头们以前所未有的速度和规模推动云计算技术和产品的普及。本文介绍一些关于云计算的一些基本概念及Google提出的云计算模型及实现机制。 1云计算综述 云计算是并行计算(Parallel Computing)、分布式计算(Distributed Computing)和网格计算(Grid Computing)的发展，或者说是这些计算机科学概念的商业实现。 云计算是虚拟化(Virtualization)、效用计算(Utility Computing)、IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS(软件即服务)等概念混合演进并跃升的结果。 1.1云计算的概念 云计算现在还没有统一标准的定义，一些大公司在自己的技术文档里给出了自己的定义。例如云计算在IBM的文档中对云计算的定义是：云计算一词用来描述一个系统平台或者一种类型的应用程序。一个云计算的平台按需进行动态的部署、配置、重新配置以及撤销服务等。 而对云计算更加通用的的定义是：云计算是一种商业计算模型。它 将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根 据需要获取计算力、存储空间和各种软件服务。从这个定义上讲可把云 计算看成是“存储云”与“计算云”的有机结合。存储云对第三方用户公 开存储接口，用户通过这个接口可以把数据存储到“云”。计算云通过并 行计算和虚拟化技术给用户提供计算力，它的商业模式是给用户提供计 算力。 1.2云计算实现机制 图1简单的描述了云计算的实现机制。用户通过用户交互接口 (User interaction interface)来请求服务云。一个用户能够请求的所有服务 目录存放在服务目录（Services catalog）里。系统管理（System manage- ment）是用户管理计算机资源是否可用。服务提供工具（Provisioning tool）用来处理请求的服务，需要部署服务配置。监控统计（Monitoring 收稿日期：2009-05-07 作者简介：蔡键，硕士，讲师，主研领域为图形图像处理，网格技术。图1云计算实现机制 ISSN1009-3044 Computer Knowledge and Technology电脑知识与技术Vol.5,No.25,September2009,pp.7093-7095，7107 E-mail:info@https://www.wendangku.net/doc/4b6707721.html, https://www.wendangku.net/doc/4b6707721.html, Tel:+86-551-56909635690964
不同计算模型方法比较
性能： HF << MP2 < CISD< MP4(SDQ) ~CCSD< MP4 < CCSD(T) MNDO:低估了激发能，活化能垒太高。键旋转能垒太低。超价化合物以及有些位阻的体系算出来过于不稳。四元环太稳定。过氧键太短，C-O-C醚键角太大，负电型元素间键长太短，氢键太弱且太长。 PRDDO:参数化到溴和第三周期金属。适合无机化合物、有机金属化合物、固态计算、聚合物模拟。目标数据是从头算结果。整体结果不错，偶尔碱金属的键长有误。 AM1:不含d轨。算铝比PM3好，整体好于MNDO。O-Si-O不够弯、旋转势垒只有实际1/3，五元环太稳定，含磷化合物几何结构差，过氧键太短，氢键强度虽对但方向性错，键焓整体偏低。 SAM1:开发AMPAC公司的semichem公司基于AM1扩展出来的，明确增加了d轨道。由于考虑更多积分，比其它半经验方法更耗时。精度略高于AM1和PM3。振动频率算得好，几乎不需要校正因子。特地考虑了表达相关效应。 PM3:比AM1整体略好一点点。不含d轨。氢键键能不如AM1但键角更好，氢键过短，肽键C -N键旋转势垒太低，用在锗化合物糟糕，倾向于将sp3的氮预测成金字塔形。Si-卤键太短。有一些虚假极小点。一些多环体系不平，氮的电荷不对。 PM3/MM:PM3基础上加入了对肽键的校正以更好用于生物体系。 PM3(TM):PM3加了d轨，参数是通过重现X光衍射结构得到的，因此对其它属性计算不好，几何结构好不好取决于化合物与拟合参数的体系是否相似。 PM4:没做出来或者没公布。 PM6:可以做含d轨体系。最适合一般的优化、热力学数据计算。Bi及之前的元素都能做。比其它传统和新发展的半经验方法要优秀。但也指出有不少问题，比如算P有点问题，算个别势垒有时不好，JCTC,7,2929说它对GMTKN24测试也就和AM1差不多，卤键不好。
粒计算研究现状及展望
龙源期刊网 https://www.wendangku.net/doc/4b6707721.html, 粒计算研究现状及展望 作者：谢刚刘静 来源：《软件》2011年第03期 摘要：在信息处理中，粒计算是一种新的概念和计算范式,其本质是透过合适粒度的层次 来对问题进行求解,并且在此过程中去除繁冗，降低实现的复杂度。本文主要对粒计算提出的 背景、概念、研究现状及发展趋势进行论述，同时也给出了作者自己的评论，最后探讨了粒计算的进一步发展方向。 关键词：粒计算; 粗糙集; 模糊集; 商空间 中图分类号：TP18, TP206文献标识码Adoi: 10.3969/j.issn.1003-6970.2011.03.002 A Review of the Present Studying State and Prospect of Granular Computing XIE Gang, LIU Jing (College of Information Engineering, Taiyuan University of Technology, Taiyuan 030024, China) 【Abstract 】 Granular computing (GrC) is an emerging conceptual and computing paradigm of information processing, which it sought essentially problems of a better and approximate solution to reduce the complexity of problem solving by the right choice of granularity. In this paper, the proposed background, the present studying state and its developing direction of granular computing are summarized. 【Key words】granular computing; rough set;fuzzy set; quotient space 0引言 “概念必须有明确的边界。没有明确边界的概念，将对应于一个在周围没有明确界线的区域。”这是谓词逻辑的创始人Frege曾经说过的话，在此基础上他提出了概念的“含糊性”和“边界”问题[1]。由此1965年L.A.Zadeh创立了模糊集理论，突破了经典集合简单的“是”与“否”的“明确边界”，为模拟人类思维、处理模糊信息提供了新的工具。20世纪70年代到80年代初, 人们将物理学中把大型物质划分为颗粒、分子、原子的思想引入到信息领域，用于处理现实世界中的不精确、不完整的海量信息以实现智能系统或智能控制。1979年Zadeh发表的论文“模糊集与信息粒度”，成为世界上第一篇专门论述“信息粒度”的论文[2]。粗糙集的创始人Zdzislaw Pawlak于1982年也提出了信息的“粒度性”概念[3]。在1985年的国际人工智能联合会上，Hobss直接用粒度(Granularity)这个词作为论文题目发表论文[4]，并进一步探讨了不同层次的粒度和不同大小颗粒，粒度的分解与合并等问题。1988年T. Y .Lin教授提出邻域系统并研
国外结算模型体系的主流方法比较
国外结算模型体系的主流方法比较 焦燕冬 国外结算模型体系主要有四种主流方法及相关理论，它们分别是成本法、资费法、收入比例分成法和呼叫方保留全部收入法(SKA)，见表1。在对世界范围内一些有代表性国家的网间互联政策进行比较研究后发现，以长期增量成本为基础计算结算费是国际主流趋势。而资费法，尤其是芬兰的独立资费，简单明了，易于操作，矛盾较少，可作为成本法之外的一种重要借鉴。至于收入比例分成法和呼叫方保留全部收入法对我们的借鉴意义不大。因此，我们在结算体系设计中应该重点研究成本法和资费法。下面将重点介绍这几种方法。 表1 结算方法比较 方法适用网络监管定位应用国家是否借鉴 SKA 在两个运营商处于相类似的地位并且互 相交换相近数量的电信流量这种方法最 为有效。适用于两网成本差异不大、来 去话业务量大致相等或者互联成本甚微 的情况，多为互联网网间结算所采用； 降低管制成本；放松 管制 印度、美国、加 拿大、(本地运营 上的互联) IP-IP结算 收入 分成法适用于竞争初期固网-固网之间； 一些发展中国家采 用收入分成方法，往 往是作为改革过程 中的一种过渡方式 泰国、印度尼西 亚、马来西亚(99 年前) 否 资费 法移动网、固定网 站在消费者角度，激 励企业降低资费；减 少管制成本 新西兰、芬兰 移动接续费的 制定 完全分摊 成本法较少被采用传统固定网络 英国、日本(1995 年以前)、瑞典 否 长期增量成本法主流方法：广泛应用于固网接续费、移 动接续费等 激励运营商效率，促 进公平竞争，精确化 管理 美国、英国、欧 盟、澳大利亚等 等 主要应用英国 方法，计划采用 全业务等等
粒计算研究综述
第2卷第6期 智 能 系 统 学 报 V ol.2 .62007年12月 CAAI T ransactions on Intelligent Systems D ec.2007 粒计算研究综述 王国胤1,2,张清华1,2,胡 军1,3 (1.重庆邮电大学计算机科学与技术研究所,重庆400065; 2.西南交通大学信息科学与技术学院,四川成都610031;3.西安电子科技大学电子工程学院,陕西西安710071) 摘 要:粒计算(gr anular computing)是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法.它覆盖了所有有关粒度的理论、方法和技术,是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具.首先回顾了粒计算研究和发展状况,介绍了粒计算的基本组成和问题,综述了粒计算的基本模型和方法,并讨论了它们之间的相互关系,最后探讨了构建统一的粒计算模型、复杂问题空间的粒化、粒层之间的转换、高效的粒计算方法、新的粒计算模型、动态粒计算模型、自主粒计算模型、粒计算方法的模糊化以及粒计算模型的应用和推广等几个方面的关键问题.关键词:粒计算;数据挖掘;智能信息处理;粗糙集;模糊集;商空间 中图分类号:T P18 文献标识码:A 文章编号:1673 4785(2007)06 0008 19 An overview of granular computing WAN G Guo yin 1,2,ZHANG Qing hua 1,2,HU Jun 1,3 (1.Institute of Comput er Science &T echno lo gy ,Cho ng qing U niversit y of Po st s and T eleco mmunications,Chong qing 400065,China;2.Scho ol of Infor matio n Science &T echnolog y,Southwest Jiao tong U niv ersit y,Chengdu 610031,China; 3.School of Electro nic Engineer ing,Xidian U niver sity,Xi an 710071,China) Abstract:In the field of com putational intelligence,granular computing (GrC)is a new w ay to simulate hu m an thinking to help solve co mplicated problems.Gr C involv es all the theories,methodo logies and tech niques o f granularity,pr oviding a pow erful to ol for the so lution of complex problems,m assiv e data min ing,and fuzzy information pr ocessing.In this paper,first the current situation and the developm ent pros pects of GrC are introduced,then the fundamental and ex isting problem s r elated to GrC ar e presented and its basic models and metho ds summ arized.Finally,som e future research topics abo ut GrC are presented,such as,uniform granular co mputing mo del,granulation of complex pro blem space,transform ation be tw een granule spaces,efficient g ranular co mputing algor ithm,nov el g ranular co mputing model,dy namic granular co mputing m odel,data driven g ranular co mputing m odel,fuzzy gr anular co mputing method,and the applications of gr anular computing models,etc. Keywords:g ranular computing;data m ining;intelligent inform ation processing;roug h sets;fuzzy sets;quotient space 收稿日期:2007 04 02. 基金项目:国家自然科学基金资助项目(60573068);新世纪优秀人才 支持计划;重庆市教委科学技术研究资助项目(KJ060517). 自Zadeh 1979年发表论文!Fuzzy sets and in form ation granularity ?以来[1],研究人员对信息粒度化的思想产生了浓厚的兴趣.Zadeh 认为很多领域都存在信息粒的概念,只是在不同领域中的表现形式不同.自动机与系统论中的!分解与划分?、最优 控制中的!不确定性?、区间分析里的!区间数运算?、以及D S 证据理论中的!证据?都与信息粒密切相关.H obss 在1985年直接用!粒度(granularity)?作为论文题目发表论文[2],讨论了粒的分解和合并,以及如何得到不同大小的粒,并提出了产生不同大小粒的模型.Lin 在1988年提出邻域系统并研究了邻域系统与关系数据库之间的关系 [3] .1996年,他在 U C Berkeley 大学访问时,向Zadeh 提出作!granu