本發(fā)明屬于智能信息處理技術領域，特別涉及一種基于廣義一般二型模糊集合的詞計算方法及其裝置。

背景技術：

人工智能自從誕生之日起已經取得了許多令人矚目的成就，例如無人機、無人車、無人船、機器人等等。然而，伴隨著它的成功，人工智能仍然面臨著巨大的局限和挑戰(zhàn)-機器模擬的智能還遠達不到人類的智能，不能滿足實際的需求。究其原因，我們發(fā)現當需要處理的信息(感性信息)具有不精確、不確定、非完整等特征時，人工智能所使用的傳統(tǒng)的計算范式效果不佳。如何有效的處理感性信息就成為信息和人工智能領域專家面前的一道難題。模糊理論的創(chuàng)始人zadeh為解決這一問題提出了一種新的計算范式-詞計算理論(基于感性信息的計算理論)。本質上，詞計算是利用自然語言描述的信息進行推理、計算和決策的方法。它的基本問題之一是如何合理有效的表示自然語言(感性信息)的不確定性。由于模糊邏輯和詞計算概念的內在本質的聯(lián)系，模糊集合成為描述感性信息顆粒度的必然模型。根據模糊集合的復雜程度，不同的學者提出了不同的詞計算方法。莫紅、王飛躍等采用一型模糊集合提出兩類詞計算方法。基于模糊擴展原理的i型詞計算和基于mamdani模糊推理的ii型詞計算。由于他們的方法僅適用于單變量的情況(實際使用時多為多變量的計算)而且一型模糊集合隸屬函數一旦確定，它的不確定性就完全消失，所以該方法在實際使用時有很大局限性。近年來，二型模糊集合作為詞語模型的詞計算方法逐漸受到關注。mendel、dongruiwu等采用區(qū)間值二型模糊集合提出了一種新的詞計算方法。但是他們所采用的二型模糊集合是一種非常特殊的二型模糊集合，它的次隸屬度均等于1(不能描述主隸屬度取值的不確定性)而且次隸屬函數的支集是單連通的，不確定覆蓋域的上下邊界隸屬函數是連續(xù)的。在實際使用時，很多情況下得到的詞語(二型模糊集合)都不符合以上的條件，這極大限制了它的應用。h.hagras提出采用線性一般二型模糊集合的詞計算方法，相比于mendel和wu的方法，線性一般二型模糊集合的次隸屬度的取值不再是1而是與論域和主隸屬度都相關的線性函數，而且在詞計算中所涉及的詞語只包括兩個意義相反的形容詞。在上述詞計算方法中，需要假設副詞對形容詞的修飾是線性關系，事實上存在大量不符合以上假設的情形，限制詞計算方法的實際應用。

技術實現要素：

針對現有技術中的不足，本發(fā)明提供一種基于廣義一般二型模糊集合的詞計算方法及其裝置，解決現有技術中詞計算應用受限等問題，有效降低詞計算誤判率，大大提高人工智能設備詞計算的效率及準確度。

按照本發(fā)明所提供的設計方案，一種基于廣義一般二型模糊集合的詞計算方法，包含如下內容：

步驟1、根據具體問題，構建其輸入、輸出詞語廣義一般二型模糊集合模型；

步驟2、建立各個評估標準的單變量規(guī)則模塊，對于每一個待評估對象，通過廣義一般二型模糊集合接近度，測量其實際輸入評估標準語言值和相應單變量規(guī)則模塊規(guī)則前件的接近度將其作為信息聚合算子的權值，和相應規(guī)則后件進行聚合計算獲取中間輸出詞語語言值；

步驟3、針對單變量規(guī)則模塊，根據其權值和相應中間輸出詞語語言值采用信息聚合計算得到最終輸出詞語語言值。獲取所有f個待評估對象的最終輸出詞語語言值；

步驟4、對于所有f個最終輸出詞語語言值，采用分數函數方法進行排序確定多個待評估對象的相互關系，或通過計算最終輸出詞語語言值與已知輸出詞語語言值接近度并選取接近度最大的已知輸出詞語語言值作為最后輸出結果。

上述的，所述的步驟1包含如下內容：

步驟11、根據評估標準和評估結果收集區(qū)間數據，獲取嵌入一型和/或區(qū)間值二型模糊集合；

步驟12、根據嵌入一型和/或區(qū)間值二型模糊集合，構造廣義一般二型模糊集合水平切片，得到廣義一般二型模糊集合詞語模型

步驟13、確定輸入詞語語言值輸出詞語語言值及對于所有f個待評估對象針對每個評估標準確定實際輸入詞語語言值，其中，n為評估標準數目，si為輸入評估標準詞語語言值數目，g為輸出評估結果詞語語言值數目。

優(yōu)選的，所述的步驟11中收集的區(qū)間數據包含確定區(qū)間數據和/或不確定區(qū)間數據其中，和為精確值，和為區(qū)間數，針對確定區(qū)間數據，通過多目標限制優(yōu)化方法獲取一型模糊集合及其標準三角隸屬函數；對于不確定區(qū)間數據，兩個端點區(qū)間數和按照均勻分布原則選取隨機端點和得到確定區(qū)間數據通過多目標限制優(yōu)化方法獲取一型模糊集合及其標準三角隸屬函數對于所有m個確定區(qū)間數據得到相應的m個嵌入一型模糊集合，采用作為區(qū)間值二型模糊集合的不確定覆蓋域，其中，和分別表示下、上邊界隸屬函數。

上述的，所述的步驟12中，根據步驟11獲取的嵌入一型和/或區(qū)間值二型模糊集合，構造廣義一般二型模糊集合水平切片，當z＝0時，對應的水平切片為當z＝1/n時，對應的水平切片是n個一型和/或區(qū)間值二型模糊集合所有論域元素及其對應的隸屬度組成的二維區(qū)域并集當z＝2/n時，對應的水平切片是從n個一型和/或區(qū)間值二型模糊集合中任選兩個求兩者論域元素及其隸屬度組成二維區(qū)域的交集，求所有個交集的并集依次得到z＝3/n，…，z＝1分別對應的水平切片得到廣義一般二型模糊集合詞語模型，表示為：

優(yōu)選的，所述的步驟2包含：

步驟21、根據廣義一般二型模糊集合的距離測度和接近度的關系通過計算實際輸入評估標準語言值和相應單變量規(guī)則模塊模糊規(guī)則前件的距離獲得接近度

步驟22、對于每一單變量規(guī)則模塊中的所有規(guī)則，采用接近度作為前件和實際輸入評估標準語言值匹配度，與相應規(guī)則后件進行加權平均，計算得到中間輸出詞語語言值；

步驟23、對于每一待評估對象的n個實際輸入評估標準語言值分別計算它們和對應單變量規(guī)則模塊的中間輸出詞語語言值遍歷f個待評估對象，得到nf個中間輸出詞語語言值。

更進一步，所述的步驟21包含：對于實際輸入語言評估值和單變量規(guī)則模塊規(guī)則前件對應的水平切片和對應的兩個zt水平切片在論域元素xq處的隸屬度和分別對其子區(qū)間根據中心(λ表示或)的大小按照從小到大的順序排列，判斷和大小，如果兩者不等，較小者用它隸屬度中最大子區(qū)間補足直到兩者數量相等；得到隸屬度相同大小位置子區(qū)間和根據兩者距離計算兩個對應zt水平切片論域元素xq的隸屬度距離；論域離散化后元素的數目為nx，對論域所有元素的隸屬度距離計算平均值獲得對應zt水平切片的距離；根據zt水平切片的距離和對應的權值zt加權平均，得到廣義一般二型模糊集合距離，獲取接近度

優(yōu)選，所述的步驟22中，對于單變量規(guī)則模塊規(guī)則后件e＝1,2,…,g采用水平切片定理得到它的zt水平切片，將它的論域離散化，對于論域元素ya的隸屬度根據子區(qū)間中心按從小到大排列順序；比較單變量規(guī)則模塊中所有規(guī)則后件在(ya,zt)處對應隸屬度子區(qū)間的數目最大值記為對于子區(qū)間數目小于最大值的隸屬度用最大子區(qū)間補足；對于對應大小位置的隸屬度子區(qū)間進行加權平均；遍歷所有論域元素ya和zt水平切片，a＝1,2,…,ny，t＝0,1,…,n，得到單變量規(guī)則模塊的中間輸出詞語語言值。

更進一步，所述的步驟3包含：

步驟31、設定有m組輸入評估詞語語言值和最終輸出詞語語言值為所有單變量規(guī)則模塊對應權值表示為{wt1,wt2,…,wtn}，計算m個實際輸出詞語語言值和已知輸出詞語語言值的接近度得到m個n元目標函數通過約束多目標優(yōu)化算法求解n元目標函數的最大值，從求解結果{wt1^τ,wt2^τ,…,wtn^τ}τ＝1^θ中選取一組最優(yōu)解{wt1^b,wt2^b,…,wtn^b}；

步驟32、針對單變量規(guī)則模塊，通過步驟31得到規(guī)則模塊權值和相應中間輸出詞語語言值計算待評估對象的最終輸出詞語語言值

步驟33、遍歷待評估對象，根據它們的中間輸出詞語語言值和相應權值信息聚合得到最終輸出詞語語言值

一種基于廣義一般二型模糊集合的詞計算裝置，包含：詞語模型構建模塊、中間輸出獲取模塊、最終輸出確定模塊及實際問題求解模塊，其中，

詞語模型構建模塊，用于根據具體問題通過其輸入、輸出詞語構建廣義一般二型模糊集合詞語模型；

中間輸出獲取模塊，用于建立各個評估標準的單變量規(guī)則模塊，并對于每一個待評估對象，通過廣義一般二型模糊集合接近度，測量其實際輸入評估標準語言值和相應單變量規(guī)則模塊規(guī)則前件的匹配度，并通過信息聚合計算獲取中間輸出詞語語言值；

最終輸出確定模塊，針對n個單變量規(guī)則模塊，根據其權值和中間輸出詞語語言值通過信息聚合計算得到最終輸出詞語語言值，遍歷f個待評估對象獲得它們的最終輸出詞語語言值；

實際問題求解模塊，針對最終輸出詞語語言值，通過分數函數方法進行排序來確定多個待評估對象相互關系，或通過計算最終輸出詞語語言值與已知輸出詞語語言值接近度并通過其選取相應詞語作為最后輸出結果確定待評估對象實際輸出的詞語語言值。

上述的詞計算中，所述的詞語模型構建模塊包含：數據收集單元、模型構建單元及語言值確定單元，其中，

數據收集單元，用于根據評估標準收集區(qū)間數據，該區(qū)間數據包含確定區(qū)間數據和/或不確定區(qū)間數據并根據區(qū)間數據獲取一型和/或區(qū)間值二型模糊集合，其中，和為精確值，和為區(qū)間數，

模型構建單元，用于根據一型和/或區(qū)間值二型模糊集合構造廣義一般二型模糊集合水平切片，得到廣義一般二型模糊集合詞語模型

語言值確定單元，用于確定輸入詞語語言值、輸出詞語語言值、和對于所有f個待評估對象針對每個評估標準確定實際輸入詞語語言值。

本發(fā)明的有益效果：

本發(fā)明采用廣義一般二型模糊集合作為詞語模型，能夠全面且層次明晰地同時表示收集信息的共性和個體差異，克服了傳統(tǒng)詞語模型表示的缺陷；通過單變量規(guī)則模塊連接多變量詞計算模型，解決由于輸入詞語維數較高引起模糊規(guī)則急劇增加帶來的“維數災”問題，極大減少詞計算過程的時間花銷，通過廣義一般二型模糊集合詞語模型和各個評估標準的單變量規(guī)則模塊，有效提高人工智能設備中詞計算效率及準確率，具有更加廣闊的應用前景。

附圖說明：

圖1為本發(fā)明的方法流程示意圖；

圖2為實施例具體方案流程圖；

圖3為實施例中構建詞語模型流程示意圖；

圖4為實施例中獲取中間輸出詞語語言值流程示意圖；

圖5為實施例中獲取最終輸出詞語語言值流程示意圖；

圖6為本發(fā)明的裝置示意圖；

圖7為實施例中詞語模型構建模塊示意圖；

圖8為離散論域典型廣義一般二型模糊集合示意圖；

圖9為單變量規(guī)則模塊示意圖；

圖10為最終輸出詞語語言值計算流程示意圖。

具體實施方式：

下面結合附圖和技術方案對本發(fā)明作進一步清楚、完整的說明，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例提供一種基于廣義一般二型模糊集合的詞計算方法參見圖1所示，包含如下內容：

01、根據具體問題，通過其輸入、輸出詞語構建廣義一般二型模糊集合詞語模型；

02、建立各個評估標準的單變量規(guī)則模塊，對于每一個待評估對象，通過廣義一般二型模糊集合接近度，測量其實際輸入評估標準語言值和相應單變量規(guī)則模塊規(guī)則前件的接近度作為權值，并通過和規(guī)則后件聚合運算獲取中間輸出詞語語言值；

03、針對n個單變量規(guī)則模塊，根據其權值及中間輸出詞語語言值通過信息聚合計算得到最終輸出詞語語言值，遍歷所有f個待評估對象計算獲得它們的最終輸出詞語語言值；

04、針對最終輸出詞語語言值，通過分數函數方法進行排序來確定多個待評估對象相互關系，或通過計算最終輸出詞語語言值與已知輸出詞語語言值接近度并通過其選取相應詞語作為最后輸出結果來確定待評估對象實際輸出的詞語語言值。

采用廣義一般二型模糊集合作為詞語模型，能夠全面且層次明晰地同時表示收集信息的共性和個體差異，克服了傳統(tǒng)詞語模型表示的缺陷；通過單變量規(guī)則模塊連接多變量詞計算模型，解決由于輸入詞語維數較高引起模糊規(guī)則急劇增加帶來的“維數災”問題，極大減少詞計算過程的時間花銷，通過廣義一般二型模糊集合詞語模型及各個評估標準的單變量規(guī)則模塊，有效提高人工智能設備中詞計算效率及準確率，具有更加廣闊的應用前景。

為了使本領域的技術人員更好了解本發(fā)明，下面通過更為詳細的實施例說明構建廣義一般二型模糊集合詞語模型，如圖2和3所示，包含如下內容：

11、根據評估標準收集區(qū)間數據，獲取一型和/或區(qū)間值二型模糊集合；

12、根據一型和/或區(qū)間值二型模糊集合，構造廣義一般二型模糊集合水平切片，得到廣義一般二型模糊集合詞語模型

13、確定輸入詞語語言值輸出詞語語言值和所有f個待評估對象針對每個評估標準確定實際輸入詞語語言值，其中，n為評估標準數目。

一般二型模糊集合具有描述復雜不確定信息的強大能力，到目前為止，在為數不多的一般二型模糊集合詞計算方法中大多采用離散一般二型模糊集合(論域和次隸屬函數的支集均為離散的點集；或者是線性一般二型模糊集合(論域連續(xù)、次隸屬函數是定義在[0,1]的線性連續(xù)函數且語言變量的語言值是兩個意義相反的形容詞)。能夠降低數據處理的復雜性和難度，但簡化帶來的局限使描述不確定信息的能力下降。在上述實施例中采用的廣義一般二型模糊集合的次隸屬函數的支集不再局限于[0,1]上的單子區(qū)間，而是定義在單位區(qū)間上的多個互不相交的子區(qū)間并集，具體的說，它有三種可能情況：a)所有子區(qū)間均未退化為清晰值；b)部分子區(qū)間退化為清晰值；c)所有子區(qū)間均退化為清晰值，圖8展示了離散論域的幾種典型廣義一般二型模糊集合。

對于每一語言值，收集實驗數據，即區(qū)間數據，共n個。對于每一區(qū)間數據，采用最大熵和最小距離相結合的多目標限制優(yōu)化或者hm(haoandmendel)方法得到一型模糊集合或區(qū)間值二型模糊集合；將得到的所有一型和/或區(qū)間值二型模糊集合(所有二維區(qū)域數據點并集)作為z＝1/n水平切片，接著從n個一型和/或區(qū)間值二型模糊集合中任取2個得到cn²個二維區(qū)域數據點交集的并集作為z＝2/n水平切片，以此類推，從n個一型或區(qū)間值二型模糊集合中任取3個、4個…n個一型或區(qū)間值二型模糊集合分別得到cn³、cn⁴…cnⁿ個二維區(qū)域數據點交集的并集分別作為z＝3/n、4/n…1水平切片，由此得到詞計算模型的所有輸入、輸出詞語的語言值(廣義一般二型模糊集合)；根據具體問題(例如對多個待評估對象進行排序確定相互關系)，針對每一待評估對象,確定關于每一輸入詞語的實際評估語言值(廣義一般二型模糊集合)，廣義一般二型模糊集合的次隸屬度表示的意義是對于該詞語語言值的共識程度。所以，只有存在p(1<p≤n)個對象對語言值達成共識時，z＝p/n水平切片才存在。

其中，收集的區(qū)間數據包含確定區(qū)間數據和/或不確定區(qū)間數據和為精確值，和為區(qū)間數，針對確定區(qū)間數據，通過多目標限制優(yōu)化方法獲取一型模糊集合及其標準三角隸屬函數，

是pi的標準三角隸屬函數，和是其α割集左右端點；對于不確定區(qū)間數據，從兩個端點區(qū)間數和按照均勻分布原則選取隨機端點和得到確定區(qū)間數據通過多目標限制優(yōu)化方法獲取一型模糊集合及其標準三角隸屬函數對于所有m個確定區(qū)間數據得到相應的m個嵌入一型模糊集合，采用作為區(qū)間值二型模糊集合的不確定覆蓋域，其中，和分別作為下、上邊界隸屬函數，它們的幾何形狀可能為多邊形?；蛘卟捎胔ao和mendel提出的方法得到區(qū)間值二型模糊集合標準的不確定覆蓋域(論域中存在元素對應的隸屬度是單位1)。

更進一步，獲取的一型和/或區(qū)間值二型模糊集合，構造廣義一般二型模糊集合水平切片，當z＝0時，對應的水平切片為當z＝1/n時，對應的水平切片是n個一型和/或區(qū)間值二型模糊集合所有論域元素及其對應的隸屬度組成的二維區(qū)域的并集當z＝2/n時，對應的水平切片是從n個一型和/或區(qū)間值二型模糊集合中任選兩個求兩者論域元素及其隸屬度組成二維區(qū)域的交集，再求所有個交集的并集依次得到z＝3/n，…，z＝1分別對應的水平切片得到廣義一般二型模糊集合詞語模型，表示為：

確定單變量規(guī)則模塊連接的詞計算模型的輸入詞語語言值輸出詞語語言值以及對于所有待評估對象(f個)針對所有評估標準確定實際輸入詞語語言值

另一個實施例中，通過各個評估標準的單變量規(guī)則模塊獲取中間輸出詞語語言值，參見圖4所示，包含：

21、根據廣義一般二型模糊集合的距離測度和接近度的關系計算實際輸入評估標準語言值和單變量規(guī)則模塊規(guī)則前件的接近度

22、對于單變量規(guī)則模塊中的所有規(guī)則，采用實際輸入評估標準語言值和規(guī)則前件的接近度作為權值，與相應規(guī)則后件進行加權平均，計算得到中間輸出詞語語言值；

23、對于每一待評估對象的n個實際輸入評估標準語言值分別計算它們和對應單變量規(guī)則模塊的中間輸出詞語語言值遍歷所有f個待評估對象，得到nf個中間輸出詞語語言值。

單變量模糊規(guī)則模塊連接的多變量模糊推理是將傳統(tǒng)的多變量模糊推理改進為各個單變量分別進行推理得到中間輸出然后對它們進行加權求和得到最后輸出。它的最大優(yōu)點是可以有效克服當輸入變量維數較高時，傳統(tǒng)模糊推理的‘維數災’問題。因為廣義一般二型模糊集合是基于水平切片產生的，對于每個水平切片進行計算即可。如圖9所示，將論域離散化，對于每個論域元素計算實際輸入詞語語言值水平切片和單變量規(guī)則模塊規(guī)則前件水平切片對應的隸屬值(通常是[0,1]的多個兩兩互不相交的子區(qū)間的并集或它的兩種退化形式)的距離，對隸屬值按從小到大順序排序，如果二者區(qū)間數目不等，數目較少者用排序最大的區(qū)間補齊，對于每對相應區(qū)間計算它們的距離然后求它們的平均值。求得所有論域元素對應隸屬度的距離后，計算它們的(加權)平均值作為實際輸入詞語語言值和單變量規(guī)則模塊規(guī)則前件對應水平切片的距離，遍歷所有的水平切片計算得到它們的距離后，和它們各自對應的次隸屬度(z值)計算加權平均得到實際輸入詞語和規(guī)則前件的距離，單位1減去距離值即為它們的接近度。對于求得的單變量規(guī)則模塊所有規(guī)則的前件(廣義一般二型模糊集合)和實際輸入詞語語言值的接近度(匹配度)歸一化后作為權值和規(guī)則后件水平切片采用信息聚合算子(加權平均、冪加權均值、加權幾何平均等)，對于每一離散論域元素對應的隸屬值分別采用相應的運算律計算相應結果得到中間輸出詞語語言值對應的水平切片。對于每一水平切片分別進行計算，即得對應于該單變量規(guī)則模塊的中間輸出詞語語言值。

優(yōu)選地，計算實際輸入評估標準語言值和單變量規(guī)則模塊規(guī)則前件的接近度根據廣義一般二型模糊集合的距離測度和接近度的關系計算它們二者之間的距離即可，具體計算內容如下：對于實際輸入語言評估值和單變量規(guī)則模塊規(guī)則前件對應的水平切片和對應的兩個zt水平切片在論域元素xq處的隸屬度和分別對其子區(qū)間根據中心的大小按照從小到大的順序排列如下，其中λ表示或

判斷和大小，如果兩者不等，較小者用它隸屬度中最大子區(qū)間補足直到兩者數量相等，對于得到的隸屬度相同位置的子區(qū)間和如果兩者之間的距離表示為：

否則

計算兩個對應zt水平切片論域元素xq的隸屬度距離

w(l)表示隸屬度中兩個對應位置子區(qū)間的權重；設定論域離散化后元素的數目為nx，則對應的zt水平切片的距離為v(q)表示論域元素xq對應隸屬度距離的權重；因為實際輸入評估語言值和單變量規(guī)則模塊規(guī)則前件分別包含有n+1個水平切片zt，它們對應的權重是t/n，t＝0,1,…,n。則有：

根據上式得到的廣義一般二型模糊集合的距離，直接得到它們的接近度

更進一步，對于單變量規(guī)則模塊的所有規(guī)則，采用接近度作為前件和實際輸入評估語言值的匹配度(激活度)，與相應規(guī)則后件進行加權平均計算得到中間輸出結果語言值。對于單變量規(guī)則模塊規(guī)則后件e＝1,2,…,si采用水平切片定理得到它的zt水平切片，將它的論域離散化，對于論域元素ya的隸屬度按前面所述方法從小到大的排列順序，即

比較單變量規(guī)則模塊中所有規(guī)則后件在(ya,zt)處對應隸屬度的子區(qū)間數目最大值記為對于子區(qū)間數目小于最大值的隸屬度用最大區(qū)間值補足；對于對應大小位置的隸屬度子區(qū)間進行加權平均，即

r表示zt水平切片論域元素ya處隸屬度子區(qū)間，單變量規(guī)則模塊規(guī)則前件是對應的規(guī)則后件是遍歷所有論域元素ya和zt水平切片，a＝1,2,…,ny，t＝0,1,…,n，得到單變量規(guī)則模塊的中間輸出詞語語言值。對于每一待評估對象的n個實際輸入評估詞語語言值采用上述方法分別計算它們和對應單變量規(guī)則模塊的中間輸出詞語語言值遍歷所有待評估對象(f個)計算得到nf個中間輸出詞語語言值。

再一個實施例中，根據每個待評估對象的n個對應單變量規(guī)則模塊的中間輸出詞語語言值計算最終輸出詞語語言值，參見圖5所示，包含：

31、針對單變量規(guī)則模塊，設定有m組已知輸入評估語言值和最終輸出詞語語言值表示為單變量規(guī)則模塊對應權值表示為{wt1,wt2,…,wtn}，通過n元目標函數表示：m個通過約束多目標優(yōu)化算法對n元目標函數求解最大值，從θ組求解結果{wt1^τ,wt2^τ,…,wtn^τ}τ＝1^θ中根據專家知識選取一組最優(yōu)解{wt1^b,wt2^b,…,wtn^b}；

32、針對單變量規(guī)則模塊，通過中間輸出詞語語言值和步驟31得到的相應權值聚合計算待評估對象的最終輸出詞語語言值

33、對于所有待評估對象的中間輸出詞語語言值和相應權值進行信息聚合計算，得到最終輸出詞語語言值

單變量規(guī)則模塊的中間輸出詞語表示當該變量(模塊)的實際輸入評價詞語為時，如圖10所示，通過該變量和輸出變量的模糊推理得到的只和該變量(模塊)相關的輸出。然后，綜合考慮各個變量對最終評估結果的影響情況(例如，用它們各自的不同權值表示)，經過信息聚合得到最后輸出結果。確定詞計算模型中各個單變量規(guī)則模塊對應的權值，采用約束多目標優(yōu)化算法結合專家知識的方法。首先，對于幾組已知實際輸入和輸出詞語語言值的情況，以各單變量規(guī)則模塊對應權值作為待定系數，以單變量規(guī)則模塊連接的詞計算模型的計算輸出和已知理想輸出的接近度最大為目標，以權值自身應滿足的條件作為等式約束(∑i＝1ⁿwi＝1)和不等式約束(0<wi<1)得到一個約束多目標優(yōu)化問題，接著運用相應的優(yōu)化算法(多目標粒子群算法、多目標遺傳算法等等)得到相應的權值向量(滿足條件的多組解向量)，然后從候選的幾組權值向量中根據專家知識選取一組最合理的權值向量作為詞計算模型的各個單變量規(guī)則模塊的權值。運用模糊多元信息聚合算子對單變量規(guī)則模塊的中間輸出詞語語言值的水平切片和確定的對應權值根據相應的運算律計算得到最終輸出詞語對應的水平切片，遍歷所有水平切片即得最終輸出詞語語言值。對每一待評估對象分別進行計算，得到它們各自的最終輸出評估詞語語言值。

確定詞計算模型各個單變量規(guī)則模塊的權值。對于具體問題，m組輸入評估語言值和最終輸出詞語語言值為確定單變量規(guī)則模塊對應的權值{wt1,wt2,…,wtn}，有以下限制優(yōu)化問題：

因此，實際上是以權值wtι，ι＝1,2,…,n為待定參數向量的最終輸出詞語語言值。然后采用接近度的計算方法得到m個它們是n元目標函數。對于多目標優(yōu)化問題采用約束多目標優(yōu)化算法進行求解可以求得滿意解{wt1^τ,wt2^τ,…,wtn^τ}τ＝1^θ，再根據具體問題專業(yè)認識和經驗從中選取一組最優(yōu)解{wt1^b,wt2^b,…,wtn^b}。計算得到各個單變量規(guī)則模塊對應的權值以后，進一步獲得待評估對象的最終輸出詞語語言值對于所有待評估對象的實際評估詞語語言值分別進行計算，得到它們的最終輸出詞語語言值

對于實際輸出詞語語言值，根據不同的問題，采用不同的方法得到最后的決策結果，具體過程如下所示：

對于確定多個待評估對象的相互關系問題，采用分數函數方法對它們的實際輸出詞語語言值進行排序。論域離散化，計算zt水平切片論域元素ya處隸屬度的分數為

ρ(r)表示隸屬度子區(qū)間對應的權值。

zt水平切片的分數函數

θ(a)表示論域不同元素對應隸屬度的權值。

最后得到實際輸出詞語語言值的分數為

j＝1,2,…,f。分別計算得到所有待評估對象的實際輸出詞語語言值的分數，根據它們的高低確定相互關系。或者根據具體的問題對于待評估對象的實際輸出詞語語言值，計算和已知輸出詞語語言值接近度，從中選擇和它最接近者對應的詞語作為最后輸出結果。

本發(fā)明的詞計算方法能夠同時且層次分明的描述主觀不確定性，同時克服了傳統(tǒng)方法采用模糊規(guī)則描述對象時出現的‘維數災難’問題，使得詞計算方法具有更加廣闊的應用前景。

對應于上述的基于廣義一般二型模糊集合的詞計算方法實施例，本發(fā)明還提供一種基于廣義一般二型模糊集合的詞計算裝置，如圖6所示，包含：詞語模型構建模塊101、中間輸出獲取模塊102、最終輸出確定模塊103及實際問題求解模塊104，其中，

詞語模型構建模塊101，用于根據具體問題構建其輸入、輸出詞語語言值廣義一般二型模糊集合模型；

中間輸出獲取模塊102，用于建立各個評估標準的單變量規(guī)則模塊，并對于每一個待評估對象，通過廣義一般二型模糊集合接近度，測量其實際輸入評估標準語言值和相應單變量規(guī)則模塊規(guī)則前件的接近度，并作為權值和規(guī)則后件聚合計算獲取中間輸出詞語語言值；

最終輸出確定模塊103，針對單變量規(guī)則模塊，根據其權值及中間輸出詞語語言值通過信息聚合計算得到最終輸出詞語語言值。遍歷f個待評估對象獲取其最終輸出詞語語言值；

實際問題求解模塊104，針對最終輸出詞語語言值，通過分數函數方法進行排序確定多個待評估對象相互關系，或通過計算最終輸出詞語語言值與已知輸出詞語語言值接近度并通過其選取相應詞語作為最后輸出結果確定待評估對象實際輸出的詞語語言值。

進一步地，詞語模型構建模塊，如圖7所示，包含：數據收集單元1a、模型構建單元1b及語言值確定單元1c，其中，

數據收集單元1a，用于根據評估標準收集區(qū)間數據，該區(qū)間數據包含確定區(qū)間數據和/或不確定區(qū)間數據并根據區(qū)間數據來獲取一型和/或區(qū)間值二型模糊集合，其中，和為精確值，和為區(qū)間數，

模型構建單元1b，用于根據一型和/或區(qū)間值二型模糊集合構造廣義一般二型模糊集合水平切片，得到廣義一般二型模糊集合詞語模型

語言值確定單元1c，用于確定輸入詞語語言值、輸出詞語語言值，和對于所有f個待評估對象針對每個評估標準確定實際輸入詞語語言值。

本領域內的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結合軟硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。

本發(fā)明是參照根據本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其它可編程數據處理設備的處理器執(zhí)行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其它可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其它可編程數據處理設備上，使得在計算機或其它可編程設備上執(zhí)行一系列操作步驟以產生計算機實現的處理，從而在計算機或其它可編程設備上執(zhí)行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現或使用本申請。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本申請的精神或范圍的情況下，在其它實施例中實現。因此，本申請將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。