在云模型的实际应用中,相似性度量是核心环节之一。针对现有云模型相似性度量方法区分度不足、稳定性较差的问题,本文以三角云模型为研究对象,提出一种综合考虑距离与形状的相似性度量方法。首先,将三角云的期望曲线映射为三角模糊数,...在云模型的实际应用中,相似性度量是核心环节之一。针对现有云模型相似性度量方法区分度不足、稳定性较差的问题,本文以三角云模型为研究对象,提出一种综合考虑距离与形状的相似性度量方法。首先,将三角云的期望曲线映射为三角模糊数,并基于CD-型模糊贴近度衡量云模型间的距离相似度。其次,结合云模型的熵与超熵,提出以期望曲线半夹角余弦值之比与超熵比值的乘积作为形状相似度度量。最终融合距离与形状两方面的差异,构建三角云相似性度量模型。仿真实验表明,所提方法具有良好的区分能力,在Synthetic Control Chart Dataset数据集的分类对比实验中,该方法在分类精度上优于现有的ECM、LICM、CFSM、EMTCM、EPTCM方法;在UCR数据库中10个数据集的测试进一步验证了该方法的有效性与普适性。展开更多
文摘在云模型的实际应用中,相似性度量是核心环节之一。针对现有云模型相似性度量方法区分度不足、稳定性较差的问题,本文以三角云模型为研究对象,提出一种综合考虑距离与形状的相似性度量方法。首先,将三角云的期望曲线映射为三角模糊数,并基于CD-型模糊贴近度衡量云模型间的距离相似度。其次,结合云模型的熵与超熵,提出以期望曲线半夹角余弦值之比与超熵比值的乘积作为形状相似度度量。最终融合距离与形状两方面的差异,构建三角云相似性度量模型。仿真实验表明,所提方法具有良好的区分能力,在Synthetic Control Chart Dataset数据集的分类对比实验中,该方法在分类精度上优于现有的ECM、LICM、CFSM、EMTCM、EPTCM方法;在UCR数据库中10个数据集的测试进一步验证了该方法的有效性与普适性。
