[发明专利]基于广义一般二型模糊集合的词计算方法及其装置

说明书

本发明涉及一种基于广义一般二型模糊集合的词计算方法及其装置，该方法包含：构建广义一般二型模糊集合词语模型；建立单变量规则模块，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度，作为权值和规则后件聚合获取中间输出词语语言值；通过约束多目标优化算法获取单变量规则模块权值并和中间输出词语语言值聚合得到最终输出词语语言值；通过分数函数方法排序确定多个待评估对象关系，或计算最终输出词语语言值与已知输出词语语言值接近度选择最大者作为待评估对象实际输出词语语言值。本发明解决由于模糊规则急剧增加带来的“维数灾”问题，有效提高人工智能设备中词计算效率和准确率，具有更加广阔的应用前景。

技术领域

本发明属于智能信息处理技术领域，特别涉及一种基于广义一般二型模糊集合的词计算方法及其装置。

背景技术

人工智能自从诞生之日起已经取得了许多令人瞩目的成就，例如无人机、无人车、无人船、机器人等等。然而，伴随着它的成功，人工智能仍然面临着巨大的局限和挑战-机器模拟的智能还远达不到人类的智能，不能满足实际的需求。究其原因，我们发现当需要处理的信息(感性信息)具有不精确、不确定、非完整等特征时，人工智能所使用的传统的计算范式效果不佳。如何有效的处理感性信息就成为信息和人工智能领域专家面前的一道难题。模糊理论的创始人Zadeh为解决这一问题提出了一种新的计算范式-词计算理论(基于感性信息的计算理论)。本质上，词计算是利用自然语言描述的信息进行推理、计算和决策的方法。它的基本问题之一是如何合理有效的表示自然语言(感性信息)的不确定性。由于模糊逻辑和词计算概念的内在本质的联系，模糊集合成为描述感性信息颗粒度的必然模型。根据模糊集合的复杂程度，不同的学者提出了不同的词计算方法。莫红、王飞跃等采用一型模糊集合提出两类词计算方法。基于模糊扩展原理的I型词计算和基于Mamdani模糊推理的II型词计算。由于他们的方法仅适用于单变量的情况(实际使用时多为多变量的计算)而且一型模糊集合隶属函数一旦确定，它的不确定性就完全消失，所以该方法在实际使用时有很大局限性。近年来，二型模糊集合作为词语模型的词计算方法逐渐受到关注。Mendel、Dongrui Wu等采用区间值二型模糊集合提出了一种新的词计算方法。但是他们所采用的二型模糊集合是一种非常特殊的二型模糊集合，它的次隶属度均等于1(不能描述主隶属度取值的不确定性)而且次隶属函数的支集是单连通的，不确定覆盖域的上下边界隶属函数是连续的。在实际使用时，很多情况下得到的词语(二型模糊集合)都不符合以上的条件，这极大限制了它的应用。H.Hagras提出采用线性一般二型模糊集合的词计算方法，相比于Mendel和Wu的方法，线性一般二型模糊集合的次隶属度的取值不再是1而是与论域和主隶属度都相关的线性函数，而且在词计算中所涉及的词语只包括两个意义相反的形容词。在上述词计算方法中，需要假设副词对形容词的修饰是线性关系，事实上存在大量不符合以上假设的情形，限制词计算方法的实际应用。

发明内容

针对现有技术中的不足，本发明提供一种基于广义一般二型模糊集合的词计算方法及其装置，解决现有技术中词计算应用受限等问题，有效降低词计算误判率，大大提高人工智能设备词计算的效率及准确度。

按照本发明所提供的设计方案，一种基于广义一般二型模糊集合的词计算方法，包含如下内容：

步骤1、根据具体问题，构建其输入、输出词语广义一般二型模糊集合模型；

步骤2、建立各个评估标准的单变量规则模块，对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度将其作为信息聚合算子的权值，和相应规则后件进行聚合计算获取中间输出词语语言值；

步骤3、针对单变量规则模块，根据其权值和相应中间输出词语语言值采用信息聚合计算得到最终输出词语语言值。获取所有f个待评估对象的最终输出词语语言值；