关于语言模型中有效因子的探讨.doc

《关于语言模型中有效因子的探讨.doc》由会员分享，可在线阅读，更多相关《关于语言模型中有效因子的探讨.doc（7页珍藏版）》请在三一办公上搜索。

1、精品论文大集合关于语言模型中有效因子的探讨邹春毅 辽宁工程技术大学，辽宁阜新 (123000) E-mail：zmafly摘要：本文通过一个语言判别模型的实例来探讨有效因子的问题，即找到那些影响对象隶 属度的因素，也就是提高这些因素会提高对象的隶属度。针对这一问题，本文提出了单因素分析法与多因素分析来寻找这些有效因素，并将其运用到实例当中，成功找到了实例中各个 对象的有效因素。关键词：模糊模式识别；语言模型；隶属度1引言模糊模式的建立是模糊模式识别中的关键，模式的建立具有较强的经验性和主观性。在 许多应用问题中，模式可以借助于所研究客体的语言表述来得到。需要说明的是，此处谈到 的语言模式并不是

2、传统模式识别技术中的文法分析，而是指模式的特征可以用人的自然语言 来描述1。利用这种语言模式建立的判别模型可在人力资源的人员评价、医疗诊断中起到巨大的作 用，例如某学校利用该技术建立了一个语言判别模型来选出优秀学生，因素可能有很多，最 后评选出了隶属度排在前几位的学生作为优秀学生，但是能否也从中得出那些没评上的学生 究竟那些因素较差导致了他们没有评选上？本文讨论就是如何找到这种因素有效因素。2语言模型的建立2.1 问题的提出本文旨在讨论如何找到有效因素，为了叙述的方便，以一个优秀学生评选的语言判别 模型来阐述。某高校建立了一个语言判别模型来评选优秀学生，各种因素见表 2-1.表 2-1 优秀学

3、生的评选因素及相关程度加权平均分 A非常高 A5比较高 A4一般 A3比较低 A2非常低 A1最低分 B非常多 B5比较多 B4一般 B3比较低 B2非常低 B1政治分数 C非常高 C5比较高 C4一般 C3比较低 C2非常低 C1体育分数 D非常多 D5比较多 D4一般 D3比较少 D2非常少 D1发展性素质得分 E非常多 E5比较多 E4一般 E3比较少 E2非常少 E1发表论文数量 F非常多 F5比较多 F4一般 F3比较低 F2非常少 F1学生 G是 G1不是 G2- 7 -2.2 语言判别模型的建立各种因素的隶属函数如图 2-1 所示。A1A2A3 A4 A5B1B2B3B4B560

4、657585906065758590加权平均分的隶属函数最低分的隶属函数C1C2C3C4C5 D1 D2D3D4D560657585906065758590政治分数的隶属函数体育分数的隶属函数E1E2E3E4E5 F1 F2F3F4F551117232915101525发展性素质得分的隶属函数论文发表数量的隶属函数图 2-1 各种因素的隶属函数可以被评为优秀学生的条件有以下几种：1）加权平均分非常高、最低分比较高、政治分数一般、体育分数一般、发展性素质得分比 较高2）加权平均分一般，最低分一般，政治分数比较高、是学生干部3）加权平均分一般，最低分一般、发表论文数量比较多4）加权平均分比较高、最

5、低分一般、政治得分一般、体育分数非常高、发展性素质得分一 般5）加权平均分比较高、最低分一般、体育得分一般、发展性素质得分非常高 各种条件对应的符号描述为：1） ( )( )( )( )A5 B5 B4 C5 C4 C3 D5 D4 D3 E5 E4( ) ( ) (C C ) 2)A5A4A3B5B4B354G13） ( ) ( ) ( )A5A4A3B5B4B3F5F44) ( ) ( ) ( ) ( )A5A4B5B4B3C5C4C3D5E5E4E3( ) ( ) ( ) 5)A5A4B5B4B3C5C4C3E5因此可以列出学生能被评为优秀学生的隶属度为：( ( )( )( )( )M

6、= A5 B5 B4 C5 C4 C3 D5 D4 D3 E5 E4( ) ( ) (C C ) ) A5A4A3B5B4B354G1( ) ( ) ( ) A5A4A3B5B4B3F5F4( ) ( ) ( ) ( ) A5A4B5B4B3C5C4C3D5E5E4E3( ) ( ) ( ) )A5A4B5B4B3C5C4C3E52.3 模型举例本文例举了 5 位学生作为研究对象，他们的各种原始数据如表 2-2 所示。表 2-2 学生原始数据学生加权平均分最低分政治分数体育分数发展性素质得分发表论文数量学生干部学生 163678776200是学生 288848086145不是学生 377729

7、483243不是学生 4877268731623是学生 5867878732813不是根据各个因素的隶属函数可以求出每位学生的不同因素的隶属度如表 2-3 所示。表 2-3 每位学生各种因素的隶属度学生 1 各种因素的隶属度 A1 =0.4； A2 =0.6； A3 =0； A4 =0； A5 =0； B1 =0； B2 =0.8； B3 =0.3； B4 =0； B5 =0； C1 =0； C2 =0； C3 =0； C4 =0.8； C5 =0.2； D1 =0； D2 =0； D3 =0.9； D4 =0.1； D5 =0； E1 =0； E2 =0； E3 =0.5； E4 =0.5；

8、 E5 =0； F1 =1； F2 =0； F3 =0； F4 =0； F5 =0； G1 =1； G2 =0；学生 2 各种因素的隶属度 A1 =0； A2 =0； A3 =0； A4 =0.3； A5 =0.7； B1 =0； B2 =0； B3 =0.1； B4 =0.9； B5 =0； C1 =0； C2 =0； C3 =0.5； C4 =0.5； C5 =0； D1 =0； D2 =0； D3 =0； D4 =0.4； D5 =0.6； E1 =0； E2 =0.5； E3 =0.5； E4 =0； E5 =0； F1 =0； F2 =1； F3 =0； F4 =0； F5 =0；

9、G1 =0； G2 =1；学生 3 各种因素的隶属度 A1 =0； A2 =0； A3 =0.7； A4 =0.3； A5 =0； B1 =0； B2 =0.3； B3 =0.7； B4 =0； B5 =0； C1 =0； C2 =0； C3 =0； C4 =0； C5 =1； D1 =0； D2 =0； D3 =0.2； D4 =0.8； D5 =0； E1 =0； E2 =0； E3 =0； E4 =0.6； E5 =0.4； F1 =0.5； F2 =0.5； F3 =0； F4 =0； F5 =0； G1 =0； G2 =1；学生 4 各种因素的隶属度 A1 =0； A2 =0； A3

10、 =0.2； A4 =0.8； A5 =0； B1 =0； B2 =0.3； B3 =0.7； B4 =0； B5 =0； C1 =0； C2 =0； C3 =0.7； C4 =0.3； C5 =0； D1 =0； D2 =0； D3 =0.8； D4 =0.2； D5 =0； E1 =0； E2 =0.3； E3 =0.7； E4 =0； E5 =0； F1 =0； F2 =0； F3 =0； F4 =0.2； F5 =0.8； G1 =1； G2 =0；学生 5 各种因素的隶属度 A1 =0； A2 =0； A3 =0； A4 =0.9； A5 =0.1； B1 =0； B2 =0； B3

11、 =0.7； B4 =0.3； B5 =0； C1 =0； C2 =0； C3 =0.7； C4 =0.3； C5 =0； D1 =0； D2 =0； D3 =0.8； D4 =0.2； D5 =0； E1 =0； E2 =0； E3 =0； E4 =0.1； E5 =0.9； F1 =0； F2 =0； F3 =0.5； F4 =0.5； F5 =0； G1 =0； G2 =1；M根据隶属度 求得每位学生的隶属度值，结果如下： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.3 ( x4 ) = 0.7 ( x5 ) = 0.73有效因素分析2.1 单因素分析法所谓有效

12、分析就是找出不同的对象（这里是学生），哪些因素制约着他们的总隶属度。 换句话说就是找出不同的对象那些因素如果提高的话，他的总成绩（隶属度）就会提高。 本文采用消除因素的方法来寻找每一位学生的有效因素，首先只考虑单因素的影响，方法大 体如下：1）消除第一个因素，重新构造隶属函数 M 。2）求出每位学生的隶属度与原先的作比较，如果新的隶属度大于原先的隶属度则说明该因 素为有效因素，它的增长将影响整个隶属度。3）再消除第二个因素（第一个因素恢复，每次只消除一个因素），方法同（2），直到全部的 因素都做了比较。通过此方法可以求得每位学生的有效因素，即提高这些因素会是他们的总成绩特到提 高，也就是这些因

13、素制约着他们的总成绩。 依照上述方法，首先删除第一个因素“加权平均分”，可得到新的隶属函数：( )( )( )( )M =B5 B4 C5 C4 C3 D5 D4 D3 E5 E4(B3G15B5B4 ) (C C4) ) ( ) ( ) B5B4B3F5F4( ) ( ) ( ) B5B4B3C5C4C3D5E5E4E3( ) ( ) )B5B4B3C5C4C3E5重新计算每位学生的隶属值： ( x1 ) = 0.3 ( x2 ) = 0.5 ( x3 ) = 0.4 ( x4 ) = 0.7 ( x5 ) = 0.7消除第二个因素“最低分”，可得到新的隶属函数：( ( )( )( )M =

14、 A5 C5 C4 C3 D5 D4 D3 E5 E4(A3G15A5A4 ) (C C4) ) ( ) ( ) A5A4A3F5F4( ) ( ) ( ) A5A4C5C4C3D5E5E4E3( ) ( ) )A5A4C5C4C3E5重新计算每位学生的隶属值： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.3 ( x4 ) = 0.8 ( x5 ) = 0.7消除第三个因素“政治分数”，可得到新的隶属函数：( ( )( )( )M = A5 B5 B4 D5 D4 D3 E5 E4( ) ( ) ) A5A4A3B5B4B3G1( ) ( ) ( ) A5A4A3B5

15、B4B3F5F4( ) ( ) ( ) A5A4B5B4B3D5E5E4E3( ) ( ) )A5A4B5B4B3E5重新计算每位学生的隶属值： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.3 ( x4 ) = 0.7 ( x5 ) = 0.7消除第四个因素“体育分数”，可得到新的隶属函数：( ( )( )( )M = A5 B5 B4 C5 C4 C3 E5 E4( ) ( ) (C C ) ) A5A4A3B5B4B354G1( ) ( ) ( ) A5A4A3B5B4B3F5F4( ) ( ) ( ) ( ) A5A4B5B4B3C5C4C3E5E4E3( )

16、( ) ( ) )A5A4B5B4B3C5C4C3E5重新计算每位学生的隶属值： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.6 ( x4 ) = 0.7 ( x5 ) = 0.7消除第五个因素“发展性素质得分”，可得到新的隶属函数：( ( )( )( )M = A5 B5 B4 C5 C4 C3 D5 D4 D3( ) ( ) (C C ) ) A5A4A3B5B4B354G1( ) ( ) ( ) A5A4A3B5B4B3F5F4( ) ( ) ( ) ) A5A4B5B4B3C5C4C3D5( ) ( ) ( )A5A4B5B4B3C5C4C3重新计算每位学生的

17、隶属值： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.3 ( x4 ) = 0.7 ( x5 ) = 0.7消除第六个因素“发表论文数量”，可得到新的隶属函数：( ( )( )( )( )M = A5 B5 B4 C5 C4 C3 D5 D4 D3 E5 E4( ) ( ) (C C ) ) A5A4A3B5B4B354G1( ) ( ) A5A4A3B5B4B3( ) ( ) ( ) ( ) A5A4B5B4B3C5C4C3D5E5E4E3( ) ( ) ( ) )A5A4B5B4B3C5C4C3E5重新计算每位学生的隶属值： ( x1 ) = 0 ( x2 ) =

18、 0.7 ( x3 ) = 0.7 ( x4 ) = 0.7 ( x5 ) = 0.7消除第七个因素“学生干部”，可得到新的隶属函数：( ( )( )( )( )M = A5 B5 B4 C5 C4 C3 D5 D4 D3 E5 E4( ) ( ) (C C ) A5A4A3B5B4B354( ) ( ) ( ) A5A4A3B5B4B3F5F4( ) ( ) ( ) ( ) A5A4B5B4B3C5C4C3D5E5E4E3( ) ( ) ( ) )A5A4B5B4B3C5C4C3E5重新计算每位学生的隶属值： ( x1 ) = 0 ( x2 ) = 0.5 ( x3 ) = 0.7 ( x4

19、 ) = 0.7 ( x5 ) = 0.72.2 单因素结果的分析通过单因素的分析可得每位学生的有效因素，具体结果如下：1）对于学生 1，“加权平均分”是他的有效因素，单独增加这个因素能使他的总隶属度增加0.32）对于学生 2，“发表论文数量”是他的有效因素，单独增加这个因素能使他的总隶属度增 加 0.23) 对于学生 3，“加权平均分”、“体育分数”、“发表论文数量”、“学生干部”是他的有效因素， 单独增加每个因素能使他的总隶属度分别增加 0.1、0.3、0.4、0.44）对于学生 4，“最低分”是是他的有效因素，单独增加这个因素能使他的总隶属度增加 0.15）对于学生 5，没有他的有效因素

20、，这并不是说他没有，只是没有单独增加就能带来效应 的2.3 多因素分析方法在实际情况中，影响一个对象（如学生）总隶属度的因素往往不是一种，也就是说只提 高某一种因素并不能使整体的结果得到较大的提高，甚至可能没有提高。例如本文例题中的 学生 5，他就没有单独的有效因素，但是他并不是没有，只是这种有效因素是某两个或更多 因素的组合。具体进行多因素分析方法的步骤如下：M1）从第一个因素开始，寻找到它与其他因素的全部组合（如因素 1 与因素 2、因素 1 与因 素 3因素 1 与因素 2 与因素 3），依次去除掉这些因素组合并重新构建隶属函数 。2）分别利用新的隶属函数来求新隶属度与原隶属度相比，如果

21、新隶属度大于原隶属度，则 说明这种因素组合是有效因素，这些因素制约着对象的成绩（隶属度），只要同时提高这些 因素就会使最终的隶属度提高。3）再分析第二个因素，寻找它与其他因素的全部组合，方法同 1）。 利用这种可以求得每个对象的全部有效因素，具有重大的实践意义。但是这种方法的计算比较繁琐，考虑到了全部因素的组合，如果因素比较多的话会使整个计算过程变得困难。 但是如果利用计算机来处理就会比较容易计算出来。4总结本文通过利用单因素分析方法，有效地找到了语言判别模型中对于不同对象的有效因 素，通过提高这些有效因素可以提高不同因素的隶属度。最后又提出了多因素分析法，对于 解决实际问题具有更大的意义。参

22、考文献1郭嗣琮,陈刚.信息科学中的软计算方法M.沈阳:东北大学出版社,2001.11Discussion on effective factor of the language modelZou ChunyiLiaoning Technical University, fuxin, liaoning (123000)AbstractIn this paper, from a example of language model to discuss how to find effective factor , which factoraffect objects degree of member

23、ship, In one word, to enhance effective factor will enhance objects degree of membership. Stick to the problem, this paper brings forward two means the method of one factor and the method of several factors. Using these method, we find effective factor of the language model.Keywords: model of fuzzy pattern recognition; the language model; degree of membership