反馈模型论文范文
反馈模型论文范文（精选7篇）
反馈模型论文 第1篇
立体视觉[1] (也称深度感知) 是指视觉器官准确判断物体三维空间位置的感知能力, 是建立在双眼同时视和融合功能基础上的独立的高级双眼视功能。由于两眼水平分开, 物体在左右视网膜成像, 位置上肯定有微小的不对应差别, 称为双眼视差 (binocular disparity, 简称视差) , 评价立体视觉的指标是立体视锐度, 它指双眼能分辨的最小的视差。随着时代发展, 要求高立体视锐度的职业越来越多, 比如飞行员、外科手术医生、驾驶员职业等。但是由于受屈光不正、弱视等影响[2,3], 不少儿童立体视觉缺失, 极大地影响了生活及工作。
目前存在的立体视觉方法, 不管是通过立体图片还是通过计算机三维虚拟现实进行训练, 都缺乏对不易识别的刺激源进行反馈的强化训练。随机点立体图[4] (RDS) 的实质是大量随机点横向的、有规律的重复和组合, 通过双眼可以感知图片中的深度, 并在大脑中形成立体效果。近年来一系列感知学习实验发现, 用RDS来作视感知学习训练[5]可以修复立体视觉。如Fendick M., Westheimer G.[6] (1983) , Sowden P., Davies I., Rose D., Kayne M[7] (1999) 等研究发现, 通过对RDS产生的深度进行识别练习, 可以减小深度识别的时间。Liat Gantz, Sanmil S. Patel, Susana T.L.Chung, Ronald S.Harwerth[8] (2007) 等通过对照实验研究了基于RDS识别的视感知学习机制, 发现通过一定的视感知学习训练之后立体视锐度有一定提高。而Izumi Ohzawa (1998) 从大脑对视差信息的加工编码角度进行研究, 提出了细胞能量模型[9], 认为皮层上形成立体感的前提是双眼接受到足够的视差信息量。韩爱军[10,11]等研究了RDS与立体视锐度关系, 发现了RDS的视差大小、随机点的大小与密度、深度、图形大小等对立体视存在一定影响。
细胞能量模型认为, 足够量的视差信息便可以产生立体视觉, 而不同的视标刺激有可能产生相同的视差信息, 那么这些不同的刺激在训练过程中产生的影响可能是不同的。为了将尽可能多的刺激视标综合考虑来, 必须强化训练本研究给出的反馈强化训练模型, 以不同的RDS参数形成不同的视差信息来刺激双眼, 并以反应效率为衡量指标, 找出不易识别的刺激区间, 进行强化训练, 达到训练目的。
1 训练方法及模型表述
本研究选择由RDS产生的具有一定缺口的深度圆形作为识别视标, 其缺口方向分别为上、下、左、右4个方向, 该视标在电脑屏幕上由很多红、蓝随机点组成, 观察时需要佩带红蓝眼镜, 坐在电脑屏幕前约60 cm处, 感知出缺口朝向并做出方向判断, 系统记录其识别反应时间和正确率。模型根据识别反应时间和正确率给出下一次的识别视标。训练开始, 根据患者的视力水平先给出一组输入参数, 可在训练过程中不断修正。
根据文献[10,11]的研究结果, 笔者选择RDS的视差大小、随机点密度、随机点大小、深度圆形半径、视差类型作为输入参数, 分别记为X1、X2、X3、X4、X5。通过归一化处理使Xi∈[0, 1], 记α= (X1, X2, X3, X4, X5) , 设Xi∈Ci, 即得α的值域
首先定义评价指标Ps=As/Ts (其中, As对S产生的各个Gα正确识别次数和总测试次数的比值, 称之为深度识别率;Ts对s产生的各个Gα识别的反馈时间总和与总测试次数的比值, 称之为平均反馈时间;s⊆Iα) 。
记βs= (As, Ts, Ps) , 则βs反映了对某组 (即s) 的识别率, 平均反馈时间及其识别效率;通过βs描述了s的识别难度。记βs的值域为Iβ, 即Iβ={βs|∀s⊆Iα}。为方便起见, 把通过对s的识别得到βs这一过程记为G, 其逆过程记为G′, 则有:
G:IαIβ, 对∀s⊆Iα, ∃β∈Iβ, 使得Gs=β成立;
G′:IβIα, 对∀β∈Iβ, 使得G′β={s|∀s⊆Iα, Gs=β}成立。
于是G和G′有如下性质, ∀s∈Iα, 有s∈G′Gs成立, 如果∃s1∈G′Gs, ∃s2∈G′Gs, 则有G′Gs1=G′Gs2成立。特别地, 当|s|=1时, 即s={α} (α∈Iα) , 记为Gα=β。
对Iβ做划分, 设R′是Iβ上的等于关系, 即XR′Y⇔X=Y (当且仅当x3=y3) , 显然X, Y关于R′满足自反、对称、传递性, 即R′是Iβ上的一个等价关系。令I′={I′1, I′2, , I′r}, I′i按如下方式生成:
R′是Iβ上的一个等价关系, 故I′是Iβ的一个划分, 称I′为反馈集。
接下来对Iα做划分, 令I={I1, I2, , Im}, Ii按如下方式生成:
由G和G′的性质知I也是Iα上的一个划分。对任何Ii=G′Gsi, 有Ii=G′βsi, 而βsi∈[βsi], 必对应于I′中某个元素, 反过来仍然成立, 故从I到I′之间存在一个一一对应关系, 即有m=r。I为前馈集, 并且I有如下性质:
设Ii∈I, sik∈Ii, k=1, 2, , |Ii|, 则有G′si1=G′si2==G′sik。
该性质说明对于不同组的识别可能产生相同的效果, 特别地, 当各个s的|s|=1时, 说明不同的α产生了相同的效果, 即此时, α内部的各个元素存在某种相互补充关系。
令 (I′, ) 是一个半序集, 对满足条件:X′Y′当且仅当y3≥x3, 其中≥为普通大于等于。
同样地, 令 (I, ) 是一个半序集, 对满足条件:s1s2当且仅当Gs′2Gs′1, 此处满足 (I′, ) 中的序运算条件。
则半序集 (I, ) 和 (I′, ) 之间存在伽罗瓦连接。构造如下映射:
f:II′, g:I′I,
ϕ:IIα, ∀s∈I, ∃s′⊆Iα, 使得ϕs=s′成立,
φ:I′Iβ, ∀t∈I′, ∃t′∈Iβ, 使得φt=t′成立。
取f=Gϕ, g=G′φ;则f, g便为 (I, ) 和 (I′, ) 之间的伽罗瓦连接。
至此, 得到了训练空间集I和反馈空间集I′以及它们之间的伽罗瓦连接关系。训练中的难度调整便通过此连接来完成。
一般地, 人的双眼对交叉视差的感觉要敏感于非交叉视差;在一定范围内, 除x5外, 其余4个变量与立体视觉效果具有正比性。根据这个经验知识, 本研究定义指标:
式中 |α|α的模。
如果|α|1, 说明Gα是非交差视差图形;如果|α|≥1说明Gα是交差视差图形, |α|的值越小说明识别难度大, 反之, 识别难度小。
设s⊆Iα, αi∈s, 令:
式中 |s|s的模;ns的基数, 它是s中所有α的模的平均值。
特别地, 当n=1, 即s={α} (α∈Iα) 时, |s|=|α|。|s|反映了组s训练的平均难度, 而Ps反映的是训练的效率大小, 效率高表明训练难度值低。
设s1∈I, s2∈I, 令:
式 (3) 如果满足C>0, 说明训练s1较s2容易;反之, 如果C<0, 则说明训练s1较s2难, C可以描述此二次训练的提高幅度或降低幅度。
取 (I′, ) 的最小元和最大元中的Ps值, 分别记为Pmin和Pmax。将训练难度分成n档, 其中第i档的难度为:
在第Pi档训练中, 如果对某组s, 有Gs<Pi, 则选取Gs的一个上确界X∈I′的元素x, 取s′∈GG′x, 调整到对s′组训练;反之, 则选择Gs的一个下确界Y∈I′的元素y, 取s′∈GG′y, 调整到对s′组训练。当Pi档的识别合格率大于某一值时, 则进入P′i (P′i<Pi) 档训练。
综上, 本模型由3部分组成:前馈集与反馈集之间的连接;训练指标定义;训练难度的调整。
2 实验仿真
本研究通过一组实例来说明基于此模型的训练方法的可行性。
α各参数选取范围:x1取5个值:[99″, 111″, 166″, 221″, 332″], 当双眼处于屏幕前60 cm处时, 对应的水平距离为[0.279, 0.31, 0.465, 0.62, 0.93] (单位为mm) ;x2取3个值:[0.4, 0.5, 0.6] (40%, 50%, 60%) ;x3取3个值[0.3, 0.4, 0.5] (单位为mm) ;x4取3个值:[0.1, 0.2, 0.4] (单位为dm) ;x5取2个值:[0, 1] (非交差与交差类型) 。
得到Iα集的270种情况, 对Iα作初始训练得到了Iβ, 在Iβ中将Ps项相等的归为一类, 生成反馈集;再将反馈集中的类作逆映射以得到前馈集。
根据式 (1) 的定义, 本研究对所得数据做alpha-T图和alpha-P图如图1～图5所示 (其中, alpha表示|α|, T表示平均反应时间, P表示反应效率) 。图1和图2表明在|α|较大的一段范围内 (|α|>0.02或者|α|>1.04) 反应时间比较平稳, 说明存在一个深度临界值 (即一定的|α|) , 当大于这一值时, 产生的深度比较容易识别, 这可以认为是患者此时的立体视觉深度感知能力, 而此时的反应时间反映了眼睛对深度识别的正常延迟水平;随着|α|的继续减少, 即当非交叉视差类型向量模趋于0或着交叉视差类型向量模趋于1时反应时间均增加, 说明对视标产生的深度不易识别, 小于深度识别临界值的|α|区间是训练的主要区间, 这个临界值的提高, 意味着立体视锐度的提高。
图3和图4表明在一定的反应效率下, 存在多个α与此对应, 表明皮层对这些不同的α产生了相同的反应, 被认为是产生了相同的视差信息能量。那么当视差变小时, 如果随机点密度增大则仍然有可能形成足够的视差能量, 从而在皮层形成立体视觉, 这与细胞能量模型的解释相一致。这证明:模型中“用伽罗瓦连接来描述前馈集和反馈集之间的关系, 并通过它来提高或降低训练难度”的方法具有理论与现实依据。
以10个α为一组, 随机抽取15做测试, 其结果如图5所示 (其中, P表示反应效率, s表示|s|) 。根据Ps=As/Ts知, 当Ps越高时表明识别的效率越高, 在训练难度上的反映表现为难度值比较低。在本研究的模型中用|s|-Ps来描述当前的训练水平, 在图中即表示为点向s、p轴做投影后与s、p轴所围成的面积, 如面积越小说明训练难度在提高, 一个较高训练水平在图上的显现形式应是尽可能多的点向原点处会聚, 把前馈 (|s|) 和反馈 (Ps) 相结合, 较好地反映了训练水平。
这个实例较好地反映了模型中各个定量描述, 模型所考虑的对RDS构成立体视觉影响的多种因素均起了一定的作用。
3 结束语
为了提供更好的训练方法, 在RDS识别能修复或者部分修复立体视觉的前提下, 本研究选择了带一定缺口的深度圆形作为识别视标。给出了上述训练方法及训练模型;并定量地描述了双眼立体视觉感知水平, 实验数据的解释符合能量模型, 此方法及模型为修复立体视觉的训练提供了一种可行的途径。在下一步的工作中, 笔者将进一步作基于此方法的训练分析。
反馈模型论文 第2篇
教案、作业检查情况反馈意见
根据古鲁板蒿小学教导处工作安排，教导处对2017年春季开学至4月6号期间的教师教案和学生作业情况进行了检查，检查情况汇总如下：
语文组：
本次教案编写课时量充足，设计合理，结构完整，详略得当，作业次数充足，批注认真，有评语。特别是张青梅、冯荣华等老师的教案内容充实，书写认真，反思深刻。
数学组: 各教师教案编写认真，规范，内容充实，环节完整，有教学反思。且能从实际出发，由感而发，作业批改及时，有详细的批注，评语。郭海辉、肖玉娥等老师，教案编写、作业批改很认真
英语组：
通过检查英语组全体教师的教案、作业，各位教师都能认真备课且设计合理，条理清楚，书写工整，有教学反思。作业形式多样，批改认真，曹海丽老师全批全改且有鼓励性语言，存在问题是个别教师备课量虽足但过于简单，没写课后反思。
音美科品体育组：
本次检查中，教案编写都较认真，及时，足额，且内容较为充实，完备，结构完整，书写认真，反思深刻，设计操作性强，方法多样，体现了新课改理念，作业批改较及时认真，个别同志有针对性评语，对学生进行详细评价，具有很大的促进作用。但也有个别同志教案过于简单，不能完全体现新课改要求，设计不十分合理，需要大力改进。
通过各组反馈情况，总结如下： 好的方面
1．总体检查情况良好，绝大多数老师能根据所任学科教材及班级实际备课、编写教案，课时教案目标突出，渗透了新课程理念，以人为本，面向全体，积极倡导自主、合作、探究的教学模式，有一定教学准备，过程清晰。
2．大部分老师的教案具有内容规范、项目填写齐全、突出重难点等优点，还体现了学习方法、课后练习具有实效性，学习形式多样性的特点。
3．多数老师能根据教学对象和所教科目的不同、科学设计教案、能根据不同年龄、不同层次的学生，采取不同的内容和进度。
4．教学反思有一定的量，大部分老师课后发现有更好的上课思路、方法，能及时写的备课本上，补上去或修改好，使下次备课更加完美，较有效地达到了反思的目的。
5多数教师能够认真对待作业的布置及批改这一环节；批改及时、认真，对于作业完成出色或有进步的学生能够给出激励性的评语，调动了学生的积极性；
存在的问题
1、个别老师的文字书写较潦草，有部分老师的教案教学过程过于简单，没有体现情景的创设，不利于实际教学的操作。
2、个别老师的教学反思写得粗浅，形式化，针对性、实用性不强，没有写出优点和存在的不足，没有改进措施及从中受到的启发或启迪，不能很好地起到反思—调整—改进的作用。
3、个别教师批改作业不够细致认真，对于学生出现的错误没有作出纠正；有的科目作业布置及批改次数过少；上交作业本数不足。
改进措施
1、组织老师学习优秀的教学设计，教研组要加大教学研讨的力度，教导处要增加抽查的次数。
2、必要时，对个别老师进行个别指导，对存在的问题进行“一对一”的交流。
3、教案设计要体现新课程理念；关注学生的实际，要有分层指导，为不同层次的学生服务；课后反思要及时
反馈模型论文 第3篇
关键字：反馈动态神经网络;粒子群算法;异常井
中图分类号：TP301 文献标识码：A
Study on Diagnosis Modle of Oilfield Abnormal Well Based on Feedback Dynamic Neural Network
Li Tie-ning*
（School of Computer and Information Technology，Northeast Petroleum University，Daqing 163318，China）
Abstract：According to oilfield abnormal well， This paper proposes a dynamic feedback neural network model， this model has the characteristics of strong adaptability and higher learning efficiency. Combined with the particle swarm algorithm to compensate for its training speed slowly and easy to fall into local minimum points， it gives the principle of optimization model and algorithm and implementation technology. Finally， according to the actual problem， this papers carries on the concrete application of diagnosis modle of oilfield abnormal well， experimental results show that the model for abnormal well has higher diagnostic accuracy and feasibility.
Key words：Feedback dynamic neural network;particle swarm algorithm;abnormal well
1引言
在油田生产过程中，涉及很多因素，比如说地面设备因素、井下设备因素等，只有当各个因素达到平衡状态，油井才可以正常运行。但是由于井下的不确定性以及设备功能结构的复杂性，传统的技术分析难以实时对发生异常的油井进行及时处理，为保证油田安全，需建立诊断油田异常井的模型。反馈动态神经网络是在反馈神经网络模型的基础上提出的，一种带有信息反馈的网络模型，各神经元节点之间按系统的信息流向进行连接，与传统的模型相比，可提高网络学习的效率和稳定性。结合粒子群算法，优化学习算法，可提高收敛速度和鲁棒性。反馈动态神经网络模型有很多种，本文研究的是三层结构的网络模型，提出基于反馈动态神经网络的油田异常井诊断模型，可对异常井进行判断，具有实际操作的可行性。
2 反馈动态神经的概述
反馈动态神经网络由输入层、隐层、反馈层和输出层构成。图1为三层结构的反馈动态神经网络的拓扑结构。其中，输入层有n个节点，用于完成时变信号的输入以及隐层信号的延时反馈;隐层有m个动态神经元节点，实现的功能是对输入的时变信号进行空间加权聚合和激励运算，并接收来自反馈信号;反馈层与隐层的节点数相同，即m个节点，最后一层为输出层。反馈层实现的功能是接收来自隐层的延时输出作为输入信号，并将信号反馈至隐层;输出层将隐层的时变输出信号进行空间加权聚合、时间累积和激励运算得到系统输出[1-3]。
系统输入为：
反馈层传递回来的作为输入的向量为：
隐层中第j（j=1，2，...，m）个神经元在时刻t的输入为：
则该反馈动态神经网络在时刻T的系统输出为：
图1 反馈动态神经网络拓扑图
3 基于粒子群算法的优化模型
粒子群算法是目前广泛应用的基于群体智能搜索策略的进化优化技术，它具有易理解、易实现，搜索能力强等特点。本文在此考虑到目标函数的复杂性，多样性以及学习效率等问题，采用了量子粒子群算法，粒子位置的移动由量子旋转门实现。将传统粒子的移动速度改变转化为量子旋转门角度的更新，位置的变化转变为量子位概率幅的更新。实现网络参数在时变空间的全局化求解，提高模型的学习能力[5-8]。在反馈动态神经网络拓扑结构确定的情况下，利用量子粒子群算法确定网络连接权函数。具体算法步骤如下：
1、初始化连接权值，设置位置及速度;
2、将一维数组的连接权序列进行编码，统一标准化输入/输出数据;
6、进行迭代，直至满足收敛条件为止。
图2 粒子群优化流程图
4 应用
4.1实验结果及分析
所谓异常井，就是井口注入压力异常、注入量异常、水嘴堵塞、仪表异常、嘴后有气穴、地层压力上升或下降等。在实际操作中，分别选取井口注入压力异常及正常井组成的学习样本，网络结构参数选择如下：一个输入节点，10个反馈动态神经元隐层节点，一个输出节点[9-10]。基函数函数选择优化之后的学习算法，将学习样本代入反馈动态神经网络进行训练，输出两条曲线：
图4-1 正常井组
图4-2 压力异常
4.2与其他方法的性能比较
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，不存在反馈环节，是目前应用最广泛的神经网络模型之一。本文将BP神经网络和反馈动态神经网络模型分别对油田异常井注入压力数据进行分析，首先分别采用正常井注入压力数据训练两种模型，然后用注入井压力异常数据作为测试样本，得到结果如下：
表1 两种模型性能比较
由上图可知，在相同的前提下，反馈动态神经网络模型在准确率上要优于BP神经网络模型，提高了诊断的速度，实现了全局优化技术。
5 结论
本文将反馈动态神经网络与粒子群算法结合，并提出优化算法，将该方法运用到实践中去，证明该方法可提高网络的学习效率和稳定性。但反馈动态神经网络在信息处理时要考虑时变信息的向前传输和反馈相结合的问题，因此，对反馈动态神经网络的信息处理机制和流程是接下来研究的一个重要课题。
参考文献：
[1]许少华，何新贵.一种基于过程神经元网络的非线性动态系统辨识模型及应用[J].信
息与控制，2010（2）：一55一163
[2]HoPfieldJJ.NeuralnetworksandPhysiealsystemswithemergenteolleetive
eomPutationalabilities.Proe.oftheNationalAeademyofSeienee，U.S.A.1983，79：
2554一2558.
[3]HintonGE.，Nowlan5J.Howlearningeanguideevolution.ComPlexsystems，1987（l）：
495一502.
[4]何新贵，许少华.过程神经元网络，2007（6）.
[5]刘铁男，段玉波，雷顺.一种混合遗传算法及收敛性分析[J].控制理论与应用，2003（10）.
[6]葛洪伟，靳文辉.变异量子粒子群优化算法在系统辨识中的应用[J].计算机工程与应用，2007，43（29）：222-225.
[7]王璋，冯斌，孙俊.含维变异算子的量子粒子群算法[J].计算机工程与设计，2008年3月29（6）：1478-1481.
[8] Gao X Z，Ovaska S J. Genetic algorithm training of Elman neural network in motor fault detection[J]. Neural Compu-ting & Applications，2002， 11（ 1） ： 37- 44.
[9]张强，许少华.智能动态诊断模型及在示功图识别中的应用[Jl.计算机工程与应用，
2009（5）：215一217
[10]许少华，邵秀凤，张健.自动生成基于模糊神经网络及综合评判技术的油井压裂方
公众反馈信息评价模型研究及实现 第4篇
近年来,各种各样的危机事件频繁发生,人类的安全不断地受到威胁,危机管理受到各国政府的高度重视。有效的危机管理离不开良好的信息体系建设,在整个危机管理中,信息起到举足轻重的作用。通过信息的收集、传递和共享,公众和政府部门都可以根据信息对危机做出更好的准备,使整个危机管理变得更加协调。有研究表明,危机事件的风险管理是避免危机事件发生或者减少危机事件危害的最有效简便的方法。
社区是城市的基本组成单位,通过社区内的公众参与反馈该社区的风险信息,不仅使得公众具有获取、交换信息并参与决策的权利和机会,也使得社区的风险信息变得可靠丰富,为管理者做出决策提供了很强大的支持。但是,当允许公众通过系统平台参与社区危机管理工作时,首要的任务就是如何判定公众反馈的一些社区灾害风险信息是否真实可信。Slovic(斯洛维奇)在其编著的《风险的感知》[2]一书中,明确指出:人们对于某一具体风险的感知属于心理学范畴,指个体对存在于外界的各种客观风险的感受和认识,并且强调个体由直观判断和主观感受获得的经验对个人认知的影响[4]。公众往往所提供的一些风险信息难免带有一定的主观性和很大的不确定性[5]。同时,公众对于风险的描述大量的是文字性的描述语言,不便于量化[6]。本文采用可信性理论[1]来构建评价公众反馈信息的可信度的数学模型,希望在量化公众参与的有效性以及公众参与社区危机管理工作的便捷性方面有一定的贡献。
本文的主要内容为:首先介绍了可信性测量的相关理论,然后介绍所构建的理论模型,最后通过评价社区公众反馈的火灾信息的可信程度验证了模型的可行性。
1 相关理论知识
对于模糊性的研究,可以追溯得很早。早在20世纪20年代,著名的哲学家、数学家B.Russell就写出了有关“含糊性”的论文。他认为所有的自然语言均是模糊的,比如“红的”、“老的”等概念,它们没有明确的内涵和外延,因而是不明确的和模糊的.1965年,美国控制论专家、数学家Zadeh[3]通过隶属函数提出了模糊集的概念,标志着模糊数学这门学科的诞生。
随后,模糊集在理论方面得到了完善,在应用领域得到了广泛的普及[6]。在人工智能、医疗诊断、天气预报等领域都使用了模糊集中的理论方法,甚至在一些社会学领域也有所使用。在应用模糊集理论的不断深入过程中,特别是在信息化应用中出现了越来越多的模糊性[7],如何衡量这些模糊性,学者们提出了模糊信息熵的概念,主要用于度量各种随机出现的不确定性的模糊程度。本节主要介绍即将构建的模型涉及到的一些预备知识。
1.1 模糊集的基本概念
日常生活中,人们总喜欢按照一定的标准把事物区分的一清二白,黑就是黑,白就是白,这样的事物具有很清晰的区分界限,这个界限可以称之为“类属”,比如:足球是圆形,不是方形。此处的形状的区分有明确的定论。但是,生活中还有一些事物,人们是无法对它们进行准确的分类,更不可能给出是或不是之类的定论,比如谈论一个人的身高时,笼统地说A比B高,但是高的精确程度,往往却不会给出。毕竟对于一个人身高的描述很多时候是靠感觉给出的结论[1]。这样一来,身高就带有了一定的模糊性。换言之,就是事物本身存在一定的模糊属性。
如果只有“是”或“否”这两个答案,利用集合论的表示方法就成为,一个集合A和它的余集Ac,任意元素x要么属于A,要么属于Ac,只能是这两种情况。相应地,特征值也就只有两个取值:0或1。但是,现实生活中也有很多模糊性的说法,如:“老年人”,“年轻人”,这些说法不能用刚才提到的集合A来描述,因为老年或者年轻不能用一个明确的划分来区别,为了对于这类说法进行表示,需要使用模糊集的理论。这样一来,此类集合的特征值就不是简单0,1取值,而是位于[0,1]区间上的某个取值,这成了模糊集构建的基本思路。
论域X上的模糊集A定义为:
其中,称A(7)x(8)是隶属度函数,满足下面的条件
此处,代表隶属空间。
[0,1]是经常使用到的一个隶属空间,通过前面对于模糊集的讨论可以看出,论域X和隶属空间之间的映射就构成了一个模糊集。
此时,可以使用隶属函数A(7)x(8)来描述某个元素隶属于模糊集A的程度。因此,使用(7)x,A(7)x(8)(8)可以清楚表明的隶属程度。特征值A(7)x(8)越大,表示的隶属度越高。
与经典集合可由其特征函数所确定一样,模糊集A也能由其隶属函数所确定.当隶属函数A(7)x(8)的值域为集合1,0时,模糊集A便退化为经典集合,而隶属函数就等同于特征函数.由此可知,模糊集概念是经典集合概念的推广,经典集合是模糊集的特例。
1.2 可信性理论概述
自从模糊集的概念在1965年由Zadeh[1]利用了隶属函数提出以后,在描述模糊事物的量化过程中,Zadeh[3]本人又提出了可能性测度的概念,后来,我国数学家刘宝碇在此概念的基础上于2002年[3]提出了可信性测度的概念,在继续对于模糊事物进行刻画的过程中,他又在2004年创建了可信性理论,并使得该理论成为描述模糊事物的一个数学分支。本节就其中主要的内容进行简单的介绍。
假设集合是非空的,集合是它的一个幂集,称集合中的某个元素A为一个事件,然后使用{A}表示认为A会发生的可信程度,不过要满足以下四个公理条件:
公理1{}=1
公理2每当AB时,都有{A}{}
公理3对于任意的事件A,有{A}+{Ac}=1
公理4对于任何满足的事件列{A},有
这样,描述了可信程度的函数称为可信性测度。
定理1假设集合是非空的,集合是它的一个幂集,可信性测度函数是,则就集合中的任意元素A而言,
定理2假设集合是非空的,集合是它的一个幂集,可信性测度函数是,则就集合中的任意元素A,而言,
定理3设是一非空集合,如果是一个可信性测度,则有
此处,在(1)式的基础上,进一步给出扩展可信性的定理4。
定理4假设集合是非空的,是集合上的满足(1)式条件的一个非负函数,那么对于而言
这样,当假设集合是非空的,集合是它的一个幂集,可信性测度函数是时,(,,)这个三元组被称为可信空间。
定义1假设可信空间(,,)与实数集之间的映射构成一个函数为,这个函数称为模糊变量。
定义2假设存在一些相互独立的模糊变量1,2,,,那么在实数集合上的集合1,2,,,有
定理5假设存在一些相互独立的模糊变量1,2,,,只有任意满足的实数1,2,,,成立
定理6假设描述模糊变量ξi的隶属函数为μi,i=1,2,,m,描述模糊向量(ξ1,ξ2,,ξm)的隶属函数则为μ,那么如果这些模糊变量ξ1,ξ2,,ξm是相互独立的,只有任意实数x1,x2,,xm,下式成立,
2 模型构建
2.1 问题描述
通过开放的系统平台,让公众参与社区危机管理工作时,应急工作所面临的核心问题是公众参与的有效性问题,也就是参与的可靠性问题,而公众提供的一些社区灾害风险信息是否可信,不应当仅仅由社区的管理层来做出判断,更需要通过一系列的数据指标来表征,进而通过作为参与者的公众和社会成员的感受来确认。
但是,公众所提供的反馈信息往往不都是定量指标,带有一定模糊性,比如:当他看到自己住的楼宇内安全通道被别人占用造成拥塞,他只会通过系统反馈一种对于火灾风险的感知性描述信息,“这种行为容易瞒下突发火灾时的逃生隐患”;或者当看到社区内有人破坏消防设施,他也会以“万一发生火灾,怎么灭火”的想法来描述感知到的火灾风险。
同时,公众反馈的社区灾害风险信息如果仅靠一两个指标来衡量时,也会导致结论的不确定性。例如,根据信息来源1和信息来源2所反馈的风险发生的时间,评价反馈信息的可信度问题时,如果来源1说某风险发生时间是凌晨3点,而来源2说该风险发生时间是凌晨3点40分,这样一来,风险发生时间的跨度较大,最终二者组合起来考察时,还会造成得到一个不可信的或者怀疑的结果。这也许会与真实情况不符合。
怎么才能设计一个可以将描述性风险信息进行量化,又可以尽量减少主观因素干扰的数学模型,对于公众反馈信息的可信度进行评估呢?结合前期的调研,本文采纳可信性理论为基础,构建此类可信度评估模型。
2.2 模型建立
基于可信性理论并且根据本文的应用背景,假设有这样一个因素集={1,2,,},根据每个因素权重的不同构成了=(1,2,,),此处,A就是隶属于因素集的一个模糊集。假设集合=[0,1],定义在可信空间(,,)上的模糊变量1,2,,m,组成评语集={1,2,,m}。
第一,评判单个风险信息的每一个因素,具体步骤如下:
使用公式(1),这个公式来源于可信性反演定理,来评估单个风险信息的每个因素的可信度。
其中,(x)表示在因素i下x对评语的隶属度,i=1,2,,;=1,2,,m,并且(x)的值可以通过公式(2)计算得到:
此处,表示不同的社区公众对于某一灾害风险的因素i评价的数值。
并且,描述模糊集中的事件(=i)的可信性的测度值为i={=i},也就是说,在因素i下待评判的对象属性i属于评语的可信程度,从而可以得到构成因素i的各个子因素的评判值为i=(i1,i2,,im),它本身就是一个评语的模糊集。
当把对于这个因素的评语作为矩阵的行向量时,就可以得到一个整体的评判矩阵。
此处,称为综合评判可信性测度矩阵。
第二,确定基于矩阵的风险信息的可信度
计算风险信息的可信度,利用公式(3)进行模糊线性变换,得到评语集上的模糊子集[13]:
其中,*为普通的矩阵乘法运算,m(=1,2,,m)称为待评判对象为评语的综合可信性测度,反映了待评判对象的可信程度。
第三,根据最大可信性测度原则,选择=(1,2,,m)中最大的所对应的评语作为综合评判的结果。
总之,此模型的计算步骤如下:
(1)确定评价对象的因素集=(x1,x2,,x)
(2)确定评语集;
(3)作出单因素评价=(i)m;
(4)综合评价。
2.3 模型验证
为了验证所设计的模型,本文设计并实现便于社区公众参与危机管理活动的系统平台(图1所示),让兰州某社区的居民积极使用该系统平台,一方面可以查看已有的社区火灾风险信息,另一方面,该社区的居民通过系统可以反馈社区火灾风险信息。
该社区的危机管理人员为了评判社区公众反馈的火灾信息的可信度,可以按照如下步骤进行:
第一,选取这样5个与反馈信息相关的因素进行评判:w1火灾风险的熟悉程度;w2空间的关联程度;w3反馈时间的关联程度;w4反馈内容的完整程度;w5身份信息的完整程度。
第二,对于构成火灾风险信息的每一个因素wi都对应了五种不同的程度描述值:非常重要;比较重要;重要;有点重要;不重要。这五种描述信息对应的量化值分别为:0.5,0.4,0.3,0.2,0.1。
第三,根据风险感知理论,假设5个因素在火灾风险信息的可信度评估中所占的比重分别为20%,30%,20%,20%和10%。结论分为四种情况:完全可信(v1),可信(v2),有些怀疑(v3);不可信(v4)
因此,因素集U={火灾风险的熟悉程度(w1),空间的关联程度(w2),反馈时间的关联程度(w3),反馈内容的完整程度(w4),身份信息的完整程度(w5)};
结论集V={完全可信(v1),可信(v2),有些怀疑(v3),不可信(v4)};
结合上述内容,因素集权向量A=(0.2,0.3,0.2,0.2,0.1)。
第四,对U中每一个因素ui(i=1,2,3,4,5)进行单因素评判,通过在线系统获取这个社区内的四类居民提供的火灾风险信息以及居民本人的身份信息,然后给出相应信息的公众数的百分比作为隶属度,构成如下初步的评判矩阵W
第五,利用公式(2)对矩阵W进行模糊线性变换,得到如下的模糊矩阵1
第六,利用公式(1),得到综合评判的可信性测度矩阵
通过上述的步骤,系统可以计算得到这四类居民所提供的火灾风险信息中每一个信息的测度值。
第七,通过进行模糊线性变换,借助(3)式可以获得综合了多个因素后的评判结论,也就是一个评语集V上的模糊集,以便某社区的决策者最终来确定火灾风险信息的可信度。
社区的决策者可以根据最大可信性测度原则,得出结论为居民所反馈的火灾风险信息为“完全可信”。
3 结论
借助本文中设计的公众反馈信息的评价模型,该社区居民在反馈该区的火灾风险信息的过程中,原型系统对社区居民个人的反馈信息进行可信性评判,得到一定的结论,即火灾风险信息的可信程度,具有一定的实用价值。
摘要：由于危机事件在各大城市中频繁地发生,灾害预防和减缓已变得越来越重要。对于社区居民而言,一个有用的减缓风险措施是让社区成员在实际危机发生前反馈相关的风险信息。决策者及时告知公众社区中存在的风险信息。然而,人们对于同一风险的感知程度是不一样的,同时,反馈信息中含有过多的公众主观性意见,导致风险信息比较模糊,决策者难以确认该风险信息是否可靠。在本文中,作者采用可信性理论来构建评价公众反馈信息的可信度的数学模型,然后,通过设计一些实验数据作为公众的意见以验证所设计模型的可行性。
关键词：计算机应用,可信度模型,风险感知,评价
参考文献
[1]刘宝碇,彭锦.不确定理论教程[M].北京:清华大学出版社,2005.LIU B D,PENG J.Uncertain Theory Tutorial[M].Bei Jing:Tsinghua University Press,2005
[2]保罗.风险的感知,北京出版社,2007年12月SLOVIC P.The Perception of Risk.Bei-jing Press,Dec.2007.
[3]刘宝碇.不确定理论[M].Springer出版社,2004.LIU B D.Uncertain Theory[M].Springer Press,2004.
[4]王少杰,郑雪峰,初俐君等.基于个体经验的反馈可信度算法研究.计算机工程,2008,34(8):59-61.WANG S J,ZHENG X F,CHU L J.etc.Research on Feedback Trust Algorithm Based on Individual Experience.Computer Engineering.2008,34(8):59-61.
[5]吴建斌,吕刚.基于用户经验反馈的Web Services可信度评测体系构建.计算机应用,2009,29(8):2291-2298.WU J B,LV G.Trust and reputa tion eva lua tion forWeb serv ices ba sed on user experience.Journal of Computer Applications,2009,29(8):2291-2298.
[6]张静敏.模糊综合评判在教师课堂教学质量评估中的作用[J].安庆师范学院学报(自然科学版),2008,14(3):93-95.ZHANG J M.Fuzzy Judgement in Evaluation of Undergraduate Teaching Quality[J].Journal of Anqing Teachers College(Natural Science Edit ion),2008,14(3):93-95.
反馈模型论文 第5篇
随着互联网技术的发展和应用,越来越多的人喜欢在互联网上阅读博客,然而博客信息资源的飞速增长,用户很难在短时间内找到对自己有用的信息或自己感兴趣的信息。虽然有了搜索技术可以帮人们过滤一部分无用信息,但是每个人的喜好偏向不同,不能对所有人都展现同一个结果,因此产生了个性化推荐技术,为用户提供个性化内容。然而由于用户兴趣变化较快,个性化推荐技术对用户兴趣模型的更新周期长,对用户短暂兴趣的分析不到位,不能给用户提供合适的内容。用户的兴趣可能会受工作的需求、心情的好坏、所处的环境等因素的影响,因此把握用户当时的真实需求是很重要的。自适应博客推荐基本思想是根据用户需求偏好的变化,分析用户的心理状态,挖掘用户需求的侧重点,自动适应调整推荐结果,为用户提供准确的博客内容。
在电子商务领域已成功使用推荐技术[1]为用户提供产品推荐的,例如如当当网、淘宝网、亚马逊网等电子商务网站。协同过滤推荐是电子商务推荐系统中应用最好的推荐技术[2]。现在的用户比较个性化,兴趣变化也较快,系统很难掌握用户兴趣的规律,因此有人提出了自适应推荐思想,让推荐跟着用户兴趣的变化而变化,且是动态的。例如阈值设定方法,它是在用户的配置文件中简历一些问题集,系统利用已有的数据与用户配置文件相似度分布确定一个最佳阈值,使系统最大程度区分与用户相关和不相关的项目,只有与用户配置文件相似度大于最佳阈值的项目才能影响到用户配置文件的更新。然而阈值的设定是困难的,它需要大量的数据分析才能得出最佳值。在电子商务领域用户关注的产品类型相对比较稳定,收集用户的信息能通过用户对产品的评分等方法都能得到,而在博客领域,由于博客用户即是博客发表者,也是博客阅读者,博客用户可以有双重角色,博客用户关注的信息变化也很快,因为博客内容可以是对新闻事件的观点发表,可以是技术分享,可以是连载小说,可以是日志记录、可以是知识的分享等,有些博客本身的效应是短期的,能收集的信息就不多,因此使用阈值设定方法很难提供准确的博客信息给用户。
用户模型是具有特定数据结构的形式化描述[3],分别以关键词、主题、关键词向量表示[4,5]。用户模型有手动定制模型、实例模型和使用学习模型的自动模型[6],其中前两个都是显式建模技术,然而在使用显式建模技术收集用户的相关信息的时候,一方面用户输入的信息真实性有待判断,另一方面影响用户的使用效果。因此,现在越来越多地采用隐式建模技术,这样能在很大程度上提高系统的适用性,通过后台方法收集用户的行为动作来完成用户的信息收集。
由于博客自身的特点决定了用户的兴趣也是变化很快的,在博客领域的推荐就需要自适应的学习用户模型[7],这样才能提供博客的推荐质量。基于以上的分析,本文提出一种新的自适应推荐方法,其主要思想是通过隐式收集用户的反馈记录,使用反馈处理机制分析用户的行为,挖掘用户的需求;使用学习机制分析用户的阅读方式,对用户的兴趣进行跟踪,实时调整推荐结果,在达到一定条件后使用贝叶斯信任度修正法[8]更新用户模型。
1 贝叶斯信任度修正
贝叶斯信任度修正是用来对用户模型的更新。在用户阅读的过程中,用户的兴趣也在不断的变化中,因此要使用贝叶斯信任度修正法更新用户模型的相应属性值。一个配置文件[9](用户模型)中包含有用户兴趣属性值(或属性集)。系统在用户浏览每个页面的时候给提供一组链接,当用户每次点击一个链接的时候,站点会相应的修正用户配置文件关于该类的喜好值。在任何有意义的交互过程中,配置文件获取用户的每个i值可能属于类ai,若用户从当前的提供集Of中点击一个新链接lj,系统需要修正用户的配置文件,因此,要计算P(ai|LH,lj)的每个值。用贝叶斯定律,配置属性表示为:
P(ai|LH,lj)=(1/k)P(LH,lj,ai)P(ai)
这里,P(ai)是站点预先分配的配置属性,k是一个归一化因子。假设条件在讨论前是独立的,我们能写成:
P(ai|LH,lj)=(1/k)P(LH|ai)P(lj|ai)P(ai)
应用贝叶斯倒置出P(LH|ai)在前面的表达式中,我们得出:
代数简化之后,我们得到下面式子:
这里,P(ai|LH)是之前依赖于用户的配置属性在用户使用当前页面的请求时的值。P(lj|ai)是类ai成员将点击在提供集Of一个链接lj的值。这个概率用户贝叶斯定律能估算单个链接与链接集的在提供集Of关系如下:
一个链接可能属于多个分类中,也会在不同的提供集中出现,因此在该链接选中的概率与在其他提供集中选中的概率是不一样的,这是因为不同提供集分母在式(2)中包含的条件与不同链接的概率参数是不相同的。
2 自适应推荐机制
2.1 自适应推荐原理
一个好的推荐模型不仅能适应个性化的需求,也能有学习和适应能力,能随着用户的兴趣变化,产生更好的推荐效果。自适应推荐中要经过用户建模、用户模型学习过程、项目表示、项目推荐,其中用户建模是对用户行为的收集,并初始化用户模型;用户模型的学习过程是自适应的关键,它要根据用户的实时行为反馈分析用户此时的需求重点,让推荐系统相应作出调整;项目表示,是对每篇博客使用其中的特性来表示,本文中使用博客的分类值和受欢迎度来表示博客;项目推荐是根据用户模型和项目特征为用户推荐项目结果。具体推荐原理如图1所示。
在图1中首先把博客组成一个链接集合,根据设定的判断条件筛选出有效的链接组成候选链接集合,同时选择好推荐基数和调用用户模型作为启发式推荐方法的输入参数,使用启发式方法推荐出最优链接集合,该集合就是推荐的结果,在用户根据推荐结果发生行为的时候就是学习的过程,系统会记录下用户的行为,使用反馈处理机制,并根据学习策略做出相应的处理,最后使用贝叶斯信任度修正法修正用户模型,同时也在用户发生下一次阅读时调整推荐结果。
2.2 反馈处理机制
在博客网站中,用户既是信息的阅读者,也是信息的发布者,根据这一特点就能通过多方面把握用户的基本需求,首先通过用户注册的博客账户中的信息以及判断用户使用自己的账户发表的博客属于哪一类的文章,就可以模糊地了解到用户主要是对那些方面的文章感兴趣,同时用户也会去关注其他博主的博客,在用户阅读的过程中,判断用户是否真的感兴趣,就要看用户在这篇博文停留的时间,以及还会不会继续查看该博主其他相关的博客,用户可能还会评论博文等。这些都要通过隐式反馈处理,系统会记录下用户的行为动作,以及访问的导航记录。用户反馈的动作记录为:博客编号、发生的动作、发生时间、发生用户。如表1所示格式,图2表示的导航记录。
2.3 学习策略
用户兴趣的变化,要求不断地学习这个变化过程,能准确地分析出用户的变化趋势,不断地调整用户模型。在反馈机制中记录了用户的行为,因此就要分析这些记录,从中学习到用户的兴趣变化。
从导航记录中,我们可以学习到用户阅读过哪些博客,分析出用户阅读的方式。
定义1 如果用户阅读的是系统推荐的博客,又继续阅读系统推荐的相关博客,则推荐的博客符合用户的需求,可以保持推荐效果。
定义2 如果用户阅读的是系统未推荐的博客,又继续阅读的还是系统未推荐的博客,则建立跟踪点。
定义2的方式说明该类可能是用户的临时兴趣或用户的新兴趣或者其它可能,因此要建立跟踪点,把该兴趣作为临时兴趣,通过一段时间的跟踪,发现用户若没有继续关注该类博客,则可以取消跟踪,不做用户模型变化,并从临时兴趣中删除;若用户关注该类的博客次数在不断增加,则表用户是感兴趣的,可以考虑加入用户模型中,经过计算赋予一定兴趣值。
定义3 如果用户阅读的是系统推荐的博客,继续阅读的是系统未推荐的博客,则建立跟踪点,并加强分析反馈记录。
定义3方式可能是用户在推荐的基础上,看到该博主的其他相关的博文也很感兴趣,说明用户对该博主的其他方面是非常有兴趣的,建立跟踪点,需要加强分析反馈记录,更新用户模型。
对博客页面的结构分析,得出一篇博客的结构一般由标题、标签、发表日期、分类、正文、阅读次数、评论次数等内容组成。博主都会把标签都表示成能代表该篇博客的主题词和关键词,因此,从博客标题和标签就能初步的做到能表示该篇博客的关键词,然后再从博文中筛选出以下几个方面的关键词:人物、事件、地点、时间和原因。但由于不同类型的博客能表示的因素不一样,例如,对政治新闻的评价博文,就会包括人物、机构、国家等,观点可能涉及到经济、军事、政策等。因此为了统一,建立关键词库。每篇博客的用关键词表示,这样在用户阅读了该篇博客后,就能很快的知道用户感兴趣的关键词,实验中,用户模型中存储结构如表2所示。
2.4 启发式方法提供最佳提供集
在目前大多数站点中页面数量是巨大的,组合的提供集数量也是巨大的,去评估这些提供集是个很大的工程。查找最佳提供集是很困难的。因此,我们要识别一些链接的特性使他们包含在合适的提供集中,这些特性用来研究一个启发式方法。
该方法是在构造提供集时利用链接属性概率和链接受欢迎度来寻找最佳链接集。它也包含不同属性类型的集中属性,同时也保证与链接在一个类中的受欢迎度和尽可能接近于与链接其他类的受欢迎度和。
输入:把链接集合中的博客根据条件筛选出有效的链接组成候选链接集,提供集的基数为n,类预设值P(ai),用户模型中的兴趣分类值。
算法:
(1) 根据用户的兴趣分类,对相应每个属性类,找出链接属性值P(ai|lj)大于类预设值P(ai)的链接,把这些链接按照类的属性值降序排序。
(2) if:没有链接在最优链接集中:
(a) 把排列在前面的链接直接添加到最优链接集中。
else:有链接在链接集中:
(b) 在每个属性类,计算链接受欢迎程度P(lj)在最优链接集的和。
(c) 判断类中链接受欢迎度最小的。
(d) 把类排序列表前面的链接添加到最优链接集中。
end if
(3) 移出已从类排序列表添加到最优链接集的链接。如果一个链接在多个列表出现,就把他从所有含有这个链接的列表中删除。
(4) 重复第(2)步和第(3)步直到n个链接被选中。
(5) 用户阅读博客,按照学习机制判断用户的阅读方式。
if:定义1,则对该用户推荐保持不变;
else if:定义2,建立跟踪点,并添加到临时兴趣中;
else if:定义3,建立跟踪点,并添加到临时兴趣中;
end if
(6) 分析用户反馈记录,若有跟踪点,则对跟踪点进行判断是否是用户持续关注的。
if:用户持续关注,则添加到用户短期兴趣中;
else:用户关注很少,则可以放弃跟踪,从临时兴趣中删除;
end if
(7) 根据分析结果对用户模型更新,可以是用户长期兴趣和短期兴趣的转换,并更新相应的兴趣值。
(8) 重新进行推荐。
该链接是每个类的排序列表的前面的高属性链接。一些链接,如果用户点击,将很可能增加用户属于该类的概率。因为一个用户很可能点击一个链接喜欢相同类的其他链接,这个方法允许自适应学习用户的配置属性。在每次交互中,这个算法添加到提供集中的链接都有最大的配置属性,也要保证链接的概率增强每个类被点击尽可能的平衡。
在候选链接集合形成过程中的判断条件有很多,例如发布一段时间访问量极低的博客,博客分类值低于预设值的博客等。当然新发布的博客文章是没有受欢迎度的,这在系统中会考虑在一段时间内发布的博客都会进入候选集合中。
推荐基数的选择是根据不同的页面调整的,因为在不同页面布局下面,用户关注的内容是有限的,要把最优的展现给用户。因此调整基数数目是必须的。
推荐结果展现给用户后,用户在做出使用什么样的阅读方式进行阅读,这需要根据阅读策略来判定对用户的影响,用户发生的行为通过反馈处理机制来学习分析用户的需求变化。
3 实验结果与分析
实验是在Windows Server 2003系统下运行,开发工具为Eclipse 6.5,使用Java语言编程,运行界面为控制台输入输出,实验中分别测试输出不同个数博客的结果。
实验数据是通过编写的爬虫程序从新浪博客中抓取的2730篇博客文章作为实验数据。在本学院研究生中进行实验,通过一段时间的统计,分析出每篇博客的关键词分类和博客的受欢迎程度。在训练数据的过程中收集了用户的阅读记录。
实验采用召回度和准确度作为评价指标,并且用阈值设定方法TSM(Threshold Set Method)与本文提出的自适应启发式方法(AHL)进行对比实验。
实验结果如图3和图4所示。
在试验中,分别采用了推荐的基数为10、15、20、25、30的博客数目,在预设链接属性值的最小过滤值为0.1。
实验结果表示,在召回度中随着推荐基数的增加,符合用户兴趣的博客内容被推荐的更多,用户选择的空间更大,因此召回度会越来越大。在准确度中两种算法都有一个上升和下降的趋势,可见都会有一个合适的值时会出现最佳的推荐效果。在1-15的推荐基数下推荐的准确度是在上升,说明该推荐基数下的博客符合用户的兴趣趋势,但是在超过15推荐基数后由于推荐数目的增加,推荐的内容增多,推荐误差就会增大,推荐效果就越来越差。
本文提出的模型,比阈值设定方法适应性更强,并且该算法过程简单,是一种较好的自适应博客推荐方法。
4 结 语
通过对用户反馈信息的收集和分析,并对用户阅读方式的判定自学习用户模型,适应调整推荐结果,本文还对推荐过程中的博客集合进行条件筛选提高推荐效率,也平衡用户的兴趣。今后工作将处理用户反馈信息的噪音处理,因为用户的行为是用户的心里反应,但是有些行为对用户的兴趣没有作用,或者可能产生误导,因此要对用户反馈信息进行深入挖掘处理,以达到准确地把握用户的兴趣,为用户推荐最准确的博客。
参考文献
[1]Schafer J B,Konstan J A,Riedl J.E-Commerce Recommendation Applica-tions[J].Data Mining and Knowledge Discovery,2001,5(1-2):115-153.
[2]Breese J,Hecherman D,Kadie C.Empirical analysis of predictive algo-rithms for collaborative filtering[C]//Proceedings of the 14th Conferen-ceon Uncertainty in Artificial Intelligence(UAI’98),1998:43-52.
[3]Brusilovsky P.Predicitive statistical models for user modeling[J].Us-er modeling and user adapted interaction,2001,11(1-2):5-18.
[4]Langley P.User modeling and adaptive interfaces[C]//17th NationalConference and Artificial Intelligence,2000.
[5]Zhu T,Greiner R,Haubl G.Learning a model of a Web user’s inter-ests[C]//The 9th International Conference on User Modeling,2003,USA.
[6]赵忠孟,袁薇,何世丽,等.个性化搜索引擎中用户模型智能调整算法的研究[J].计算机工程与应用,2005,41(24):184-187.
[7]Rashid A M,Albert I,Cosley D,et al.Getting to know you:Learningnew user preferences in recommender systems[C]//Proc.Internat.Conf.Intelligent User Interfaces,ACM,New York,2002:127-134.
[8]Wong S K M,Butz C J.A Bayesian Approach to User Profiling in In-formation Retrieval[J].Technology Letters,2000,4(1):50-56.
反馈模型论文 第6篇
随着虚拟现实领域研究的进展和外科手术方式的复杂化和精细化,虚拟手术渐渐成为热门的研究课题。传统的外科手术面临如下困难:一方面,手术过程越来越复杂,需要详细的手术规划和术前预演。通过预计在实际手术中可能出现的复杂和险要情况,制定合理的个体化手术方案,提高手术成功率[2]。另一方面,医学院医生在手术室中的训练计划越来越少,需要通过计算机辅助技术或虚拟手术器械进行手术过程的仿真和模拟,来延长医生的学习曲线。此外,虚拟手术还可以将熟练医生的手术操作进行保存,用于解剖学和临床手术的教学,这也有利于医生重复训练重要的手术操作[3]。总之,虚拟手术具有非常巨大的社会价值和经济价值。本课题将建立一个用于手术训练的虚拟腹部外科手术系统。
腹部外科手术一直被认为是难度高、风险大的手术,主要因为腹部器官内部结构的复杂性和变异性[4]。虚拟手术系统在计算机中建立一个虚拟3D环境,通过虚拟手术器械,提供精确的视觉仿真和细腻的力觉反馈,仿真模拟手术过程。人体对触觉相较视觉而言更加敏感,25 Hz以上的视觉图像看起来就是连续的,而力觉信息的频率要达到250 Hz以上才会平滑。也就是说,力觉绘制线程每4 ms要运行1次以上,将耗费大量的CPU时间。在实现物理真实的形变模拟的同时,还要进行真实的力觉绘制,所以系统需要解决模拟的真实性和系统效率的问题。
对虚拟手术系统而言,力反馈具有特殊的价值,因为触觉手感是外科医生手术技巧的基础。目前,虚拟手术的研究和开发己经有了很大的进展。法国的INRIA研究小组一直致力于肝脏切割模拟器的研究,并在此基础上实现了对肝脏等软组织的切割和撕裂等仿真操作[5]。德国Karlsruhe研究中心成功开发了用于妇科手术的内窥镜虚拟手术系统,并能实现对软组织进行切割、烧灼和捏等手术操作的仿真。与国外研究情况相比,我国的研究才刚刚起步。上海交通大学谢叻等开发了一种多功能的虚拟手术器械[7],可实现手术刀、手术剪和手术钳等操作,但还不具备力反馈功能。国防科技大学与301医院联合开发了带有力反馈的虚拟膝关节镜手术系统[8]和虚拟心脏介入手术系统[9]。为了提高虚拟切割的性能,青岛大学贾世宇等提出了一种先细分后分裂的新式交互切割方法[10]。针对虚拟软组织形变多为大变形的特点,哈尔滨工程大学朱玲等提出了一种改进的质点积分无网格的力反馈技术[11]。
目前使用的基于物理的变形方法主要有mass-spring方法和FEM[12]。相较FEM模型,mass-spring模型的计算复杂度低,拓扑结构修改方便,所以目前我们使用mass-spring模型来模拟变形。但mass-spring模型基于连续物体离散化的理论,精度系数和阻尼系数不易确定,在模拟的真实性方面不如FEM模型。文献[13]提出了使用模拟退火法参照FEM模型来调整massspring的劲度系数和阻尼系数的方法。用mass-spring模拟整体形变效果也是一个挑战,文献[14]实现了使用广义弹簧保持几何形状和体积、使用形状匹配实现整体形变、使用逆向动力学修正“超弹性”的mass-spring模型。而在实时力觉视觉交互的系统之中,即使易于求解的mass-spring模型的效率也有待提高。
1 虚拟手术系统的设计
整个系统分为预处理和实时计算两大部分,如图1所示。
(虚线框平行四边形部分不属于本文讨论范围)
目前我们系统的基本架构已经基本完成[15]。系统可以读入.obj格式的三维模型,使用线段来表示手术器械的形状,并进行线段与表面三角网格的碰撞检测;进行弹簧—振子的触觉绘制;使用广度优先的力传播模型来实现局部变形,降低了系统的计算复杂度;使用基于四阶Runge-Kutta方法的表面网格massspring模型进行变形仿真,从而在使用更大的仿真步长的同时还能得到更好的仿真效果,减少了单位时间的计算量;可以实现实时的视觉和力觉反馈。
2 力反馈算法的设计
2.1 手术器械表示
在众多的手术器械当中,手术刀和电刀无疑是应用最为广泛的。它们是在腹部外科手术操作过程中,在组织或器官上造成切口的必备工具。本文分别采用线段来表示其几何特征,其他笔杆状器械也可采用该形式表示。如图2所示,灰色区域代表外形;点P是手术器械的质点,对应着笔杆状器械的尖点;点Q是器械的手柄代表点,对应着笔杆状器械的末端;方向n是器械表面的法线方向;点R是手术器械的受力代理点。本文通过这样的方式把笔杆状的手术器械表示为线段PQ,进行有关碰撞检测、力传播模型、触觉绘制方面的交互计算。
2.2 碰撞检测
由于本文用一条线段来表示笔杆状的手术器械,用三角网格表示腹部外科组织表面,所以手术器械和脏器组织之间的碰撞检测问题就可以简化为线段与三角网格的相交检测问题。如图3所示,线段的两个端点为P(Px,Py,Pz)和Q(Qx,Qy,Qz),三角形的三个顶点分别为P0(x0,y0,z0)、P1(x1,y1,z1)和P2(x2,y2,z2)。相交检测的任务则是判断线段有否与模型的三角片相交,若相交,则求出交点R(Rx,Ry,Rz)。关于线段和三角形的相交检测方法分两步:
第一步是判断线段与包含三角形的平面是否相交,若相交,则求交点。
点R在线段PQ上,同时点R在三角形P0P1P2上,则有:
其中t是比例系数,n为三角形的法向量,d为常量。可以求出:
若比例系数t满足0≤t≤1,则线段与该平面相交,代入式(1),求出交点R。
第二步是判断点R是否在三角形P0P1P2内。
为了减少计算量,本文通过三角形投影,把3D问题转化到2D中。通过降维操作,将三角形投影到某一个基本水平面上。为了避免垂直或者接近垂直的情况,一般挑选投影面积最大的投影面。这可以通过检查三角形平面的法向量做到,去掉其绝对值最大的分量对应的坐标。如图4所示,这里假设投影面为XOY平面,去掉z坐标。
此外,本文通过计算交点的重心坐标,来判断它是否在三角形中。其中,重心坐标(α,β,γ)即是三角形所在平面的任意点都能表示为顶点的加权平均值。若满足0<α<1,0<β<1,0<γ<1,则点R在三角形P0P1P2中。其具体计算公式如下:
解方程组可得:
2.3 触觉绘制
在检测出手术器械与物理模型碰撞之后,系统将构造反馈力并在力反馈设备Phantom上进行触觉绘制。对于这类笔杆状的手术器械,本文假定切割中的反馈力作用于尖端P上(如图2所示)。软组织对器械的约束力fh通过定义手术器械与接触点的弹性约束kconstraint来实现触觉绘制。kconstraint描述的是一个虚拟弹簧的约束力刚度,如图5所示。虚拟弹簧的两个端点分别是手术器械上的接触点和物体上的接触点。刚开始两个接触点重合,虚拟弹簧初始长度drelease=0,当手术器械进入物体,手术器械上的接触点移动,弹簧的长度变为d,那么反馈力是:
2.4 广度优先的力传播模型
很多手术操作并不会引起组织的全局变形,例如手术刀在胆囊上切割一道入口、止血钳钳住血管等。我们假设以线段表示的手术器械和物体只有一个接触点R,当这个接触点在外力的作用下发生运动时,此接触点就成为受激发的节点,在该中心受力节点上产生的应力通过与其相连接的弹簧作用在其他相邻质点上,从而把力向周围传递,带动相邻的节点运动。这样,物体的变形就由于节点的运动而产生了。广度优先的力传播模型如图6所示。
图6中,接触点R是广度优先搜索的第一层变形顶点,它的相邻点形成第二层变形顶点,第二层变形顶点的没有被访问过的相邻点形成第三层变形顶点。
本文使用广度优先力传播模型来实现变形的局部性[16,17],其基本思想是外力先作用于该接触点,然后以广度优先遍历的顺序,先传播到接触点的最近邻点,然后是最近邻点的未被访问的相邻点,这样传播直到最大的遍历深度为止。如图6所示,在最大深度为2的情况下,按照广度优先的方法,接触点的反馈力在第一层传播中更新与该节点相连接的6个邻接节点的位置信息,在第二层传播中则依次更新这6个节点的邻接节点(12个邻接节点)的位置信息。具体步骤描述如下:(1)确定遍历深度n,一般遍历深度取值越大,形变仿真的逼真程度则越高,这需要在计算复杂度和虚拟仿真度之间做出平衡,本文设定n=3。(2)建立一个空集L0,将接触点集V0中的初始接触点加入L0,其中,在初始状态下,V0只有一个接触点R(手术器械的受力代理点)。(3)依次创建Li={Li|i=1,2,…,n},并将接触点集V={Vi|i=1,2,…,n}中所有的点加入L0,对每一个在Li中的顶点,访问其相邻点,如果该相邻点已经被访问过,不做任何工作,否则置该相邻点的状态为被访问并将该相邻点加入Li+1。(4)当达到最大的遍历深度n时,输出变形顶点集合{L0,L1,…,Ln}。
对于手术工具和物体有多个接触点的情况,则独立地以各个接触点为树根做广度优先的遍历。若遍历到的顶点没有被访问过(可能是来自任何接触点的遍历的访问),则将顶点状态置为已访问并将之加入变形顶点集合,否则不做任何工作。
2.5 基于四阶Runge-Kutta方法的表面网格mass-spring模型
本文采用四阶Runge-Kutta方法来求解mass-spring网络,以容忍较大的仿真步长,从而减轻系统单位时间内的计算负载。Euler和Runge-Kutta方法都是求解离散差分问题的经典方法。其中,Euler方法计算简单,但精确性和稳定性不够强,而且要求较小的时间步长;而四阶Runge-Kutta方法在提高精确度的同时增加了计算量,但仍不失为一个平衡了精确度和计算量之后较好的选择[18]。
在系统中,我们定义tn表示第n+1次仿真迭代开始时的系统时间,那么自变量:
定义yn表示mass-spring系统的状态集合:
其中Xn是质点空间坐标的集合,Vn是质点速度的集合。
那么,对于每一质点,作用力是:
式中,Fi表示外力,mi表示质点的质量,kd是阻尼系数,分别是质点位移的一阶差分和二阶差分。表示与该质点连接的弹簧产生的弹力的代数和:
式中,ks表示弹簧的劲度系数。Δdij表示弹簧的弹性形变:
式中,d表示弹簧当前长度,drelease表示零张量长度。
由式(1),得到质点的加速度,即速度的差分:
式中,m是质点的质量。
而位置的差分:
式中,V是质点的当前速度。
故f函数计算差分的表达式是:
使用四阶Runge-Kutta方法求解,系统在h=40 ms的步长下,得到了较为真实的模拟效果。
3 实验与结果
在虚拟手术框架(如图1所示)下,本文利用力反馈设备PHANTo M和图形工作站(CPU:Xeon 2.80 GHz,内存:4 GB,显卡:NVIDIA Quadro FX5500)的平台,使用VC++和Open Haptic开发包开发了带力反馈的虚拟手术系统MIPS,实现了实时力觉和视觉交互的物理变形。为了验证本文方法的有效性,本文进行了力反馈的物理变形仿真、带力反馈的虚拟手术两方面的实验。
3.1 力反馈的物理变形仿真
由于力反馈在精度和实时性方面的要求较高,数据计算量比较大。因此,本实验目的在于测试本文力反馈算法在不同模型规模下的性能。如图7所示,系统可以实时模拟外力作用下的三维形变。如表1所示,对不同规模三角面片数的obj文件,使用广度优先的力传播模型后,依次求解mass-spring网络的时间大致相同。此外,图像绘制和触觉绘制的帧频与模型结点数是呈线性关系的。可以推算当表面网格的结点数为2500以内的模型,其图像绘制的频率可达30 FPS,力反馈频率可达300 FPS。此算法的运算速度基本能满足虚拟手术的需求,具有满足交互的实时性。
3.2 带力反馈的虚拟手术
为验证所开发的虚拟手术系统的可操作性和变形效果,设计了左半肝切除的实验任务,由一名外科医生进行力反馈的手术仿真操作。由于PHANTo M(虚拟手术刀)操纵杆也是笔杆状,因此手持操纵杆的方式可以模仿真实手术,采用指压式、握持式或执笔式。医生首先把肝脏模型导入系统,并把组成表面网格的三角面皮可视化,如图8所示。然后,通过操纵PHAN-To M手柄来操作虚拟手术刀,进行带有力反馈的切割操作,效果如图9所示。
医生操纵虚拟手术刀进行左半肝切除的一系列操作。在操作过程中,医生可明显感受到来自PHANTo M的作用力。图10把操作过程中虚拟手术刀的三维力反馈信息显示出来。其中,x轴为仿真手术的时间,y轴为力反馈的大小。从图10中可以看到,在左半肝切除的200秒仿真手术过程中,虚拟手术刀产生的作用力在三个维度的分量(x方向、y方向和z方向)的变化呈现一定的规律。例如,在78秒和176秒,虚拟手术刀在x、y、z方向上均呈现出一个反方向的反馈力。此外,反馈力在x、y、z方向的大小在200秒虚拟手术过程中均保持在[-1.5,1.5]的范围内。这表明反馈力分量的变化基本符合医生在左半肝切除手术过程中的运动期望,表现出稳定而连续的力觉交互效果。对于本仿真过程,医生认为虽然只是粗略模拟了仿真手术的过程,但他始终能感受到连续变化的反馈力,并在这种牵引力的引导下操纵虚拟手术刀完成模拟操作。虚拟手术中脏器的形变、手术刀的力反馈、以及整个交互操作等效果已达到仿真训练的最简单要求。
4 结语
本文从虚拟手术仿真系统的设计与实现出发,围绕着表面网格的力反馈算法,对手术器械表示、碰撞检测、触觉绘制、力反馈传播模型以及mass-spring模型的求解等方面进行深入的研究。下一步的工作是构造手术钳、剪刀等手术器械的几何模型和物理模型,并实现相应的手术操作。在触觉绘制方面,构造虚平面来产生更细腻、更真实、更复杂的反馈力。
摘要：提出一个带力反馈的虚拟腹部外科手术系统,并重点研究及实现了基于表面网格模型的力反馈算法。为了提高系统的稳定性,使用基于线段与表面三角网格的碰撞检测方法;基于四阶Runge-Kutta方法的表面网格mass-spring模型进行变形仿真;基于力的广度优先传播来解决变形仿真的局部性。通过仿真实验验证了该原型系统可以实现与可变形的三维模型的实时力觉交互。最后,把该方法应用到虚拟腹部外科手术系统中,并实现带力反馈的手术仿真操作。
反馈模型论文 第7篇
“四阶段”法交通需求预测模型是交通规划、交通工程领域中最常用也最为成熟的模型, 广泛应用于各种科学研究及实际项目当中。“四阶段”分别为交通产生、交通分布、交通方式划分和交通分配, 四个阶段相互联系、相互反馈, 共同构成整个需求预测的过程。
在众多交通规划类软件当中, 由美国Caliper公司开发的基于GIS技术的Trans CAD软件[1], 可以方便地与GIS软件进行数据的对接和交互, 便于交通规划和城市规划人员在同一平台上的交流。利用Trans CAD软件可以便捷地进行“四步骤”交通需求预测模型的应用[2][3]。然而限于软件自身结构特点, 并不能够直接完成从交通分配至交通分布的反馈循环, 在一定程度上制约了对软件的应用及对城市交通需求的总体把握。本文正式从Trans⁃CAD软件出发, 结合其内置的GISDK模块, 通过模块化语言完成交通分配至交通分布的反馈循环, 增强其应用性。
国内已有大量研究利用GISDK实现对Trans CAD的扩展应用, 来增强对交通需求预测的准确性。如利用GISDK进行公路网OD合成的开发研究[4], 基于GISDK的宏开发与应用[5]、基于GISDK的OD数据分析研究[6]以及公路网规划进程优化的研究[7]等。
2 方法
2.1 GISDK工具
GISDK (Geographic Information System Developer’s Kit) , 即为地理信息系统开发工具, 是拓展Trans CAD的主要工具, 该工具库包含多达1000个可调用函数的函数库, 还含有完整的建立、管理菜单和对话框以及编写宏语言的程序, 以实现对Trans CAD软件的拓展使用。通过应用GISDK函数, 能够自动重复执行Trans⁃CAD所有的交互窗口功能, 对Trans CAD进行多方面的二次开发, 也是在进行交通需求预测中最常用的工具之一。
2.2 GISDK函数实现“四阶段”法
“四步骤”模型可以使用GISDK函数编程实现。除了能够应用到常规的四步骤模型, 还可以修改系统默认的路段阻抗函数等一系列函数, 并实现各个步骤之间的参数传递及反馈循环, 增强对交通需求预测结果的准确性。
应用GISDK实现四步骤循环的函数及流程设计如图1所示。从小区的产生和吸引量开始, 依次创建路网、计算小区之间最短路径矩阵、交通分布、交通分配, 以交通分配后的路段流量和时间作为下一次循环创建路网及计算最短路径矩阵的基础, 重复上述步骤。整个循环根据前后两次交通分布得到的OD矩阵的变化量来决定是否满足收敛条件。整个过程对交通产生和交通方式划分两个过程关注较少, 因为其内部参数及模型函数相对独立, 与其他几部分关联不大, 为简化整个模型流程进行适当简化。
3 实例应用
3.1 网络设置
本文应用一个虚拟的道路网络来完成上述算法的流程, 并检验其能够达到的效果。如图3所示, 道路网络由3个小区和4个路段构成, 其中小区及路段的属性如图中所示。为简化起见, 交通分布中的阻抗函数采用Gamma函数, 其中alpha、beta、gamma的值分别为1、0.3和0.01;交通分配中的阻抗函数遵循标准的BPR函数, 其默认参数alpha、beta分别为0.15和4.0。
3.2 运算结果
经过GISDK变成实现上述算法得到每次迭代的OD分布量如表1中案例一所示。从结果前两次的结果可以看到, OD量之间的误差比较大, 如小区3-1之间的误差达到8%左右, 说明如果未使用交通分配结果对阻抗矩阵进行更新, 那么其预测的交通分布结果可能与平衡状态有较大误差。随着迭代次数增多可以看到各小区之间交通分布的误差在逐渐变小, 当迭代至第5次时, 各小区之间的交通分布达到稳定值。
更进一步地, 本文分析了某种极端条件下该迭代循环在判断OD分布之间的必要性及可行性。即, 由于路段初始时间的设定错误而导致对整个OD矩阵判断出现的失误。为了实现这一过程, 这里将表1中路段2的初始时间设定为37, 重复上述流程, 得到结果如下表1案例二所示。
运行循环第一次的结果与平衡状态时的路网OD分布有较大的误差, 这是因为第一次分布使用的是路段的初始时间, 而当路段初始时间不能够反应路网平衡状态下的时间特征时, 交通分布的路段阻抗函数值将产生较大差异, 从而导致对整个OD趋势判断的差异。尤其是, 当交通分布模型采用对出行时间更加敏感的函数时, 对整个路网OD的判断将造成严重的失误。而通过将交通分配后的路段时间迭代回交通分布这一步骤, 更新路段阻抗函数, 将增强交通需求预测模型的准确性, 能够提高对各小区交通分布趋势的把握, 具有重要的现实意义。
4 结语
本文通过应用GISDK实现对Trans CAD的扩展应用, 以达到能够实现“四步骤”模型中各个步骤的循环迭代功能, 增强对实际交通需求预测的应用能力。文中所列出的GISDK函数设计流程及整个循环框架对实际项目具有重要的指导和借鉴意义。
摘要：四阶段法交通需求预测模型被广泛用于交通领域的方方面面。在实际应用当中, 不同的关注重点集中在不同的阶段, 其重心也有所差异。本文更加关注在交通规划阶段, 用交通分配之后的路段阻抗作为更新交通分布数据, 并借助TransCAD当中GISDK工具实现四个步骤之间的循环, 来达到满足交通规划阶段对城市交通出行的空间特征及其他指标进行判断的基础。
关键词：四步骤模型,交通分布,TransCAD,GISDK
参考文献
[1]Caliper Corporation Trans CAD Transportation GIS Soft-ware (Travel Demand Modeling with Trans CAD 4.0) [CD].2000
[2]马骥, 裴玉龙.Trans CAD软件在城市交通规划中的开发与应用[J].哈尔滨建筑大学学报, 2002, 05:118-122.
[3]沙滨, 袁振州, 缪江华, 曹守华.基于Trans CAD的交通需求预测研究[J].山西科技, 2006, 01:24-26.
[4]王子明, 胡郁葱, 庞清阁, 游锦龙.基于GISDK进行公路网区域OD数据合成系统的开发研究[J].内蒙古公路与运输.2010 (01)
[5]涂圣武, 张海军, 罗洪波, 王永忠.基于GISDK的TransCAD软件宏的开发与应用[J].公路与汽运.2006 (04)
[6]胡郁葱, 梁枫明, 王子明.基于GISDK的OD数据集成分析模块的开发研究[J].交通信息与安全, 2009, 06:143-146.
反馈模型论文范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
