文摘

信息社会的快速发展,大量的模糊或不确定的英语口译信息出现在日常生活中。不确定信息处理是人工智能领域的一个重要研究内容。在本文中,我们把三概念格和语言值与数字高程模型并提出三路模糊语言概念格的属性近似法。本文提出一种改进的串行算法水槽积累。改进算法改变细胞的顺序计算;累积后的“sub-basin”计算,所有细胞的下一个“sub-basin”计算,直到所有细胞计算。改进后的算法在计算过程中减少了空间开销,降低了细胞的压力进入和离开队列,并提高了计算效率。改进的累积量算法是较常用的递归累积量算法和nonrecursive累积量算法和改进算法提高了约17%与nonrecursive算法在106单元级别相比,和递归算法的计算时间是大约3倍的改进算法。因为水槽积累串行算法并行计算的一个重要组成部分的水槽积累,和执行时间较短的使用改进算法,本文提出的改进积累串行算法适用于并行计算积累的过程。

1。介绍

语料库中的语义歧义不创造足够的障碍(所谓观众了解语料库中的信息,但它是困难的目标语言的读者准确理解说话者的意图,和不同的人可能有不同的解释相同的词。因此,除了传达的基本信息语料库的目标语言的读者,翻译还应该消除语义含糊不清,可能导致误解尽可能这样目标语言观众可以准确把握说话者的话语的意图。在这个语料库,语义模糊性主要体现在两个方面:模糊约束和模糊词。水槽积累的计算是一个关键的一部分,建设标准的口语语法和提取惯用的元素,它是重要的水槽积累的计算算法的研究基于数字高程模型。模糊限制语言关注修改句话说的程度的模糊性和不具备模糊性本身,而模糊词语本身具有模糊性。使目的语观众理解源语言信息准确,翻译采取不同的解释方法,语义模糊信息处理(1]。数字高程模型相关的研究极大地促进了英语口译的快速发展,这是英语的共同愿望和目标研究人员和翻译人员使用语法高程数据有效地构建英语解释模型,全面,准确,更好地开展各领域的相关研究在此基础上的英语。其中,下沉累积计算的一个关键部分构建标准口语语法和惯用的元素提取,是很重要的研究下沉累积计算的算法基于数字高程模型。

近年来,分辨率DEM(数字高程模型)增加了从可用分表30 m - 90 m水平分辨率。这种分辨率的增加导致的数据量的增加,目前对g的DEM数据和增长,数十亿的细胞(2]。即使只有相对低分辨率的数据可用,民主党可能覆盖大部分地区,如SRTM项目,发布了30米分辨率的数据覆盖了世界上80%的土地,和项目如图像中,可以获得高达12米分辨率DEM数据覆盖全球。随着DEM分辨率的增加和覆盖率的增加,数字高程模型的数据量越来越大。尽管计算机处理和内存性能有明显改善,传统的串行算法仍未有效快速英语信息提取,和水槽积累算法非常大的民主党仍在发展中。并行计算的出现极大地加速科学计算的速度,发现新的解决上面的问题,太需要解决的计算量。收敛的累积量并行提取分解非常大规模的DEM数据为离散部分并发执行,和不同的离散部分执行的同时使用多个计算资源,从而实现高效、快速的目标信息提取(3]。计算资源通常包括计算机与多个处理器/多核,或任意数量的计算机被连接。理想情况下,更多的资源投入,缩短任务的完成时间。只执行串行程序在当代电脑会浪费大量的计算资源。

在过去的二十年里,网络的快速发展,分布式系统,和多处理器计算机体系结构、数据的快速增长,无论是从数据量和计算性能,反映了并行的趋势的研究积累提取。目前,很多学者研究了并行提取水槽积累,可以处理ultra-large-scale DEM数据,但是仍然存在问题,如频繁的节点之间的通信,计算机节点资源的浪费,和频繁的内部和外部内存交换,从而影响时间效率。开发一个并行处理框架是很重要的民主党有良好的可扩展性和执行的并行化研究水槽积累ultra-large-scale DEM提取算法。

在信息爆炸的时代,许多类型的数据,特别是模糊数据,是逐年增加的,所以它是重要的研究数据和语言价值特征。国内外许多学者开始从事语言研究价值,和文献[4)首次提出模糊集理论和语言变量模糊集合理论、模糊信息处理的有效工具,广泛应用于等领域的不确定性推理、评价和决策。不久之后,文献[5]提出第一个模糊语言近似推理方法通过使用语言变量,这是一个伟大的里程碑的研究语言值。在先前工作的基础上,文献[6)提出了群决策的共识模型基于语言偏好关系进一步解决这一问题的multigranularity决策在语言环境中。文献[7]讨论了扩展language-valued表示模型及其相关的语言聚合算子,构造一个有效的互动过程来解决多属性决策问题的帮助下修改解决方案的满意度来实现互动过程,直到获得最佳的解决方案。这些研究工作领域的突破多属性决策。文献[8]讨论了对象之间的关联关系基于模糊语言术语和理论领域和定义的方法确定模糊语言学术语的语义,和清晰的模糊语言值可以广泛应用于知识挖掘和数据分析。语言值应用不仅在决策问题,还具有适应性的推理。文献[9]提出语言价值推理方法,可以用于决策的帮助下格蕴涵代数在数学,加上语言逻辑真理价值的基本思想。

研究相关的数字高程模型极大地促进了英语口译的快速开发。的共同愿望和目标英语研究者和翻译者使用语法高程数据有效地构建英语解释模型,全面,准确,更好地开展各领域的相关研究在此基础上的英语。深入研究语言的结构真实价值直觉模糊晶格和语言价值直觉模糊代数,加上真理和虚伪度在直觉模糊命题逻辑系统中,线性规则方法研究了直觉模糊命题逻辑。文献[10]给出了定性相关操作和证明犹豫模糊language-valued基于犹豫模糊集和概率推理步骤language-valued集和三角模糊数,灵活地反映事件的不确定性。文献[11)提高了面算法提出的算法更容易实现和更高的效率和准确性。文献[12)提出一套方法EMFlow算法压缩内存写入限制之前内存写然后读取实现从内存位置通过驱逐最少用的块使用最近最少使用(LRU)缓存策略。减少I / O操作的数量,分为块是管理的数据作为一个特殊的缓存数据结构。此外,新策略用于细分岛地形,分别对待。文献[13)提出了三个类似的算法,加入共享内存并行处理。输入民主党分成块,每个块与其线程关联。然后线程并行执行一些计算并定期同步他们的边界信息。所有的块都是由一个集中的管理线程互换了最近最少使用数据块并试图预取的需要。虽然所需的处理器数量减少,他们的算法仍然需要频繁的进程间通信。随着计算的持续,许多节点可能功能闲置,浪费的超级计算机服务节点和垄断资源。

这种并行算法在文献[14)上面有显著的优势,但目前两种算法的并行实现只是,抑郁填充和单流策略下沉累积计算,使得这种并行框架没有完成整个组ultra-large-scale民主党水文信息提取的算法,从而使这种并行框架在实际应用少有效。文献[15)提出了一种多属性决策方法与属性值和属性权重值的不确定性通过结合证据推理方法和随机多准则可接受性分析。在文献[16),处理复杂的行业的知识类型的多样性和不确定性,基于证据的混合诊断知识库系统融合提出了建立不同类型的专家知识系统和分配可靠性权重自适应,提高信息的利用率和系统的正确性。文献[17]提出了跨州理性决策基于证据推理和前景理论的基础上,构造价值函数和权重函数,结合d - s推理融合多个属性的可能值来选择最佳的解决方案。文献[18)获得可靠性量化不确定性因素的样本和证据生成并结合多个证据从定量样品或定性的知识生成多个属性提出一个属性分类器基于证据推理规则来提供更高的分类精度。文献[19]提出时序因果关系建模和推理的方法来扩展动态不确定立方因果关系图。不断产生因果图的方法,将因果关系渗透到任意数量的时间片和丢弃限制性假设基本图的结构,通常依靠现有的研究。

3所示。识别的模糊信息用英语解释基于数字高程模型

3.1。理由数字高程模型的应用程序用英语解释

数字高程模型、数字地形模型(DTM)的一个分支,是一个坚实的基础模型,描绘了表面波动的状态利用有序数值矩阵和基于专家知识的一个动态系统建模方法和历史数据20.]。频率可以抽象语法,单词,和句子意思到英语口译的波动模型,结构上,英语口译模糊信息可以被定义为一种模糊加权有向图的反馈循环,其结构如图1。它描述了一个复杂的动态系统的基本行为的概念节点(即。,objects, states, variables, or entities in the system), each of which has a precise meaning for the system under analysis, and uses weighted arcs with symbols to connect the concept nodes, which are used to represent the complex causal relationships between concepts.


图1
模糊加权有向图。

假设有一个模糊认知图 节点,每个节点代表一个概念,概念所描述的状态的状态值的节点。这些节点的集合可以使用向量来表示 ,在哪里 表示 - - - - - -th概念节点。模型中的所有节点的状态值 使用向量来表示吗 ,在哪里 表示的状态值 - - - - - -th节点 在时间 。节点的状态值越大,对系统的影响就越大。当节点 影响节点 ,节点 据说是导致节点, 结果节点,以及它们之间的因果关系是由一个有向弧的 来 ,这个弧形的重量是指出 ,的大小决定的大小 的影响 。所有节点之间的相互因果关系可以形成一个 矩阵,权重矩阵的模糊认知图,用 。

推理过程的模糊认知图的过程节点通过休闲互相交互的状态变化。假设模糊认知图的状态 是 ,然后每个节点的状态值的模糊认知图的时刻 是推断使用以下方程。 在哪里 , 表示原因节点的状态值 在时刻 , 表示结果节点的状态值 在时刻 ,和 表示原因节点的弧的重量 指向结果节点 。这个函数 称为一个转换函数,用来限制节点在下一时刻的状态值在一定状态域,和有几种常见的类型转换函数。

从上述可以看出转换函数,节点的状态域的模糊认知图受到不同的转换函数是不同的。两值的功能限制的范围值的每个节点设置{0,1},使用0表示概念的稳定状态和1来表示状态的概念,增加而不是减少状态的概念。三值函数限制范围由每个节点的值的集合{1 0 1},并使用1来表示的减少状态概念,0表示稳定状态的概念,和1来表示的增加状态的概念。(即概念节点。,objects, states, variables, or entities in a system) describe the basic behavior of a complex dynamic system. Each concept node has a precise meaning for the system under analysis, and a weighted arc with symbols is used to connect concept nodes to represent complex cause-and-effect relationships between concepts. In addition, neither the fuzzy cognitive map using the binary function nor the trivial function can describe the degree of increase or decrease of the concept. The sigmoid function and the hyperbolic tangent function restrict the range of values of each node to [0, 1] and [-1, 1], respectively, to represent both the increasing, decreasing, and stable states of the concept and to describe the degree of increase or decrease of the concept. One of the parameters 确定曲线的斜率s形的函数和双曲正切函数在原点附近,如图2。更大的价值 ,曲线越陡峭原点附近,转换函数越接近阶跃函数。值越小 ,平曲线在原点附近,转换函数越接近线性函数。已经表明,模糊认知地图使用连续过渡函数时大的推理能力。因此,乙状结肠函数和双曲正切函数是最常用的变换函数。然而,应该指出的是,转换函数的选择通常取决于系统需求,即。,每个节点在实际系统中所起的作用。


图2
乙状结肠函数和双曲正切函数的图像在不同 。

推理公式(6)的模糊认知图显示的状态值模糊认知图中的每个节点在一个时刻会影响相关联的节点的状态在系统下一刻通过加权有向弧,这样系统的状态是经过更新的每个时期。经过若干次迭代的更新,系统最终达到三个州。(1)系统达到一些平衡点,也就是说,经过若干次迭代的更新,系统中节点之间的相互因果相互作用将达到一个平衡状态,并且系统的状态开始保持不变(静止),也就是说, 在哪里 是一个时间点后,系统状态一直保持静止的。(2)系统进入一个有限循环的状态,也就是说,系统从一个点开始,在时间和它的状态进入一个循环状态,表现出周期性的行为 在哪里 一些时间点后,系统进入循环状态和 是系统状态的周期循环。(3)系统处于混沌状态,即。,the states of the system are not regular and cannot converge to the equilibrium point or pole finite loop states. A fuzzy cognitive graph using either a binary or a three-valued function as the transition function has only a finite number of states. The reasoning process of the fuzzy cognitive graph is the process of nodes changing each other’s state through causal interactions. A fuzzy cognitive graph with 节点有 如果使用一个二元函数和不同 不同的州如果使用三值函数(21]。模糊认知图使用一个s形的函数和双曲正切函数作为转换函数可以描述系统的状态的模糊值区间,这样每个概念都有一个无限数量的值和模糊认知图有无限数量的不同的国家。因此,模糊认知图 节点使用一个转换函数,是一个二元函数只会在平衡或限制环状态,不会发生混乱的状态。因为系统只有 不同的国家,它将返回后的第一个提出了状态 迭代的更新。同样,如果使用的转换函数是三值,系统不会出现在一个混乱的状态,但最终会达到平衡点或极限环州最大的时期 。如果使用的转换函数是一个s形的函数和双曲正切函数,那么系统将无限数量的不同状态,所以这个系统最终可能不仅在平衡或极限环状态还处于混乱状态,系统更敏感,一个小变化的权重弧或节点的初始状态值可能会导致一个戏剧性的变化在系统的动态行为

3.2。应用数字高程模型的模糊信息识别英文解释

我们建议粗粒度的对象相似度的计算方法通过粒度计算的基本思想,获取粗粒度对象模糊语言形式背景通过简化传统的模糊语言背景。传统的计算方法可以得到粗粒度对象中的所有概念模糊语言形式背景,分析区段之间的内在关系和内涵。然而,这种方法相对复杂的电脑。在本节中,我们将提出邻接矩阵和关联矩阵在粗粒度对象模糊语言形式语境根据图论的有关思想,得到加权图属性和对象之间的关系在粗粒度的对象模糊语言形式背景。最后,根据加权图的对应关系可以快速、准确地得到区段之间的内在关系和内涵,如以下所示方程。

进一步分析对象和属性之间的内在关系,我们预处理粗粒度的对象根据定义,模糊语言正式环境收益的属性 和 ,彼此相同的属性,根据定义,我们保留属性从而获得预处理粗粒度对象模糊语言形式背景。

三路概念格可以表达三个部分,即,接受,拒绝,noncommitment。然而,经典的三路概念格只能用“0”和“1”代表关系的内涵与外延。本章结合了三路概念格与语言值,提出了一个三路模糊语言概念格。的关键的选择转换函数的值是λ。更大的价值λ陡峭的曲线在原点附近,越接近阶跃函数的转换函数。的值越小λ原点附近,曲线越平坦,转换函数越接近线性函数。它已经表明,模糊认知地图有更大的推理能力时连续使用转换函数。因此,乙状结肠函数和双曲正切函数是最常用的变换函数。然而,应该指出的是,转换函数的选择通常取决于系统需求,即。,每个节点在实际系统中所扮演的角色。这可以表达现实生活中的模糊信息和解释的意思用语言值的信息,如以下所示的方程。

任何节点的模糊认知图可以作为一个输入节点或一个输出节点。在NHL,专家需要指定特定的节点模型中作为输出节点根据每个问题和其余的节点作为初始刺激或内部系统的概念。输出节点作为暴露系统的外部特性和代表系统的最终状态。NHL将更新所有连接节点的弧的权值每次迭代后更新节点的状态值。更新权重的公式如下所示。

组织这些响应序列在最后一个矩阵的矩阵形式的结果 国家响应。 在哪里 不同的初始状态向量的个数, 概念的数量在系统研究,然后呢 的长度是响应序列。的 - - - - - -每个州的th列响应矩阵的响应序列 - - - - - -th的概念系统的作用下,初始状态向量,而这些状态响应矩阵描述系统的动态行为研究在不同的初始条件。生殖系统的动态行为,模糊认知图的节点被用来描述被研究系统的概念,并学习的终极目标是确定一个合适的矩阵的权重 这样构造的模糊认知图就可以繁殖状态响应矩阵 相同的刺激下 初始状态向量。

的民主党将权重模糊认知图的学习问题转化为一个约束最小二乘问题,和解决最小二乘问题可以获得相对应的权重矩阵的最大似然估计的数据,也就是说,目标权重矩阵,这样可以减少噪声数据的DEM的敏感性,使其具有良好的噪声免疫力;大规模的模糊认知图的稀疏矩阵由L1确保重量参数化的权重。的民主党将权重模糊认知图的学习问题转化为一个约束最小二乘问题,解决这个最小二乘问题,获得相对应的权重矩阵的最大似然估计的数据,即目标权重矩阵,减少噪声数据的DEM的敏感性,使其良好的噪声免疫力;权重的L1参数化确保大规模的模糊认知图权重矩阵的稀疏。矩阵的稀疏由L1确保权重的参数化;通过调用乘法方法解决推导公式(13)- (15)的民主党,民主党可以在多项式时间内得到权重矩阵,从而大大提高了学习速度,其学习过程既简单又快捷。

使算法更有效,例如,英语口译的讨论应该“特别”,即。,分享一些“具体的”情况下,而不是“一般”,即。例如,谈论一个人的想法。”,谈论一个人的想法。”的基本含义“一般”和“特别”的原文是“一般”和“特别”的分别。“一般”的基本含义和“特别”原来是“一般”和“具体来说,分别用于描述内容的程度的特异性的对话。在正常情况下,译者可以直接翻译模糊限制,这不仅可以最大程度地保留原文的意义,还可以节省大部分的译者的努力。但在这种情况下,如果译者只是采用直接翻译方法,翻译将是“因为我们不想说,我们想说,“在这种情况下,目标语言的读者会对谈话的内容感到困惑。什么是“一般”的谈话,什么是“具体的”讨论?使两个模糊的限制性的词“一般”和“特别”没有干扰到目标语言的读者,译者将讨论标准提出的算法;也就是说,译者应该详细说明自己的观点具体经验。

4所示。实验验证和结论

由于能源的分配翻译时,有一个高概率,翻译人员将添加填充词或有问题重复或重复,减慢的速度翻译和提供时间为下一个句子被理解和改变。在演讲中,演讲者还将包括一些废话和词形变化来帮助解决的想法。因为机器翻译没有能量分配问题,可以归结为翻译信息内容从源语言到目标语言,它不积极添加填充词或开始一个新的句子来推翻已经被翻译。通常,数字高程模型是用来比较之前和之后的句子,来识别重复的信息,将源语言中的信息整合到一个新句子简洁的语言。机器翻译的挑战需要解决的声明式流畅是源语言的判断,即。,是否有可能屏幕是否某些词在源语言与逻辑填充词或词的意义。填充词的判断还包括逻辑一致性的问题,这个问题,作者将分类填充词的问题不会影响整个句子的逻辑声明流畅的问题,而影响正常的一部分的理解解释用户分为逻辑连贯性的问题。除了填充文字和说话含糊,重复和冗余也在口语常见问题和对机器翻译构成更大的挑战。重复、冗余和口误产生的即兴口语的本质和快节奏的演讲,这让演讲者没有重复的空间思想和冷凝。通常,这就要求口译员充分发挥他们的主观能动性,比较前后的句子,找出重复的信息,并将源语言中的信息集成到新句子简洁的语言,如图3,它显示了演示的比较流利的英语解释模型基于数字高程模型。


图3
比较图语句流畅。

由于汉语和英语在语言习惯上的差异,简单的意义在中国可能需要一个从句用英语表达。演讲者是指这张照片表明,和所有four-translation软件使用主题句来表达这样一个简单的意义,但事实上,如果四个字“这张照片表明。“这张照片显示”,它“可以充分反映源语言的意义,也可以使观众更加注意的主要信息。

语言准确性的研究可分为两个主要方面:准确、真实的词汇和语法的正确性,如图4。在词汇方面,除了关注源语言中找到对应的字,减少偏差的含义,还应注意用词的一致性和简洁性和效率。语法为机器翻译,要注意条款等问题,单数和复数,时态、组件和冗余或失踪。从词汇的角度,因为口语文本更依赖于上下文,演讲者有时候不使用词正是在科学和技术文本和很少有固定的单词和相应的标准作为政治文本的翻译,这需要机器翻译能够选择最合适的话语前后根据文本。了解四个字符的单词,常常需要使用从句甚至整个长句子单独解释,延迟的时间和影响解释的步伐。汉语口语更细粒度,模糊和宽松的信息甚至伟大的逻辑缺陷,所有这些构成大问题机器翻译的语法。数字高程模型的一个重要实践提高正确的利率条款分割;,几个条款由逗号连接源语言是分成几个独立的句子,根据英语的语法结构,而其余几个中文翻译系统使用补充连词将支离破碎的小句子转换成从句主要依赖于句子。属性的简化问题研究了数字高程模型和对象的属性简化方法(属性)来源于三个模糊语言概念格提出了基于歧视矩阵和区别的功能。数字高程模型的方法的问题是,尽管它减少了处理语法错误的可能性,在一定程度上,句子之间缺乏逻辑清晰度影响表达效果。 Conversely, the unreasonable approach may cause more grammatical problems and runs the risk of incorrect logical additions leading to semantic confusion. Overall, there is much room for improvement in both treatments. Part of the reason for the problem of redundant or fragmented sentence components may be that the Chinese go is fragmented, and a sentence is likely to be made up of several separate chunks, and the logical relationship between the chunks and the chunks needs to be filled in automatically by the listener or the human translator. As there is a lot of extraterritorial information in the spoken context, it makes otherwise inarticulate utterances clear. However, this simple logical connection step for humans may be more difficult for machine translation. A digital elevation model translation system cannot recognize the relationship between the chunks of speech and the main clause and thus cannot make the chunks act as corresponding constituents, only stacking them in the sentence and causing grammatical errors.


图4
语言准确性的比较图。

汉语口语的特点是模糊的和宽松的信息,有时甚至是逻辑错误。然而,因为人没有高要求的清晰的“纯”语言口语,因为除了口头表达的内容,extraverbal因素如语音语调,表情,手势可以用来补充说话者想要表达的意思。特定上下文结合特定的表达方式使话语,单独进行,很容易模棱两可的非常明确的和可以理解的语言。然而,这样的表情,并不在很大程度上依赖于语言本身会给机器翻译带来更大的困难。四个机器翻译系统的问题基于不同算法的逻辑连贯性如图5。如果我们忽略其他机器翻译的语法和表达的问题,但看逻辑在句子的例子中,我们可以看到纽约的源语言强调高列在句子的开始和结束,第一句话是与第二句的口语”。“的”是“旨在解释因果关系,如“柱子是高在纽约,因为高输出每平方公里。结合“自”是“直接不如”,因为“演讲者发现逻辑关系只有在第二个条款,所以第三句开始结合”。“这是一个完全可以接受的练习口语,但是书面语言,它导致一个大杂烩的单词和重复。源语言的逻辑不是很清楚,因为它口语化的特点,但它是非常清楚什么是句子的主体后删除所有的修饰词,所以这个主语-动词-对象的逻辑也应该遵循的翻译。


图5
比较的逻辑一致性。

与以前相比phrase-based和统计基于方法的机器翻译系统,神经网络机器翻译系统不断进行词表示,这使得机器翻译的泛化能力得到改善,但与此同时,它也容易不忠翻译的问题。不忠的翻译在这种情况下意味着模型在目标语言生成单词,保证目标语言的流利表达但不准确地反映源语言句子的语义信。翻译不忠实的可能原因比较研究中填充词的错误判断,不清楚指示物,多重含义的单词,和不完整的信息。四个系统的具体性能方面的信息保真度如图6。


图6
比较信息的保真度。

验证了算法的正确性与并行计算的串行计算结果进行了比较,结果在一个实验。显然对于非常大的数据大小超出范围的正确性验证,这里选择不同大小的数据进行正确性验证,如图7。累积体积计算的正确性可以验证本文使用串行算法和并行算法的结果,结果不验证使用软件ArcGIS和串联等因为使用这些工具可能会引入一个昂贵的依赖,不能包含在源代码。因此,在本文中,不同大小的数据选择,自我测试的一种方法被用来确保计算结果的正确性。在测试中,使用不同的算法来计算累积下沉基于多个流的方向,和相同的数据积累是使用数字高程模型计算的算法。后使用并行计算,数据集的数据块合并使用GDAL促进与串行算法进行比较。试验结果表明,有串行和并行计算结果之间的偏差,但他们非常小,这样的偏差的原因是细胞中积累的不同顺序计算。多次验证,不同订单的乘法和加法导致小错误结果,即使使用32位双精度类型存储。在同一时间,因为是一个不断积累的过程,积累上游错误将传播到下游细胞,这可能会产生错误的积累,导致结果的偏差,而这些偏差范围内,不会认真地成为一个错误。因此,误差范围设置为±0.0001验证。验证数据都符合这个误差范围,验证算法的正确性。 According to the relevant ideas of graph theory, the adjacency matrix and association matrix are proposed in the context of coarse-grained object fuzzy language form, to obtain the weighted graph between attributes and object relations in the context of coarse-grained object fuzzy language form. Finally, according to the correspondence in the weighted graph can quickly and accurately obtain the intrinsic relationship between the extents and the connotations.


图7
正确性验证。

DEM高程精度评估是一个重要的元素的DEM精度评估结果,和本文主要采用常用的介质错误(RMSE)和平均误差(我)高程精度的评价模型作为评价模型。中误差是指DEM数据的高程值的偏差程度相对于真实价值的测试点的高程,客观评估的统计方法。平均误差评价DEM数据高程值的平均值相对于测试点的高程误差数据,可以反映出错误的分布和评估的英语口译DEM模型。高程精度检查,使用交叉验证的方法,使用高程点,清洗后没有参与建模,即。,20.% of the total elevation points are taken from the DEM to check the statistical elevation accuracy by the checkpoint method, and the accuracy check report is formed (as shown in Figure8)。结果表明,介质错误(RMSE)实验领域都远远低于0.2,从而验证本文分类施工方法取得更好的建模精度。


图8
评价DEM高程精度。

5。结论

在数据和信息爆炸的时代,模糊和不确定信息的数量用英语解释正在增加。因此,它变得非常重要处理模糊信息更准确和快速。本文基于数字高程模型和模糊语言形式的背景下,我们提出三个模糊语言概念格和其属性近似的方法,这样可以过滤掉有用的信息的信息处理,这有利于人民进一步推理和决策和提高他们的工作效率。本文的主要研究内容如下:减少处理数据的复杂性,本文结合粒计算的相关知识和正式的概念的分析,提出了粗粒度的对象相似,并生成一个粗粒度的对象模糊语言形式背景实现简化形式背景。结合数字高程模型和粗粒度对象模糊语言形式背景,语言阈值,提出了构建两双三路模糊语言操作符。改进后的算法在计算过程中减少了空间开销,降低了细胞的压力进入和离开队列,并提高了计算效率。建设性的模型对象(属性)派生三路模糊语言概念格和对象(属性)三进一步模糊语言概念格构造。数字高程模型可以处理大量的模糊语言值信息和更广泛的应用。为了更好地处理信息冗余问题,数字高程模型的属性约简问题研究摘要和对象的属性约简方法(属性)派生三路模糊语言概念格提出了基于单位矩阵和识别功能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

支持的工作是2019个主要理论和实践研究项目:陕西省社会科学协会的二元性,译者的身份和陕西文化的国际推广从翻译的角度经济学(批准号2019 c077)和西安的2020学校级别项目Fanyi大学:皮带和道路计划语言和文化研究基地(智库)(批准号20 kyjd02)。