基于Hellinger距离的梯形云相似性度量方法研究

摘要

云模型作为处理不确定性的有效工具，其相似性度量对于诸多应用意义重大。通过聚焦于梯形云，在结合正态云特征曲线的几何分布特点与Hellinger距离衡量概率分布相似性的优势后，提出了一种基于Hellinger距离的梯形云相似度计算方法。给出梯形云模型的定义，明确其期望区间值、熵和超熵等数字特征。利用Hellinger距离构造了2种梯形云概念间的距离和相似度，并对度量所满足的性质进行证明和分析。在此基础上，设计提出了2种相似度算法。通过数值仿真实验和时间序列分类实验对所提算法与现有相似度算法进行对比。结果显示，所提算法有较好的相似度区分能力且CPU时间代价较低。将提出的算法与机器学习算法相比较，实验显示，所提算法的分类准确率处于较高水平，在实际应用中能够展现出良好的可行性与有效性。

关键词

正态云 / 梯形云 / Hellinger距离 / 特征曲线 / 相似性度量