基于面向对象描述的扩展NFA灾害链数据抽象模型研究

《基于面向对象描述的扩展NFA灾害链数据抽象模型研究》由会员分享，可在线阅读，更多相关《基于面向对象描述的扩展NFA灾害链数据抽象模型研究（10页珍藏版）》请在金锄头文库上搜索。

1、毕业设计（论文）开题报告题目： 基于面向对象描述的扩展NFA灾害链数据抽象模型研究专 业 计算机科学与技术班 级 071041A2学 号 0710411434姓 名 葛吉强指 导 教 师 郭文宏2011年 02 月 16 日计算机科学与信息工程系 毕业设计（论文）开题报告1 本课题的目的和意义、国内外研究现状、水平和发展趋势1.1 课题的目的和意义 灾害是指一切对自然生态环境、人类社会的物质文明和精神文明建设，尤其是生 命、财产等造成危害的天然事件和社会事件。 灾害对人类生存与发展的危害和不利，具体表现有以下方面： 1、危害人类的生命 灾害第一位的属性是对人类生命的危害。大多数灾害事件，如地震

2、、洪水、 雷击、瘟疫、火灾等等，都有可能直接对人类的生命造成危害。 2、损毁人类的生存资料 生存资料既包括了生活资料，也包括了生产资料。生存资料的损失和毁坏， 使得人类丧失或者难以获得维持生命所必需的物质条件，造成生存困难。 3、恶化人类的生存环境人类的生存环境，既包括了自然环境、生态系统，也包括了通过人类劳动创造的人造环境。重视灾害问题的综合研究,为可持续发展战略实施提供科学依据。1 灾害是社会与自然综合作用的产物。2 灾害是实现可持续发展的主要障碍因素之一3 对资源开发利用行为的认识是理解灾情形成机制的关键4 加强减灾研究促进可持续发展1.2 国内外研究现状与水平 2. 1致灾因子论致灾因

3、子包括自然致灾因子, 例如地震、火山喷发、滑坡、泥石流、台风、暴风雨、风暴潮、龙卷风、尘暴、洪水、海啸等等, 也包括环境及人为致灾因子, 如战争、动乱、核事故等等。因此, 持致灾因子论的有关研究者认为, 灾害的形成是致灾因子对承灾体作用的结果, 没有致灾因子就没有灾害。致灾因子论的主要内容包括, 对致灾因子的分类, 一般的体系是首先划分成自然致灾因子与人为致灾因子 6, 13 , 然后根据致灾因子产生的环境进一步划分为大气圈、水圈所产生的致灾因子台风、暴雨、风暴潮、海啸、洪水等; 岩石圈所产生的致灾因子 地震、火山、滑坡、崩塌、泥石流等; 以及生物圈所产生的致灾因子 病害、虫害等。致灾因子论的

4、主要理论认识是致灾因子分类、致灾因子形成机制和致灾因子的风险评价, 其实践的目的是提高致灾因子的预报准确率, 以及为工程建设提供技术参数 2. 2孕灾环境论孕灾环境包括孕育产生灾害的自然环境与人文环境。持孕灾环境论的有关研究者认为, 近年灾害发生频繁, 损失与年俱增, 其原因与区域及全球环境变化有密切关系, 其中最为主要的是气候与地表覆盖的变化, 以及物质文化环境的变化。2. 3承灾体论承灾体就是各种致灾因子作用的对象, 是人类及其活动所在的社会与各种资源的集合。其中, 人类既是承灾体, 又是致灾因子。承灾体的划分有多种体系, 一般先划分人类、财产与自然资源二大类。因此, 持承灾体论的有关研究

5、者认为, 没有承灾体就没有灾害。2. 4区域灾害系统论由以上所述可以看出, 致灾因子、孕灾环境与承灾体的相互作用都对最终灾情的时空分布、程度大小造成影响。灾害形成就是承灾体不能适应或调整环境变化的结果。所以, 在灾情形成过程中, 致灾因子、孕灾环境与承灾体缺一不可。1.3 发展趋势 1 、对灾害链的认识灾害链定义为由某一种致灾因子或生态环境变化引发的一系列灾害现象,并将其划分为串发性灾害链与并发性灾害链两种。近年的研究实践提出下列4 种常见的灾害链,即台风- 暴雨灾害链、寒潮灾害链 、干旱灾害链 和地震灾害链 。目前的难题是如何定量地表述灾害链之间的能量传递规律或动力流动过程。 2、对灾害群的

6、认识灾害群包括灾害在空间上的群聚(DD) 和时间上的群发(DF) ,分别用式(1) 和式(2) 计算。DD = 单元灾种数( n)P区域灾种总数( N) (单位: %) (1)DF = 期间灾害发生次数( f )P时段灾害发生次数( F) (单位: %) (2) 3、对“区域灾害系统”本质的新认识 (1)、“区域灾害系统”是地球表层系统中的“社会生态系统”人类不是一个孤立的系统,他是“复杂社会生态系统”( SES)的一部分 ,也有人称其为“社会生态系统” ,或“人类环境复合系统” 。“社会生态系统”可以在不同的空间尺度上展现在人类面前,在任何一个“社会生态系统”中,人类与生态(或称环境、或称自

7、然,或称生物物理)子系统都处在相互作用的状态。(2)、“区域灾害系统”也是地球表层系统中的“人地关系地域系统”吴传钧先生认为,“人地关系地域系统”是地理学理论研究的核心。他反复强调,地理学要“着重研究人地系统中人与自然的相互影响与反馈作用”,人地关系地域系统研究的核心目标是协调人地关系,从空间结构、时间过程、组织序变、整体效应、协同互补等方面去认识和寻求全球的、全国的或区域的人地关系系统的整体优化、综合平衡及有效调控的机理,为有效地进行区域开发和区域管理提供了理论依据。(3)、“区域灾害系统”还是可以在时空两个方面进行类型划分与区划的多级体系无论从“社会生态系统”,还是从“人地关系地域系统”的

8、角度,审视“区域灾害系统”,都可以看出无论从其结构体系,还是功能体系,在时空两个方面对其进行划分。当今在探索区域可持续发展模式的过程中,一方面要保障资源,一方面要保护环境,还要防灾减灾与防范风险,并提出通过确定主体功能的途径,协调发展与保护的矛盾。2 文献查阅、调研情况2.1 文献综述本课题主要涉及灾害链和NFA这两大大方面技术的应用。翻阅的主要书籍都涉及了这两方面的知识，同时还参阅了关于NFA软件测试方面相关书籍。除了书籍，史培军的论灾害研究的理论与实践，比较系统的阐述灾害的系统概念。这些资料(见主要参考文献)基本已经涉及了本次开发所需的技术和知识，对将来开展课题帮助将会非常大。2.2 调研

9、情况通过从网上搜索灾害相关情况主要得到以下结论：灾害的概念的研究还是十分模糊，详细的获取资料十分困难通过调研基本了解灾害相关概念，但是建立模型感觉还是非常模糊，但是对于完成此次设计基本解决问题。3 本课题的基本内容、重点、难点3.1 本课题的基本内容1、 灾害数据链进行建模肖盛燮等人从系统灾变角度将其定义为：“灾害链是将宇宙间自然或人为等因素导致的各类灾害，抽象为具有载体共性反映特征，以描绘单一或多灾种的形成、渗透、干涉、转化、分解、合成、耦合等相关的物化流信息过程，直至灾害发生给人类社会造成损坏和破坏等各种链锁关系的总称 。2、 灾害链中的灾害描述及状态表示方法 ，利用状态转换图完成形式描述

10、、灾害演化动态行为表示。具体研究基于面向对象描述的扩展NFA构建抽象模型，以提供很好的灾害数据描述能力。基于该模型中局部对象的行为异常可揭示潜在的灾害征兆，同时可分析相关灾害和次生灾害的演化情况。3、 根据扩展NFA的状态转换图，以灾害的终状态为输出层，灾害因子的表现形式为输入因子，根据经验确定隐含层，建立三层BP神经网络模型。4、使用Matlab软件实现BP神经网络模型的数值运算。3.2 本课题的重点本课题的重点通过调研主要包括以下几点：1、 实现灾害链数据的建模与分析2、 灾害链中的灾害描述及状态表示方法3、 研究基于面向对象描述的扩展NFA构建抽象模型，基于该模型中局部对象的异 常可揭示

11、潜在的灾害征兆，同时可分析相关灾害和次生灾害的演化情况。4、 建立台风-暴雨灾害链的三层BP神经网络模型5、 使用Matlab编程实现功能。3.3 本课题的难点1、 灾害数据获得非常困难，没有办法从中提取特征，建立模型，并且用数据来验证模型正确性。2、 灾害的描述没有现场调研机会，分析不够准确。3、 NFA不确定性导致解释灾害困难，这也是亮点所在。4、 没有大量论文可够参考，研究困难。5、BP神经输入层的确定。4 解决问题的方法、手段、措施等4.1 拟采取的方法和技术4.1.1 识别标识符的NFA状态表示模型识别标识符的NFA的基本状态转换图：图2-1 NFA状态转换图识别标识符的过程为：1、

12、开始，若输入符号是一字母，则读进它，并转到状态1；在状态1下，若下一个输入符号是字母或数字则读进它，并重新进入状态1；2、这个过程，直至在状态1下发现读入的符号不再是字母或数字时(注意，此时该字符已被读出)，就进入状态2。3、2是终态，至此已识别出一个标识符，识别过程终止。若在状态0下输入符号不是字母，则意味着识别不出所给的输入串是一个标识符。本文中描述台风-暴雨灾害链的NFA模型，其中可将灾害因子作为初状态、灾害作为种状态。但是由于灾害之间有相关性，可对NFA模型扩展。终状态也可以作为中状态使用。输入符号为状态的临界值。如图2-2所示：图2-2 扩展NFA的状态转换图4.1.2 BP神经网络

13、预测模型BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是

14、各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。根据扩展NFA的状态转换图，以灾害的终状态为输出层，灾害因子的表现形式为输入因子，根据经验确定隐含层，建立三层BP神经网络模型。BP网络结构设计：输入层：根据每个灾害的灾害因子表现形式，得到神经元的个数。 输出层：由于输出的结果只有一个指标，即灾害，因此取输出节点数为1。隐含层：理论分析表明,具有单隐层的前向网络可以以任意精度映射任何的连续函数，本研究选用只有一个隐层的前向网络，而对于隐含层节点数使用经验公式skm/(m+n)来确定。传递函数：一个神经网络，如果第

15、一层是S型函数，而第二层是线形函数，就可以用来模拟任何函数（必须是连续有界的）。因此，确定隐含层传递函数为S型函数“tansig，输出层传递函数为线形函数“purelin”。 训练函数：为了确定最快捷准确的训练函数，trainlm（）函数的迭代次数最少，收敛精度最高，故采用Levenberg Marquart算法是最为快速和精确的。其中隐含层的经验公式来自高宁，邵陆寿先生的基于Matlab神经网络在农作物虫情测预报中的应用论文。4.2 选择的工具1、 非确定有限自动机NFA自动机的状态对字母表中的每个符号可以有也可以没有转移，对一个符号甚至可以有多个转移。自动机接受一个字，如果存在至少一个从 q0 到 F 中标记(label)著这个输入字的一个状态的路径。如果一个转移是未定义的，自动机因此不知道如何继续读取输入，则拒绝这个字。 2、Matla