参考
百度百科
云模型云滴生成 - python_成田日上的博客-CSDN博客_python云模型
https://blog.csdn.net/u010480899/article/details/52232010
基本概念
云模型是由中国工程院院士李德毅在1995年提出的概念，是处理定性概念与定量描述的不确定转换模型。已经成功应用到自然语言处理处理，数据挖掘，决策分析，智能控制，图像处理等领域。
看一下百度的定义：
嗯，乱七八糟，我也看不懂。不过没关系，了解大概的概念就好。整个模型叫云，每个小的数据，也就是每个发生在系统中的事件，叫做云滴。
看他的数字特征。
期望Ex：云滴在论域空间分布的期望，就是你理解的期望熵En：代表云滴分布的不确定性和模糊性，就是你高中物理化学学的那个熵超熵He：熵的熵。超熵越大，说明模型的不确定性越大，云的厚度越大。
简单来看就是一个类似正态分布的东西。
模型的使用
模型使用就是实现云发生器。有正反两种。
正向云发生器
从定性概念到其定量表示的映射。根据云的数字特征产生云滴，每个云滴都是该概念的一次具体实现。
步骤：
（1）产生一个期望值为Ex，方差为En的正态随机数xi；
（2）产生一个期望值为En，方差为He的正态随机数Ex`；
（3）计算yi
（4）令
(xi, yi)为一个云滴，它是该云表示的语言值在数量上的一次具体实现，其中x为定性概念在论域中这一次对应的数值， yi 为属于这个语言值的
程度的量度；
（5）重复步骤（1）到步骤（4），直到产生满足要求数目的云滴数。
参考代码：
def plot_cloud_model(Ex, En, He, n, title='', grid=False, show=True):
Y = np.zeros((1, n))
X = np.random.normal(loc=En, scale=He, size=n)
Y = Y[0]
plt.rcParams['font.sans-serif'] = ['SimHei']
# 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False
# 用来正常显示负号
fig = plt.figure(0)
ax = fig.add_subplot(111)
for i in range(n):
Enn = X[i]
X[i] = np.random.normal(loc=Ex, scale=np.abs(Enn), size=1)
Y[i] = np.exp(-(X[i]-Ex)*(X[i]-Ex)/(2*Enn*Enn))
ax.scatter(X[i], Y[i], s=10, alpha=0.5, c='r', marker='o')
if title == '':
title = '期望:%.2f,熵:%.2f,超熵:%.2f,云滴数:%d' % (Ex, En, He, n)
ax.set_title(title)
ax.set_xlabel('指标值')
ax.set_ylabel('确定度')
ax.grid(True)
if show:
plt.show()
else:
return X
逆向云发生器
是定量值到定性概念的转换模型，他可以将一定数量的精确数据转换为以数字特征（Ex, En, He）表示的定性概念。
算法实现：
输入：N个云滴的定量值xi
输出：3个参数
步骤：
计算均值EX，均方差S熵En计算计算超熵He
参考代码
def Cloud_compute(xl):
'''计算云滴的数字特征'''
xl = np.array(xl)
# S2 = np.var(xl) #用的方差
S2 = np.std(xl) #用的标准差
Ex = np.mean(xl)
En = np.sqrt(np.pi/2) * np.mean( np.abs(xl-Ex) )
He = np.sqrt( np.abs(S2*S2 - En*En) )
return (Ex, En, He)
下面是用先用正向生成器生成500个云滴画图，然后在对这500个云滴逆向生成云模型，前后作对比，发现差距不大。
完整源码在这里最下面。