模糊数据库中的数据表示与数据匹配

模糊数据库中的数据表示与数据匹配 电力部电力建设研究所　殷　荃 摘　要 确定模糊数据的表示方法,合理地定义模糊数据的匹配关系,是建立模 糊数据库的基础。本文首先提出了一种模糊数据的表示方法,在此基础 上引入了语义匹配、语义空间和语义包含的概念,给出了有关的定义和 计算方法。文章通过一些实例,指出了这些概念和方法的具体应用。 关键词 模糊数据库　模糊数据　语义匹配　语义空间　语义包含 1　引言 现实世界中的很多事物都表露为不完全和不精 确的, 因而决定了人们对其了解和认识也必然是模糊 的。而现有的以精确的数学工具为基础的数据库系统 很难处理和表示模糊信息。 为了克服传统的数据库在描述和处理模糊信息 上的局限性, 近年来国内外不少学者致力于将模糊性 和不确定性引入数据库,进而建立模糊数据库的研究 工作。由于关系数据库数据描述简单, 并有坚实的理 论基础, 因此研究工作多集中在模糊关系数据库上 [ 2] [ 3] [ 4]。从目前情况看, 虽一些实验性的系统问 世, 但系统的理论尚未形成,可以说模糊数据库的研 究仍处于初创阶段。模糊数据库处理的对象是模糊数 据。因此如何表示模糊数据、如何定义模糊数据间的 运算及匹配关系是建立模糊数据库的基础,也是模糊 数据库理论研究中应首先解决的问题。 本文首先描述一种模糊关系数据库 FRDB 的数 据模型, 然后讨论模糊数据的表示及语义匹配问题, 提出模糊数据语义空间和语义包含的概念,并给出有 关的定义和计算方法。 2　模糊关系数据库的数据模型 模糊关系数据库 FRDB 的数据模型定义如下∶ 定义 2 - 1∶设 D1 , D2。⋯, Dn 为 n 个论域, F ( D1) , F ( D 2) , ⋯, F ( Dn )分别为 D 1, D 2, ⋯, Dn 上的一 些模糊子集构成的集合。F ( D 1) , F( D2) , ⋯, F ( Dn )为 　　PowerBuilder 虽然提供了基于例子的查询等现 成的动态查询工具, 但仍需使用 BETWEEN、IN、 L IKE、! 等英文标识符和英文函数,不符合中文用户 使用需要, 因而, 我们基于上述 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 原理在实现中采 用了动态数据窗口技术, 即根据视图的初始定义和一 次动态查询过程中的选列、组合条件定义等信息, 生 成动态 SQL 语句,然后, 再根据 SQL 语句生成美观的 动态数据窗口(结果表)。 4　讨论 以上, 我们说明了基于视图的综合查询系统的设 计和实现, 该系统应用于某军区网络指挥自动化系统 的数据库部分, 为参谋人员随机查询、打印动态随机 报表, 进而为首长提供动态情况, 提供了极大的方便, 也为首长进行实时联机综合查询提供了重要手段。实 际上,这种软件可重用思想可以贯穿于 MIS 开发的整 个过程, 例如, 在此系统的基础上, 可加入通用的统 计、编辑修改、插入、删除等功能, 直至形成整个 MIS 的生成平台, 实践证明, 这种思想和方法可缩短开发 周期、降低成本、可靠性好、便于维护, 具有较好的应 用价值, 但是,它仍然存在着通用性与专用性,功能强 大与用户使用方便之间的矛盾, 尚待进一步研究和解 决。 参考文献 1. Jonath an S . Sagles. How to use ORACLE SQL* PLUS . John Wiley&Sons , Inc, 1994。 2. 候志平. Pow erBuilder 高级应用技术.北京:晓通网络数据 库研究所, 1995 —7— 计算机工程与应用　1997. 5　　　　　　　　　　　　　　　　　　　　　·数据库· 所要定义的关系的属性的值域。一个模糊关系定义为 笛卡尔乘积 F ( D 1)×F ( D 2)×⋯×F( Dn)的一个子集。 其中元组可以表示为∶ r～ = ( x～1 , x～2 ,⋯, x～n) ; 　　这里 x～ i∈F ( Di) ( i= 1, 2, ⋯, n)。 从用户角度看,上述模糊关系可以看作一个 2 维 表, 表中每行对应一个元组。与精确关系所不同的是 属性 x～i 的值是论域 Di 上的模糊子集。根据模糊集合 论的观点, 精确集合可以看作模糊集合的特例,因此 精确关系可以看作上述模糊关系的特例。实际应用 中, 往往一个模糊关系的一部分属性是模糊的,而另 一部分属性是精确的。 一个人事数据库 Personnel如下表所示∶ N ame A ge Sex Height Ablilit y 王宏 about 20- 22 男 中等 Excellent 张鹏 about 18 男 高 Good 刘军 young 男 较高 Good 宋建国 28 男 大约 1. 80米 Good 王平 about 40 女 不高 Good in Teaching 　　其中属性 Name 和 Sex 是精确的 , A ge、Height 和 Ability 是模糊的(其中 Age 和 Abilit y 中各模糊取值 的定义见下节的例 2. 1 和例 2. 2)。 3　模糊数据表示 一个模糊数据表示一个客观对象的模糊概念, 设 论域为该模糊概念的所有特性值的集合(本文只讨论 有限论域的情况) , 则该模糊数据可由论域上的一个 模糊子集来表示。正如精确集合是模糊集合的特例一 样, 精确数据是模糊数据的特例。举例如下∶ 例 2. 1 设论域 U= [ 0, 120] ,则"about 20- 22"、" about 18"、"young"、"28"和"about 40"分别由 U 上的 模糊子集 A～、B～、C～、D～、E～表示如下� ∶ A～= { ( 0. 2, 18) , ( 0. 7, 19) , ( 1, 20) , ( 1, 21) , ( 1, 22) , ( 0. 7, 23) , (0. 2, 24) } ; B～= { ( 0. 3, 15) , ( 0. 5, 16) , ( 0. 8, 17) , ( 1, 18) , ( 0. 8, 19) , ( 0. 5, 20) , ( 0. 3, 21) } ; C～= { ( 0. 2, 14 ) , ( 0. 5, 15) , ( 0. 8, 16) , ( 1, 17) , . . . , ( 1, 30 ) , ( 0. 8, 31) , . . . , ( 0. 8, 35) , ( 0. 5, 36) , ( 0. 3, 37) , ( 0. 2, 38) , ( 0. 1, 39) } . D ～ = { ( 1, 28) } ; E ～ = { ( 0. 3, 37) , ( 0. 5, 38) , ( 0. 8, 39) , ( 1, 40) , ( 0. 8, 41) , ( 0. 5, 42) , ( 0. 3, 43) } ; 例 2. 2 设论域 U = { Teaching , Scientific Re- sear ch, Fo reign Language} , 则"业务能力出众 ( Ex- cellent ) "、"业务能力强( Good) "两个模糊数据可分别 由 U 上的模糊子集 A～、B～表示如下∶ A ～ = { ( 0. 95, T each ing) , ( 0. 9, Scient ic Research ) , ( 0. 85, Foreign Lang uage) } ; B～= { ( 0. 8, Teaching ) , ( 0. 7, S cient ic Research) , ( 0. 6, For - eign Language) } ; 有时一个模糊数据在语义上仅由论域中的一部 分元素即可完全描述, 而与其余的元素无关。为此, 我 们在隶属度中引入 irr elevent (记为 IR)的概念, 将论 域中不对该模糊数据的语义产生影响的元素隶属度 定义为 IR。举例如下∶ 例 2. 3 设论域 U 与例 2. 2 相同, 模糊数据 "教学 能力强 ( Good in Teaching ) " 可由 U 上的模糊子集 A～ 表示如下∶ A～= {( 0. 85, T eaching) , ( IR, S cien ti fic Research ) , ( IR, For - eign Lan guage) } . 下面我们定义一个特殊的模糊数据——“无”。“无”可由 论域 U 上的模糊子集 � 表示, � = { u� �( u ) = 0, u∈U} , 即 “无”是这样一个模糊数据,论域中的每个元素对 � 的隶属度 均为零。 4　模糊数据的语义匹配 在模糊数据处理中,我们最关心的是模糊数据间 的语义关系。模糊数据的语义是其所表示的模糊概念 在现实世界中具体的含义, 正确合理地定义模糊数据 间的语义关系是模糊数据处理的基础。我们将模糊数 据的语义关系称为语义匹配。 模糊数据表示的是现实世界中的模糊概念, 其语 义具有模糊性,这就决定了其语义关系的复杂性。因 此只用相等或不等是不足以全面合理地描述模糊数 据间语义关系的。例如“年青”和“18 岁左右”两个概念 似乎是相等的,但在现实世界中它们语义并不相同, " 年青"的语义大大广于“18岁左右”的语义。为此本文 提出了语义包含 ( Semantic Inclusion)概念, 并以此作 为描述模糊数据间语义关系的基础。我们可以认为在 语义上, “年青”完全包含了“18 岁左右”, 而“18 岁左 右”只在较小的程度上包含“年青”。 模糊数据的语义同时包含精确和模糊两个方面。 —8— ·数据库·　　　　　　　　　　　　　　　　　　　　　1997. 5　计算机工程与应用 � 注:省略隶属度为零的元属,下同。 概念的内含表示较为精确和确定的一面, 外延表示模 糊和不确定的一面。这里我们将模糊数据的全部语义 称为模糊数据的语义空间 SS( Semantic Space) 。如果 把论域看作横坐标,隶属度看作纵坐标, 则模糊数据 的语义空间是直角坐标系中的一个子域。下图中的 SS B～ 、DD C～和 SS E～分别表示例 2. 1 中的“about 18”、 “young”和“about 40”的语义空间。语义空间的相互交 叉可以清楚地反映模糊数据间的语义关系。模糊数据 的语义包含就是指语义空间上的相互包含关系。如果 两个模糊数据的语义空间完全重合, 则二者语义相 等。 下面我们首先提出模糊数据语义包含程度 SID ( Se- mantic Inclusion Deg ree ) 和语义距离 SD ( Sem ant ic Distance ) 的概念, 并在此基础上定义模糊数据的语 义包含和语义相等。 定义 1∶设论域 U= { u1, u2,⋯, un } , 模糊数据 A、 B 分别由 U 上的模糊子集 A～、B～表示, 其中 �A～ ( ui)、�B～ ( u i)分别表示 ui 对 A～、B～的隶属度。设 fsub( a, b) = a- b,　　a> b, a , b∈[ 0, 1] 　0　　　　o therw ise 则 A 语义包含 B的程度 SID( A , B)定义为∶ SID ( A , B) = 1- 　　　∑n fsub(�B～( ui) , �A～ ( u i) ) i= 1, �A～ ( ui ) ,�B～( ui)≠IR 　　　　　　 　　 ∑n �B～ ( u i) i= 1,�B～ (ui )≠IR　　　　 　　　B ～ ≠� 　　　　　　1　　　　　　　　　　　B ～ ≠� 从语义空间上来看, SID ( A , B)表示 SS B～被 SS A～包含 的部分在 SS B～中的所占的比例。 定义 2∶A、B 为论域 U 上的模糊数据, A、B 间的 左侧语义距离 LSD ( A , B)、右侧语义距离 RSD ( A , B)和语义距离 SD ( A , B)分别为∶ LSD( A , B) = 1- SID ( B, A ) ; RSD ( A , B) = 1- SID( A , B) ; SD( A , B) = 1- ( SID( A , B) + SID( B, A ) ) / 2 LSD、RSD和 SD 的均为 0 到 1 之间的小数, 它们 分别从 A 语义包含于 B 的程度、A 语义包含 B 的程度 和 A、B 相互语义包含的程度 3 个角度描述 A、B 间的 语义关系。根据定义 3 者之间有如下关系∶ SD( A , B) = ( LSD( A , B) + RSD ( A , B) ) / 2 定义 3∶A、B 为论域 U 上的模糊数据, �为一个 预先设定的实数小量, 则 ·当且仅当 LSD( A , B) < �时, 称 A 语义包含于 B, 记为 A=�� B � ·当且仅当 RSD ( A , B) < �时, 称 A 语义包含 B, 记为 A=�� B � ·当且仅当 SD ( A , B) < �时, 称 A 语义等于 B, 记为 A=� B � 下面举例说明上述概念的实际使用。 例 3. 1　设 A、B、C 分别表示例 2. 1 中的模糊数 据"about 20- 22"、"about 40"和"young", 下面计算 A、C 和 B、C 之间的语义距离。 依定义 1 计算得到∶ SID ( A , C) = 0. 2330, SID ( C, A ) = 1, SID ( B, C) = 0. 029, SID( C, B) = 0. 1429 则依定义 2∶ SD( A , C) = 1- ( 1+ 0. 2330) / 2= 0. 3835 SD( B, C) = 1- ( 0. 029+ 0. 1429) / 2= 0. 9141 显然, 上述结果符合这些模糊数据在现实世界中的语 义关系。 例 3. 2　在 Personnel 数据库中检索"所有年青 人"。这一查询实际是在数据库中检索所有年龄属性 的值包含于"young"的所有记录, 所以查询命令如下 ∶ SELECT　　Name FROM　　　Per sonnel WHERE　A ge=�� young 例 3. 3 在 Per sonnel数据库中检索"所有年龄可 能为 28岁的人"。这一查询实际是在数据库中检索所 有年龄属性的值包含"28 岁"的所有记录,所以查询命 令如下∶ SELECT　　Name FROM　　　Per sonnel WHERE　A ge=�� 28 —9— 计算机工程与应用　1997. 5　　　　　　　　　　　　　　　　　·网络与系统集成· 基于网管平台的网络管理系统开发 清华大学信息网络工程研究中心　安常青　李学农　李小乔　岑贤道 摘　要 网络管理系统已经成为网络管理的必要工具, 网络管理平台提供了网 络管理的必要手段,但是有效的网络管理还必须在此基础上进行针对 性的开发,完成特定网络所需的管理功能。本文结合具体网络管理系统 的开发,在对网络平台提供的功能进行分析的基础上, 介绍了管理者在 网络管理系统二次开发中必须解决的一些问题。 关键词 网络管理　管理信息库　SNMP　M IB- II 1　简介 随着网络复杂性的不断增高, 网络的管理维护已 经超出了网络管理人员的负担程度, 需要有综合性的 网络管理工具帮助进行管理,在这种情况下, 各网络 公司纷纷推出自己的网络管理平台, 如 SUN 公司的 Sun Net Manager, Cabletr on 的 Spectrum, HP公司的 OpenV iew , IBM 的NetV iew, DEC 公司的 Po lyCent er On Net view 等, 这些网络管理系统通常由一组工具 软件组成, 它提供管理人员管理网络的工具, 使网络 的运行更加稳定、高效。另外还有一些第三方提供的 管理应用, 如 3Com 的 T ranscend Enterpr ise Manag- er, DEC 的 HubWatch 等,这些软件通常是各公司针 对自己厂家的产品的管理软件,可以集成到网络管理 平台中。然而, 对于一个企业、单位来说, 购买了一个 网络管理系统并不意味着管理人员从此就可以高枕 无忧了, 因为管理系统提供的只是一些管理的工具, 目前, 还没有哪个工具能够自动完成网络系统的客户 化, 为了能够更好地反映本单位的网络配置情况, 对 网络进行有效地管理,需要网管人员在网管平台的基 础上进行二次开发。只有完成了有效的客户化, 网络 管理系统才能真正地帮助管理人员, 对网络提供更好 的管理。 清华大学校园网是一个拥有多种网络设备的复 杂网络, 为了保证它的正常运行,我们在已有网络管 理软件的基础上, 根据自己的需求, 完成了校园网网 络管理系统。该系统建立在 Sun Net Manager 和 3Com 的 T ranscend Enterpr ise Manager 基础上, 它 利用 Sun Net Manager 提供的工具完成了网络管理 　　上面论述了模糊数据间语义匹配关系。通过这里 定义的 SID 和 SD 及语义包含和语义相等的概念, 借 助于"与"、"或"、"非"等传统的逻辑运算, 就可以构成 复杂的模糊数据逻辑表达式, 从而表示各种复杂的模 糊信息。 5　结束语 本文在给出了模糊数据库的数据模型,确立了模 糊数据的表示方法的基础上, 着重讨论了模糊数据的 匹配问题, 引入了语义空间和语义包含的概念,并提 出了有关的定义和计算方法。这就为在数据库中描述 和处理模糊数据打下了基础。实验表明, 本文提出的 模糊数据语义匹配及语义包含的概念基本上能准确 合理地表达现实世界中模糊概念间的语义关系。 本文所论述的内容均正在作者开发的一个模糊 关系数据库系统 FRDB 中实现。 参考文献 1. L. A. Zadeh, " Fuzzy S ets ", Inform at ion and Cont rol , 8 ( 1965) , 338- 353 2. Motohide Umano, " FREEDOM - O: A Fu zzy Database System ", Fu zzy Informat ion and Decis ion Process es , North - Holland Public Com pany, 1982 3. 何新贵, "模糊关系型数据库的数据模型", 计算机学报, 1989. 2, 120- 126 4. 刘凤玉,曹玉斌, "模糊关系数据库 FRDBMS 的设计与实 现",计算机研究与发展, 1991. 4, 39- 45 5. 李洪兴, 汪培庄, "模糊数学", 北京, 国防工业出版社, 1994 —10— ·网络与系统集成·　　　　　　　　　　　　　　　　　1997. 5　计算机工程与应用