模糊关联

模糊关联（精选9篇）

模糊关联 篇1

0 引 言

数据库内容丰富, 蕴藏着大量可以做出智能商务决策和科学判断的信息, 使用这些信息构建系统模型进行分类与预测一直是数据挖掘和机器学习核心研究内容之一。先前的研究主要侧重于分类问题, 提出了很多分类系统的构造方法, 如C4.5、CBA、CFAR等[1,2,3]。分类系统的输出值是离散的分类标签, 如果输出属性的取值范围是连续论域, 则变成了预测问题, 它在电力负荷、水文监测、股票投资方面也有着广泛的应用价值。

通常预测问题都是通过建立合适的数学模型来解决, 例如线性回归、多元回归、非线性回归和对数线性模型等, 但是随着模糊集理论的出现, 通过构建模糊系统的方法进行预测已经成为一种流行的途径, 因为它具有开发周期短、不需要建立数学模型以及非线性等特点。构建模糊系统的关键问题是模糊规则的获取, 随着数据库中关联规则挖掘技术的兴起, 使用模糊关联规则挖掘算法挖掘有意义的模糊关联规则来构建基于模糊关联规则的预测系统 (PFAR) 的方法已经被提出。如文献[4]采用模糊c均值 (FCM) 算法划分数量型属性并挖掘模糊关联规则来构建预测系统, 具有较好的预测精度。但是, 该方法的缺陷在于不知道将数量型属性划分成多少个模糊集比较合适, 因而挖掘出的模糊关联规则并不能实现最优的预测精度。

本研究针对以上问题提出采用竞争聚集算法 (CA) 进行数据聚类[5], 挖掘出优化的模糊关联规则, 然后采用遗传算法来约简模糊规则集, 实现解释性和精确性的折衷, 解决模糊关联规则存在冗余问题影响预测精度的问题。

1 基于CA算法的模糊关联规则

1.1 应用CA算法对数据离散化

设T={t1, …, tn}为一个关系数据库, tj表示T上的第j条记录, I={i1, …, im}表示数量型属性集, tj[ik]表示第j个记录在属性ik上的取值。模糊关联规则的挖掘首先需要采用CA算法将记录在各数量型属性上的值划分成若干优化的模糊集。

CA算法是一种模糊聚类算法, 它的基本思想是找到c个类的中心B={v1, …, vc}以及c行n列的模糊划分矩阵 (uij) c×n, 使得计算得到的目标函数值最小:

$J={\displaystyle \sum _{i=1}^c{\displaystyle \sum _{j=1}^n(}}u{}_{ij}){}^{m}d{}^2(x{}_j,v{}_i)-\alpha {\displaystyle \sum _{i=1}^c\left[{\displaystyle \sum _{j=1}^{n}u}{}_{ij}\right]}{}^2(1)$

式中 uij∈[0, 1], ${\displaystyle \sum _{j=1}^{n}u}{}_{ij}(1\le i\le c,1\le j\le n)$, uij—目标数据xj隶属于第i个类的程度;m—大于1的模糊参数, 用来控制聚类的模糊程度, 通常取值为2, 当m→1时, 聚类的划分趋于清晰, 即uij→1或uij→∞;当m→∞时, 聚类的划分趋于模糊, 即uij→1/m;d2 (xj, vi) —目标数据xj与类中心vi之间的距离。

设目标数据集X={x1, …, xn}, 对X进行模糊聚类的CA算法迭代过程如下:

取定初始个数c=cmax, 取定ε, 初始化迭代次数k=0, 初始化模糊c划分矩阵U (0) , 计算聚类的基数:

${\rm N}{}_i={\displaystyle \sum _{j=1}^{n}u}{}_{ij}(1\le i\le c)$ (2)

对k=0, 1, …重复以下步骤:

(1) 计算d2 (xj, vi) (1≤i≤c, 1≤j≤n) ;

(2) 修改α (k) 的值;

$\alpha (k)=\eta (k)\frac{{\displaystyle \sum _{i=1}^c{\displaystyle \sum _{j=1}^n(}}u{}_{ij}){}^{2}d{}^2(x{}_j,v{}_i)}{{\displaystyle \sum _{i=1}^c\left({\displaystyle \sum _{j=1}^{n}u}{}_{ij}\right)}{}^2}$ (3)

η (k) =η0exp (-k/τ) (4)

其中, η0与τ根据具体情况取为某个固定常数, 本研究取η0=5和τ=10。

(3) 修改划分矩阵U (k) ;

uij=u${}_{ij}^{FC{\rm M}}$+u${}_{ij}^{Bias}$ (5)

其中:

$u{}_{ij}^{FC{\rm M}}=\frac{[1/d{}^2(x{}_j,v{}_i)]}{{\displaystyle \sum _{i=1}^c[}1/d{}^2(x{}_j,v{}_i)]}$ (6)

$u{}_{ij}^{Bias}=\frac{\alpha (k)}{d{}^2(x{}_j,v{}_i)}({\rm N}{}_i-\stackrel{—}{{\displaystyle {\rm N}{}_j}})$ (7)

$\stackrel{—}{{\displaystyle {\rm N}{}_j}}$定义:

$\stackrel{—}{{\displaystyle {\rm N}{}_j}}=\frac{{\displaystyle \sum _{i=1}^c[}1/d{}^2(x{}_j,v{}_i)]{\rm N}{}_i}{{\displaystyle \sum _{i=1}^c[}1/d{}^2(x{}_j,v{}_i)]}$ (8)

(4) 根据公式 (1) 重新计算聚类的基数Ni, 如果Ni<ε, 则丢弃此类。

(5) 修改聚类个数c, 利用矩阵U (k) 中剩余的元素修改vi:

$v{}_i={\displaystyle \sum _{j=1}^n(}u{}_{ij}){}^{2}x{}_j/{\displaystyle \sum _{j=1}^n(}u{}_{ij}){}^2(1\le i\le c)$ (9)

(6) 置k=k+1;

重复以上步骤直到中心的参数不再改变。

1.2 模糊集的表示

通过CA算法将m个数量型属性i1, …, im上的取值根据数据实际分布情况划分成l1, …, lm个优化的模糊集。每个属性根据聚类中心的大小依次确定模糊等级, 最大的中心对应最大的等级, 以此类推。在模糊理论中, 模糊集常采用三角模糊数、正态模糊数等模型来表示。为了简单起见, 本研究采用三角模糊数表示模糊集, 将模糊集表示成三角模糊数的方法如下。

假设CA算法对属性ik上的数据集X聚类得到划分矩阵U和c个中心vk。记μk (xi) 是样本点xi在第k个模糊集上的隶属度。将所有样本点根据最大隶属度原则归类, 找出位于类中心vk两侧的隶属度最小的样本点, 设左侧隶属度最小的样本点为xl, 隶属度为μk (xl) , 右侧隶属度最小的样本点为xr, 隶属度为μk (xr) , 则第k个模糊集对应的三角模糊数f (x) 为:

其中, $a=x{}^l-\frac{\mu {}_k(x{}^l)(v{}_k-x{}^l)}{1-\mu {}_k(x{}^l)}$;$b=x{}^r+\frac{\mu {}_k(x{}^r)(x{}^r-v{}_k)}{1-\mu {}_k(x{}^r)}$。

1.3 模糊关联规则的挖掘

通过CA算法得到原有数据库各数量型属性的模糊划分后, 必须在此基础上构造一个新的数据库以进行模糊关联规则的挖掘, 新数据库以数量型属性的不同模糊集等级作为数据库的属性, 在此称为模糊属性。新数据库中记录在模糊属性上的取值方法为:不妨看模糊属性ik (1) , 新数据库中第j个记录在模糊属性ik (1) 上的取值为第j个记录在数量型属性ik上的取值在模糊集ik (1) 的隶属度, 由此构造得到的新数据库含有l1+…+lm个模糊属性。不妨仍记所有模糊属性组成的集合为I, 第j个记录在模糊属性yk上的取值为tj (yk) , 可知tj (yk) 属于区间[0, 1]。

设X={y1, y2, …, yp}, Y={yp+1, …, yp+q}, X∩Y=Φ, 模糊关联规则以“X=>Y”的形式给出, 其中规则前件X和后件Y中的模糊属性不应同时含有同一个ik标记。挖掘模糊关联规则需要定义模糊支持率和模糊信任度, 对于新构造的数据库, 采用文献[4]类似的方法给出模糊支持率和模糊信任度的定义。

定义1 模糊关联规则“X=>Y”的模糊支持率定义为FSup:

$FSup=\frac{{\displaystyle \sum _{j=1}^n{\displaystyle \prod _{m=1}^{p+q}t}}{}_j(y{}_m)}{n}$ (11)

式中 n—T的记录数;p—规则前件属性个数;q—规则后件属性个数。

定义2 模糊关联规则“X=>Y”的模糊信任度定义为FConf:

$FConf=\frac{FSup}{\frac{1}{n}{\displaystyle \sum _{j=1}^n{\displaystyle \prod _{m=1}^{p}t}}{}_j(y{}_m)}$ (12)

式中 n—T的记录数;p—规则前件属性个数。

根据以上定义本研究可以采用类似于布尔型属性规则挖掘算法[6]挖掘不小于给定最小支持率和最小信任度的模糊关联规则作为预测系统规则库。

2 基于模糊关联规则的预测系统

一个基于模糊关联规则的预测系统主要由模糊关联预测知识库和模糊推理方法组成, 如图1所示。

模糊关联预测知识库中的规则库由上面提出的模糊关联规则的挖掘算法挖掘出的M条关联规则组成。规则形式为:

Rk:If i1is A${}_1^k$and … and imis A${}_{m-1}^k$, then y is A${}_m^k$, k=1, …, M.

其中, A${}_1^k$, …, A${}_m^k$是数量型属性所取的三角模糊数表示的模糊集。而模糊划分数据库则由各数量型属性的模糊集定义, 即前面提到的三角模糊数表示组成。模糊推理方法采用典型的Mamdani乘机推理机加重心解模糊化方法[7]。

3 模糊预测系统的遗传优化

模糊预测系统的精度和精简程度是其两个重要指标, 在基于模糊关联规则的预测系统中, 精简程度用构建预测系统的模糊关联规则的数目来衡量, 数目越少, 系统就越精简。然而采用模糊关联规则挖掘算法时由于最小支持率和最小信任度的设定问题难免会挖掘出许多冗余的规则, 这样不仅系统解释性不高更会影响预测精度。为了解决此问题, 下面采用遗传算法进行优化, 使其达到精确性和解释性的折衷。优化过程通过以下二进制编码遗传算法实现。

(1) 编码。

对于规则库的编码本研究采用匹兹堡方法[8]。考虑具有m条规则的初始规则, 规则记为Ri (i=1, …, m) , 那么可以用一个m位的二进制位串 (染色体) S= (s1, …, sm) 表示形成最终规则库BF的候选规则集的一个子集, 它满足:如果si (i=1, …, m) 为1, 则Ri∈BF;否则Ri∉BF。

(2) 初始种群的产生。

初始种群的第一个个体通过引入一个表示完整的初始规则集的染色体来生成, 即每个基因si都等于1。其余的个体随机生成, 即每个基因随机地取0或1。

(3) 适应度函数的设定。

设初始规则集的一个子集S, 其所含规则数为N (S) , 预测绝对误差和为E (S) 。那么, 简化的目标可以考虑为N (S) 和E (S) , 这是一个两目标的组合优化问题, 引入权值0<ω<1, 则定义规则集S的适应度f (S) 为:

$f(S)=\{\begin{array}{l}\omega \frac{E(S)}{E{}_0}+(1-\omega )\frac{{\rm N}(S)}{{\rm N}{}_0}E{}_0\ne 0\\ \omega E(S)+(1-\omega )\frac{{\rm N}(S)}{{\rm N}{}_0}E{}_0=0\end{array}(13)$

式中 E0—使用初始规则库预测的绝对误差;N0—初始规则库包含的规则数目。

对于当代种群中的个体都采用上述适应度函数进行评估。

(4) 遗传操作。

遗传操作包括选择、交叉、变异, 它能控制着种群向最优解收敛。本研究的选择操作采用轮盘赌方法, 使得适应度越大的个体被保留到下一代的几率越大。交叉操作使用标准的二进制两点交叉操作生成下一代个体群。两点交叉操作类似于单点交叉, 只是随机地设置两个交叉点。当两个父代个体进行交叉时, 在两个交叉点之间的码串相互交换, 其他基因座的码串不变, 从而分别生成两个新的后代个体。对由变异操作生成的各个体, 按变异概率进行基本变异操作。变异的基因由0变为1或由1变为0。另外需要说明的是对交叉和变异操作都按固定概率进行, 即假设种群大小为N, 编码长度为m, 交叉率Pc, 变异率Pm, 则每一代都随机选择N×Pc个个体进行交叉操作, 随机选择N×m×Pm个基因进行变异操作。

4 实例分析

为了检验此方法的有效性, 本研究选用UCI Machine Learning Repository上的预测数据集Abalone进行实验分析。Abalone数据库含有8个数量型属性分别即为i1, …, i8, 实验根据数据库中前7个属性i1, …, i7的取值来预测数量型属性i8 (年龄) 的值。其中的一份测试样本如表1所示。

实验中笔者将4 177条记录分成两组, 分别为训练数据集和测试数据集。训练数据集用来进行模糊关联规则的挖掘以及在此基础上的遗传算法适应度值的评估, 而测试数据集合则用来测试预测精度。规定70%的记录用作训练数据, 30%的记录用作测试数据。本研究采用CA算法对8个数量型属性进行模糊划分后得到的结果为:3, 3, 2, 4, 3, 3, 3, 3。设定最小支持率为0.2%, 最小信任度为50%, 采用模糊关联规则的挖掘算法挖掘得到了207条规则。接着采用遗传算法约简冗余规则库, 初始种群个数设为20, 交叉率和变异率分别设定为0.6和0.003, 权值参数ω设定为0.85。随着遗传算法的推进, 在测试样本的平均线性误差以及优化得到规则数目的变化趋势如图2、图3所示。

实验结果显示:随着迭代次数的增加, 测试样本平均线性误差逐渐变小, 规则数目逐渐减少, 并趋于稳定。另外, 基于同样的数据集, 采用FCM算法划分数量型属性构建的模糊预测系统以及未采用遗传算法约简规则库的模糊预测系统对测试数据的实验室结果如表2所示。比较结果表明, 采用本研究的方法可以得到相比其他方法更好的预测精度, 同时系统也达到了很好的精简度。

5 结束语

本研究提出了一种优化的模糊预测系统设计方法, 首先通过CA算法划分得到各属性优化的模糊集从而挖掘优化的模糊关联规则, 在此基础上为了实现精度和精简程度的折衷, 采用遗传算法优化规则库。实验结果表明采用本方法可以进一步提高预测系统的精度, 并且系统更加精简。

摘要：为提高预测系统中的预测精度, 提出了一种基于模糊关联规则的优化的预测系统设计方法。该方法通过两个阶段来实现:首先采用竞争聚集算法得到各数量型属性优化的模糊集个数, 从而挖掘出优化的模糊关联规则。在得到用于构建预测系统规则库的模糊关联规则后, 采用遗传算法约简冗余规则库, 实现精确性和解释性的折衷, 以提高预测精度。最后将此方法运用于Abalone样本数据集进行实验分析, 证实此方法解决了模糊关联规则的冗余问题, 有效提高了预测精度。

关键词：模糊关联规则,预测系统,竞争聚集算法,遗传算法

参考文献

[1]QUINLAN J R.C4.5:programs for machine learning[M].San Mateo:Morgan Kaufmann, 1993.

[2]LIU Bing, HSU W, MA Yi-ming.Integrating Classificationand Association Rule Mining[C]//Proc.of the InternationalConf.on Knowledge Discovery and Data Mining.NewYork:[s.n.], 1998:[s.n.].

[3]LU J, XU B, KANG D.Classification methods of associa-tion rules with linguistic terms[J].Journal of SoutheastUniversity, 2004, 20 (1) :21-25.

[4]LUJ, XUB, JIANG J.APrediction Method of Fuzzy Associa-tion Rules[C]//Proc.of the International Conf.on InformationReuse and Integration.Nevada:[s.n.], 2003:[s.n.].

[5]FRIGUI H, KRISHNAPURAMR.Clustering by competitiveagglomeration[J].Pattern Recognition, 1998, 30 (7) :1109-1119.

[6]AGRAWAL R, SKIKANT R.Fast Algorithms for MiningAssociation Rules[C]//Proc.of 20th International Conf.Very on Very Large Databases.Morgan Kaufmann:[s.n.], 1994:[s.n.].

[7]王立新, 王迎军.模糊系统与模糊控制教程[M].北京:清华大学出版社, 2003.

[8]SMITHS F.A learning system based on genetic algorithms[D].Pittsburgh:University of Pittsburgh, 1980.

模糊关联 篇2

改进的模糊灰色关联分析法在热舒适度影响因素评定中的应用

针对灰色关联分析中由于比较序列曲线间空间位置不同而引起关联误差,分辨系数取定值不合理,取平均值求关联度影响评价准确性等缺陷,本文采用了线性变换及合理判定分辨系数的方法,确定了改进的关联系数,并结合模糊系统中的贴近度原理,提出了一种改进的.灰色关联度求法.采用该方法对影响井下人体热舒适度的因素模糊灰色化后进行了评定分析.实践证明,该方法具有简单、可靠、准确等优点.

作 者：周刚 程卫民 ZHOU Gang CHENG Wei-min 作者单位：山东科技大学资源与环境工程学院,山东,青岛,266510刊 名：安全与环境学报 ISTIC PKU英文刊名：JOURNAL OF SAFETY AND ENVIRONMENT年，卷(期)：5(4)分类号：X124 TD823.84关键词：安全工程 灰色关联 线性变换 分辨系数 模糊贴近度 热舒适度

模糊关联 篇3

关键词：电子商务；数据挖掘；模糊关联规则；信任评价系统

1引言

电子商务中的信息挖掘一直是人们研究的热点。很多研究数据挖掘的学者纷纷将其研究的成果应用到实际当中，并作为市场预测、市场细分与分类、客户关系管理以及其他商务应用的参考模型。电子商务信息挖掘一般采用的是WEB数据挖掘中的一部分。例如，文献[1]就是利用SVM来进行电子商务中的应用挖掘——网络日志的分析，以提取客户分类及评分。

在电子商务环境中，一个电子商务支撑环境能够产生一个信任值，通过衡量已交付的服务质量以及从顾客和信任管理机构中获得的服务评价。没有任何信任管理机制，许多消费者也许会因为欺骗性的广告而请求了欺骗性的服务。另一方面，一个简单但是不完整的信任管理系统也许让服务提供商有选择性地欺骗顾客（例如，通过给许多低价的交易提供好的服务，但是在高价的交易中欺骗顾客来谋取大量的好处），以及欺骗信任管理机构（例如，通过在信任评价中合谋欺骗）。一些如此的欺骗可能导致服务质量降级，并且给客户带来经济损失。因此，电子商务行业必须有有效的信任管理[2]。

2关联规则的分类

关联规则的一个要求是结果得有透明度和可用性，这些结果是以产品群组规则的形式表示的，它表述了现实的产品和服务是如何组合到一起的。关联规则容易理解，但它们并不总是有用的。

有用的规则包含高质量、可操作的信息。平凡的结果早已被熟悉商业的任何一个人所知晓。平凡规则确实有一个用处，尽管它不是直接的数据挖掘应用。当一个规则应当在该时间100%出现，然后它却没有出现，这种情形可以提供关于数据质量的许多信息。换句话说，不遵循平凡规则的例外情况指出了商业运作、数据收集和处理等可能需要进一步改进的方面。费解的规则似乎没法解释，并且不给出行动过程。

当应用购物篮分析时，许多结果常常是平凡的或费解的。平凡规则再现商业常识，浪费了利用高级分析技术的努力。费解的规则是数据中的偶然事件，是不可操作的。[3]

关联规则有三个度量。支持度反映在交易数据中发现该规则的频繁程度，置信度说明当“如果”部分为真时“那么”部分也为真的频繁程度，而提升度反映该规则预测“那么”部分额相对根本没有规则要好多少。

这样生成的规则可以分成三类：有用的规则阐明可能没有预料到的关系，平凡规则阐明已知（或应该知道）存在的关系，费解的规则没有意义。费解规则常常有很弱的支持度。

3基于模糊关联规则的电子商务评价系统设计

3.1电子商务信任评价系统

一些著名的电子商务网站采用的是集中式信任管理机制[8]。在淘宝，每完成一笔交易之后，买家能够给一个反馈给系统，这个反馈是有关卖家的服务质量的，也许是良、中评或差评。淘宝服务器将这个评分存储在中心管理系统中。它用公式S=P-N来计算出这个反馈的分，其中P表示好评个数，N表示差评个数。淘宝网将这个S值显示在卖家的网页上。另一值R=（P – N）/（P + N）（1 ≥ R ≥ 0）是好评率。如果仅用好评率来作为信任评价的标准是不对的。通过模糊关联规则中，防止一些欺骗。例如，通过给许多低价的交易提供好的服务，但是在高价的交易中欺骗顾客来谋取大量的好处。

规则集相似度可以量化地表示当前的交易状态是否与正常的状态的相似程度，由此可以推断出此次交易的风险程度。并且可以根据其风险程度来进行报警或者提醒。

基于模糊关联规则的电子商务信任评价系统的流程如下图所示。

3.2模糊集和模糊隶属函数的建立

模糊集的建立实际上就是把数据集中的所有属性用模糊属性表示[4]，每个模糊属性包含多个模糊值，每个模糊值有其对应的模糊集。模糊隶属函数用来描述一个确定属性值对于一个模糊属性集的隶属度。一个确定属性值可以隶属于多个模糊值，对应有多个隶属度。

如表1所示交易数据库T={t1，t2，t3，t4}，属性I={num，money}（i1=num，i2=money）。

将每个属性又分别划分为若干个模糊集，对表1所示的数据库，在计算其各数据项隶属度之后数据库被转换为如表2所示。

4结束语

本文从电子商务信任管理中所发现的一些问题，结合现在数据挖掘在电子商务的应用，找到了一种基于模糊集的关联规则算法应用到电子商务信任评价中。在基于信誉的电子商务评价问题中，电子商务的评价往往是通过反馈的信息来完成，但是反馈回来的信息以及交易过程中本身所产生的信息要尽量将其中所隐含的信息挖掘出来，进行一定的分析，就可以得到一些有用的规则。而对于一些平凡的规则，也可以利用其来寻找其中的问题。这个系统还可以在进一步的进行扩展。例如，对规则集进行修正，去掉一些费解的规则，还可以去掉一些冗余的关联规则。这些都可以对整个流程有更好的改进。本文主要是对交易管理中的一些数据属性进行提取和发现规则。

参考文献：

[1] 过蓓蓓，方兆本.基于SVM的Web日志挖掘及潜在客户发现[J].管理工程学报，2010（1）.

[2] Yan Wang and Kwei-Jay Lin.Reputation-Oriented Trustworthy Computing in E-Commerce Environments.

[3] Michael J.A.Berry，Gordon S.Linoff.别荣芳 尹静 邓六爱译.Data Mining Techniques：For Marketing，Sales，and Customer Relationship Management 数据挖掘技术：市场营销、销售与客户关系管理领域应用（原书第2版）[M].北京：机械工业出版社，2006.

[4] 王坤.模糊关联规则挖掘在入侵检测中的应用研究[D].西南交通大学，2006.

[5] 吴君辉，殷肖川，张薇.基于模糊关联规则挖掘改进算法的IDS研究[J].计算机测量与控制..2009.17（11）

[6] 邵峰晶，于忠清，著.数据挖掘原理与算法[M].北京：中国水利水电出版社，2003.

模糊关联 篇4

近年来随着Internet的飞速发展, 计算机网络的资源共享进一步加强, 然而资源共享与信息安全历来都是一对矛盾, 网络的安全正面临着越来越严重的挑战。入侵检测技术的出现可以使网络管理员可以获知攻击的发生, 但传统入侵检测技术只能在一定的程度上得知攻击的发生信息, 网络管理员不能获知网络攻击的威胁程度, 不能获知相关的网络安全态势信息, 从而使网络管理员对现实的网络情况做出相应的决策具有很大的难度。

未来的网络应用需要更高的安全性, 这就要求网络管理员要及时地掌握网络安全态势信息, 并及时地做出相应的操作来消除攻击的威胁。网络安全态势评估技术就是解决上述问题的一种新型网络安全技术。

1 网络安全态势评估模型及基于模糊信息融合技术的攻击要素关联

根据waltz的网络安全态势评估总体框架, 文献[1]设计了网络化系统安全态势评估模型。系统分为两个子系统:攻击检测系统和安全态势量化评估系统 (见图1) 。

在对攻击进行评估时, 需要考虑攻击本身的强度和攻击获得成功的难易程度。单纯的入侵检测系统不能给网络管理员提供具体的态势信息, 而只是产生大量的系统信息和底层数据。系统必须将攻击数据提炼成为攻击信息, 进而提炼成为攻击知识后才能为网络管理员所理解、运用。但是由于上述三个攻击要素具有不确定性、非完整性、模糊性和多变性的特点, 因此很难对其进行界定和关联。本文主要探讨第一个子系统, 即基于模糊信息融合技术的攻击要素关联。

2 攻击要素的定义

2.1 攻击危害度C1

结合文献[2]中的不足, 本文对攻击危害度C1的定义:

网络攻击的危害度是指网络攻击对整个应用系统造成危害的程度。对于第k类网络, 第t类攻击的危害度Hkt可由公式 (1) 计算得出。

$C{}_1{}_{kt}={\rm N}{}_k(100A{}_t)\left(\frac{1}{4}{\displaystyle \sum _{r=1}^{4}C}{}_{tr}\right)$ (1)

本文中假设当前有3种网络类型, 其网络类型影响因子Nk赋值如表1。

攻击类型的划分采用了以攻击侵入层次为依据的分类法, 该方法主要来自于普渡大学的Kumer S的博士论文[3]中的分类法, 将网络攻击分为如表2所示的7类, 以攻击侵入层次递增的顺序排序。At表示第t种攻击类型的影响因子, 见表2。

2.1.1 攻击源影响因子Ct1

攻击的来源。取值为“内部”和“外部”两种。来自内部的攻击一般比来自外部的攻击危害度大, 见表3。

2.1.2 攻击目标影响因子Ct2

攻击针对的目标。根据重要性分为“重要主机”和“一般主机”, 其中重要主机可以根据需要细分为各种服务器, 见表4。

2.1.3 受影响范围影响因子Ct3

表示攻击成功后目标系统受影响的范围。分为“单机单用户”、“单机所有用户”和“网段”3类。

2.1.4 可恢复程度影响因子Ct4

表示攻击成功后目标系统恢复的能力。分为“现场可恢复”、“离线可恢复”和“不可恢复”3类, 见表6。

2.2 攻击难易性

攻击难易性是指该实施某类攻击获得成功的难易程度, 也可以看成是某类攻击发动成功的概率。攻击难易性的计算是通过对被攻击系统是未免疫系统的可能性的计算来完成的。

结合文献[3]并针对其不足, 本文对攻击难易性进行了如下改进。定义如下变量:

HT—目标系统是未免疫系统的类型;

HVT—目标系统是未免疫系统类型的未免疫版本;

ST—目标系统上的服务是未免疫服务类型;

SVT—目标系统上的服务是未免疫服务类型的未免疫版本。

根据系统类型和服务类型的情况, 本文相应地给定一个0—10 之间的值 (如表7) 。将两个值相乘得到攻击难易性值。

2.3 攻击频率

攻击频率是指单位时间内, 网络化系统内某类型网络攻击A被检测出所发生的次数。

3 基于Mamdani模糊推理的攻击要素关联算法。

3.1 输入变量模糊化

本文中输入变量攻击危害度C1、攻击难易度C2、攻击频率C3模糊化均采用三角形隶属度函数[5]。

f (x;

$a,b,c,d)=\{\begin{array}{l}0,x\le a;\\ \frac{x-a}{b-a}‚a\le x\le b;\\ \frac{c-x}{c-b}‚b\le x\le c;\\ 0,c\le x。\end{array}$

3.2 应用模糊算子

由于攻击要素包含三个部分, 所以我们给定的规则前有三个命题。这三个命题存在“与”的关系, 本文使用的模糊算子取与算子min (模糊交) 。

3.3 模糊蕴含

在Mamdani算法中模糊蕴涵选取的是最小运算 (Mamdani) :

A→B=min (μA (x) , μB (y) ) 。

3.4 模糊合成

在Mamdani算法中模糊合成选取的是max (模糊并) 。

3.5 反模糊化

反模糊化把输出的模糊集化为确定数值的输出, 在Mamdani算法中反模糊化使用的是中心法 (Centroid) 。

4 仿真实验验证

仿真实验过程分为攻击要素关联和层次态势融合两部分, 其中攻击要素关联实验采用MATLAB 7.0模糊工具箱 (Fuzzy ToolBox) [6], 层次态势融合 (在本文中不做描述) [1]则使用MATLAB 7.0中数值计算功能和统计计算功能, 最终结果通过MATLAB 7.0中图形处理功能展现出来。在本文中采用了2000年11月的HoneyNet数据集[7], 所选用的实验环境变量如下:

4.1 攻击危害度指数C1

根据公式 (1) , 得出

C1=0.5×At×100× (0.7+1+0.7+0.5) /4=35At。

4.2 攻击难易性指数C2

在分析报警数据后, 没有发现一些不相关的无效攻击。本文得出难易性指数C2=系统类型值H×服务类型值V=10×10=100。

4.3 攻击频率指数C3

在本仿真实验中规定攻击频率指数C3=100×攻击次数/MAX。这样就可以解决在模糊推理过程中反复调整输入数据隶属度函数参数的问题。

4.4实验结果与分析

HoneyNet 系统服务级安全威胁态势 (以107主机为例) 直观地给出三个服务的安全态势, 见图2。给管理员提供以下直观信息:相对于其他两个服务, 系统中开通的rpc服务受到频繁攻击。这说明rpc服务可能存在较多或较容易攻破的漏洞, 值得管理员对这个服务的设置情况进行检查。另一方面, 这也可能说明针对rpc服务的攻击是当时网络攻击的主要目标。

5 结论

本文首先提出了网络化系统安全态势评估模型, 进而详细定义了三个攻击要素:攻击频率、攻击难易性和攻击危害度, 使之可以更加精确的表示攻击次数、攻击成功概率和攻击造成的严重后果。然后结合模糊信息融合技术, 针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出了使用Mamdani模糊推理算法来实现攻击要素的关联。通过仿真实验证明该算法可以有效地将IDS产生的海量数据融合为可供网络管理员方便使用的安全态势值。

摘要：主要针对当前网络安全态势知识不易获得的问题, 提出了自己的网络化系统安全态势评估模型并定义了攻击要素。继而使用动态的方法量化了攻击频率、攻击难易性和攻击危害度, 使之可以更加精确地表示攻击次数、攻击成功的概率和攻击造成的严重后果。同时针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出将一种模糊信息融合方法——基于Mamdani模糊推理的算法来实现攻击要素的关联。最后, 应用Matlab7.0仿真实验工具进行了仿真, 实验结果证明, 本文提出的算法可以真实地反映安全态势情况。

关键词：网络安全态势评估,模糊信息融合,攻击要素,关联

参考文献

[1]孙宁.网络化系统安全态势评估设计及态势融合模型研究.硕士学位论文, 兰州:兰州理工大学, 2007

[2]张怡, 张拥军, 陈海涛, 等.一种新的网络攻击危害度定义方法.计算机工程, 2002;28 (8) :33—34

[3]Kumer S.Classification and detection of computer intrusions.Ph.D.Thesis, Purdue University, WestLafayette, Indiana, 1995:08

[4]王磊, 于洪奎, 谢慧, 等.针对具体主机的网络攻击危害度评估模型.计算机工程与设计, 2005;26 (6) :1519—1521

[5]郑亚林, 黄德隆, 郭健, 等.Fuzzy推理的Mamdani算法.宝鸡文理学院学报 (自然科学版) , 2001;21 (3) :168—173

[6]楼顺天, 胡昌化, 张伟.基于MATLAB的系统分析与设计——模糊系统.西安:西安电子科技大学出版社, 2001

基于模糊关联集合的图像去噪方法 篇5

数字图像的获取、传输和存贮过程中常常会受到各种噪声的干扰而使图像降质, 为了获取高质量的数字图像, 对图像进行处理是十分必要的, 其中最关键的步骤就是数字图像的有效去噪。数字图像噪声是指图像中不需要的部分, 或对某一特定场合的研究没有意义的部分。图像去噪的最终目的是改善给定的图像, 解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像视觉效果, 增大信噪比, 更好地体现原图像所携带的信息。

数字图像噪声[1]按噪声幅度分布统计特性来看, 常见的噪声模型主要有以下几种:高斯噪声 (正态分布) 、瑞利噪声 (瑞利分布) 、椒盐噪声 (单极或双极脉冲分布) 、伽马噪声 (爱尔兰密度分布) 、指数噪声 (波松分布) 及均匀分布噪声。

图像去噪方法[2]分为空域去噪与频域去噪。空域去噪是在原图像上直接进行数据运算, 对像素的灰度值进行处理。空域去噪滤波器包括:均值滤波器 (算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器) 、顺序统计滤波器 (中值滤波器、最大值和最小值滤波器、中点滤波器) 、自适应滤波器;频域去噪是对图像进行某种变换, 将图像从空间域转换到变换域, 对变换域中的变换系数进行处理, 再进行反变换将图像从变换域转换到空间域来达到去除图像噪声的目的。频域去噪滤波器最早可以追溯到傅立叶变换的使用, 后来在此基础上提出加窗傅立叶变换, 同时启发了小波多尺度分析思想的引入。除了空域和频域去噪方法, 还有其它多种方法的结合, 例如将小波和中值滤波结合形成一种新的滤波器进行去噪, 各种基于数学形态学、神经网络和模糊理论的滤波器的应用研究也很广泛。

本文在空域去噪的基础上, 引入模糊关联集, 将两者进行结合形成一种新的滤波器。这种新型滤波器充分利用空域滤波的优点, 同时进行关联变换, 获得了较好的去噪效果。

1 基于模糊关联集合的图像去噪方法

设g (x, y) 是含噪声的输入图像。在图像增强理论中, 利用离散拉普拉斯掩模进行图像锐化, 其基本方法是利用一阶或二阶微分所得的掩模将g (x, y) 与周围8个像素g (x+i, y+j) 进行线性求和, 其中i, j∈{-1, 0, 1}。然而对于含噪声的图像, 该操作必然会增大噪声。一般来说, 若点 (x, y) 是噪声, 则其与周围像素之间有较明显的增减。因而设计了下面一种算法, 用于衡量点 (x, y) 是噪声的可能性。

首先, 计算delta (x, y) , 其公式如下:

其中, w (s, t) 表示在点 (x+s, y+t) 处的加权系数。当a=1, b=1时, 则为3×3邻域。

delta (x, y) 表示g (x, y) 与周围像素之间的加权平均变化。当delta较大, 说明g (x, y) 与周围像素的差值之和较大, 是图像中的“突变”点, 因而是噪声的可能性较大;相反, 当delta较小, 说明g (x, y) 是图像中的“平滑”点, 其为噪声的可能性较小。以3×3邻域为例, 常见的w (s, t) 取法有3种, 见表1~表3。

其次, 引进模糊关联集合:

I (x, y) 具有如下特点:它是delta (x, y) 的增函数, 它的值域为[0, 1], 反映点 (x, y) 在整个图像中“突变”的系数。一般地, 若 (x, y) 是噪声, 则I (x, y) 的值相对较大;若 (x, y) 是图像中的正常点, 则I (x, y) 的值较小。但也有例外, 例如在图像的边缘处I (x, y) 相对较大。为了使图片中的噪声得到较有效的降解, 将图像分为下面两步进行处理:图片预处理和图片平滑处理。

再次, 将图片进行预处理:设定阈值[3]A (介于0~1之间) , 当I (x, y) >A时, 将g (x, y) 代替为, 此相当于用g (x, y) 周围a2-1个像素的平均值代替了g (x, y) 。这样处理的目的是:利用模糊关联集合I (x, y) 及阈值将空间“突变”的点处理成平均值点。

最后, 结合空域上图像平滑处理, 定义了如下加权去噪算法:

其中, 表示经过空域的图像平滑处理后的图像。特别地, 当I (x, y) =0, 则f (x, y) =g (x, y) ;当I (x, y) =1, 则

这样, f (x, y) 为最终处理后的图像。

2 实验与结果分析

为验证本文算法, 本文用两幅灰度图像进行实验, 利用Matlab软件编程[4,5]。

实验一:噪声为0.02的高斯噪声, 取w (s, t) 为加权1, 阙值为0.5, 分别为3×3几何均值滤波器去噪和3×3中值滤波器去噪, 如图1所示。

实验结果及分析:不管是均值滤波器还是中值滤波器, 对高斯噪声的过滤作用都不是很出色, 其结果不仅模糊了原有图像, 而且没有去除大部分噪声。然而当使用联合模糊关联算法时, 去噪效果比较理想, 同时保留了图像大部分细节。

实验二:噪声为0.02的椒盐噪声, 取w (s, t) 为加权2, 阈值为0.7, ^g (x, y) 分别为3×3几何均值滤波器去噪和3×3中值滤波器去噪, 如图2所示。

实验结果及分析:经过处理, 椒盐噪声得到较大程度的过滤, 特别是黑色噪点几乎完全滤去。相对于均值滤波器、中值滤波器, 模糊关联算法不仅继承了其优势, 而且保留了较多图像细节信息。

3 结语

本文通过引入模糊关联集合概念, 提出了一种图像去噪算法, 并通过实验验证其有效性。实验结果表明, 该方法能在继承空域去噪优点的同时, 减少细节的丢失, 达到全局去噪和局部去噪相结合的目的。实验还表明, 设置不同阈值对图像的影响是:阙值较小时, 图片细节较多, 但去噪效果较差;阈值较大时, 图片细节较少, 但去噪效果较好。阈值一般取0.5~0.7之间为佳。同时, a值越大时, 平滑效果越好, 但图片清晰度越低。相对于噪信比越高的图片, 要求a较大, 去噪效果相对较好。噪信比低于0.05时处理效果较为满意, 当噪信比较大时, 该算法与空域上的传统去噪算法效果差不多, 显示不了优势。而且, 相对于其它一些去噪算法, 本文算法简单易行。

参考文献

[1]冈萨雷斯.数字图像处理[M].第2版.北京:电子工业出版社, 2003.

[2]王英.图像去噪算法研究[J].电脑信息与技术, 2011 (8) :8-10.

[3]袁懿弘.基于去噪阈值的图像平滑模糊算法方法研究[J].计算机工程与设计, 2005 (7) :1938-1839.

[4]贾小军.基于Matlab的图像增强技术研究[J].渭南师范学院学报, 2008 (2) .

模糊关联 篇6

语用模糊既是一种语用现象, 也是一种认知现象。在言语交际中, 为了达到某种特殊的交际目的, 交际双方使用不明确的话语传达多种话语之力来实现话语之的, 所以说语用模糊是一种交际现象和语用策略;语言的任意性、话语的潜在语义、对话双方的认知语境以及个体认知思维能力、心理机制的差异等因素不可避免地导致了语言选择结果的模糊性, 语用模糊的生成和阐释自然就离不开人类认知活动的参与和运作, 所以说语用模糊也是一种认知现象。尽管对语用模糊的定义, 目前学术界没有完全统一的认识和界定, 但有一点是共通的, 那就是交际参与者在意义表述过程中使用不确定的语言现象, 传递多种话语之力;在意义理解过程中听话人把这种不确定性诠释成多种言外行为。虽然交际参与者的话语之力处于模糊状态, 但交际者的交际意图即言外之的却只有一个。

本文以曹禺代表作《雷雨》中人物对白为语料, 依托J.Thomas的语用模糊 (pragmaticambivalence) 分类着重分析语用模糊在剧作中推动或激发戏剧冲突和刻画人物形象所起的作用, 以期读者更好地领略模糊语言魅力。

二.《雷雨》中的语用模糊分析

1.多重语用模糊

周萍:那也不见得, 我总怕父亲回来, 您很忙, 所以———

周冲:你不知道母亲病了么?

蘩漪:你哥哥怎会把我的病放在心上? (《雷雨》第一幕)

这是蘩漪、周萍、周冲三人同时在场时的一段对话。蘩漪的最后一句“你哥哥怎会把我的病放在心上?”分别向周冲和周萍传达了不同的言外之力。表面听话人周冲只当是母亲责怪哥哥不孝。实际受话人周萍却明白蘩漪是对其故意冷落于她的一种埋怨式攻击, 责怪他根本不在乎、不关心她的内心感受。此时的蘩漪还不知道周萍与四凤的关系以及周萍次日离开公馆到矿上长住的消息, 认为他躲避自己只不过是想逃避她们之间不道德不正当的“地下爱情”而已, 而他之所以逃避是缺乏足够的勇气面对他们之间的关系。这时她还完全沉醉在对周萍的幻想中, 所以对周萍冷落自己的行为她只是选择了幽怨式的进攻。随着对话的继续, 当蘩漪知道周萍要摆脱她, 双方矛盾冲突开始加剧。

蘩漪:我怕你是胆小吧?

周萍:怎么讲?

蘩漪:这屋子曾经闹过鬼, 你忘了。 (《雷雨》第一幕)

之前四凤与鲁贵的对话铺垫隐含了“闹鬼”的真相:蘩漪与周萍之间的不正当关系。同时也透露出全剧的主要冲突, 即蘩漪和周朴园、周萍的冲突。蘩漪的话对周冲和周萍传达的是不同的言外之意。由于周冲是“闹鬼”事件的局外人, 因此他不可能理解母亲这番话的言外之力。而周萍却明白这是在暗示他她们之间不可告人的关系, 是对他逃避的威胁和震慑。

蘩漪和周萍的这两次正面交锋都处在主动地位, 声色俱厉, 从中不难看出她身上强烈的反抗精神。同时, 蘩漪、周萍的正面冲突也加深了戏剧危机, 侧面加强了蘩漪和周朴园的冲突, 把矛盾冲突导向戏剧冲突的中心。

蘩漪: (有意地) 心里就这么急么?

周萍:是, 母亲。

周朴园: (慈爱地) 外面下着大雨, 半夜走不大方便吧? (《雷雨》第四幕)

这次对白中, 蘩漪因碍于周朴园在场, 不便直接向周萍透露自己情感的现实, 就特别使用了“心里就这么急么”的反诘句构成多重语用模糊。在旁听人周朴园看来, 这一句传达的只是继母对继子深夜出行的担心, 但在周萍看来, 它表达的是蘩漪对他不敢担当责任的懦弱的嘲讽和对他迫不及待地离开她的挖苦和怨恨式的进攻, 因为此时蘩漪已亲眼目睹了周萍与四凤的幽会, 周萍的背弃使她对周萍和她们间那场乱伦的爱的所有幻想都濒于毁灭, 嫉妒和失望刺激着她, 但残存的一丝幻想———周萍不是不爱她, 而是四凤的出现夺走了她所爱的人, 所以挽回和周萍的感情还有可能———让她没有做出“鱼死网破”的挣扎, 因此, 她采取了对周萍这种阴鸷的攻击。

2.双重和数重语用模糊

双重和数重语用模糊策略的使用在《雷雨》剧作的人物对白中也屡有体现。以下是蘩漪试探四凤和周萍关系的一组对白:

蘩漪:怎么这两天没见着大少爷?

四凤:大概是很忙。

……

蘩漪:他又喝醉了么?

四凤:我不清楚。 (《雷雨》第一幕)

在这段对白中, 双方围绕周萍进行了上十个回合的周旋。对话以疑问句和陈述句的表现形式交替推进。蘩漪既要掩盖她对周萍超乎寻常的在乎, 在仆人面前保持女主人的身份和威信, 又要深入了解四凤与周萍的关系, 因而她用听似只是继母对继子日常关心的询问来实现她的对话意图;四凤也害怕蘩漪知道她与大少爷的私情, 因而答语多以推脱不知为主。蘩漪的这些话表面是询问实则有警告, 她和四凤的这段矛盾冲突为之后她与周萍的正面交锋埋下了伏笔。

周萍:我母亲不像你, 她懂得爱!……

蘩漪:你有权利说这种话么?你忘了就在这屋子, 三年前的你么?你忘了你自己才是个罪人:你忘了, 我们———哦, 这是过去的事, 我不提了。哦, 萍, 好了。这一次我求你, 最后一次求你。我从来不肯对人这样低声下气说话, 现在我求你可怜可怜我, 这家我再也忍受不住了。 (《雷雨》第四幕)

在这段对话中, 周萍和蘩漪都运用了语用模糊策略, 造成了双重语用模糊的特殊效果。周萍所言表层之意是陈述生母为人的正派, 深层之意是暗讽继母背着父亲和自己不正当的乱伦行为。他要放弃与继母的不伦之恋, 回归到当时的社会传统伦理道德的大网之中。蘩漪的话表层表达了对周萍负心绝情的伤心乞怜, 深层之意是向周萍发出警告和最后通牒。这次言语交锋中, 蘩漪由最初的强势和责问转到最后近乎绝望的乞求表现了她内心的愤怒、痛苦和无助。这个绝望女人最后的、无力的挣扎也反映了她旧式女人的怯弱, 色厉内荏的一面。但是, 蘩漪毕竟是个乖戾的女人, 她也不会轻易地放弃或认命, 当她得不到时, 她便要彻底毁灭它。当她认为一切都无可挽回时, 毁灭式的报复便开始了。所以戏剧最终, 她承认了同周萍的关系, 使周家复杂的关系真相大白, 使得周萍再一次陷入乱伦的不齿沦丧, 在痛苦和毁恨中自杀身亡。蘩漪也在爱与恨都燃尽之后, 走到了她的末路。

《雷雨》第一幕中周朴园和周萍的一段对白是双重语用模糊策略运用非常精彩的佐证。

周朴园试图通过暗示使其长子周萍知错认错, 但其使用的一系列指代模糊的语言“对不起自己的事情”, “对不起你的父亲、母亲的事情”以及“很不规矩”在听话人周萍这里产生了两种言外之力。这些表达可以指周萍的“喝酒、赌钱、在跳舞场鬼混”的不务正业的行为, 也可指周萍与继母蘩漪之间的乱伦行为, 前者传递的是指责、批评之力, 后者传递的就不仅仅是指责之力, 它更多的包含了封建家庭中周朴园大家长的专横与淫威。周萍本就心虚气怯, 误以为是乱伦丑行暴露, 所以表现得惊恐失措, 语无伦次。周朴园隐藏在“仁厚”、“正直”和有“教养”等外衣下的专横与周萍的懦弱、胆小形成了鲜明对比。

剧作中除了主要人物正面冲突中多处使用语用模糊现象外, 一些小人物也不乏例外。

鲁贵:……我可是把你的什么要紧的事情, 都放在心上。……前天我看见大少爷买衣料──

四凤 (沉下脸) :怎么样? (《雷雨》第一幕)

以上鲁贵与四凤对话中所言“要紧的事情都放在心上”、“大少爷买衣料”是话中有话, 对听话人四凤传达了数个言外之力。表面是陈述事实, 实际是警告甚至威胁四凤———他已经拿住了四凤和大少爷的把柄, 如果四凤不能满足他接下来提出的要求, 那么他鲁贵会采取行动了。鲁贵见钱眼开, 惟利是图的奸恶嘴脸在他的言语中尽显无疑。

蘩漪:你为什么不早点来告诉我?

鲁贵 (假笑) :我倒是想着, 可是我 (低声) 刚才瞧见太太跟大少爷说话, 所以就没有敢惊动您。

蘩漪:啊你, 你刚才在———

鲁贵:我?我在大客厅里伺候老爷见客呢! (故意地不明白) 太太有什么事么? (《雷雨》第二幕)

在蘩漪和鲁贵这一主仆对话中, 鲁贵模糊的话语向蘩漪传递了数种信息:我已经瞧见了你们的事, 掌握了把柄;我会替你隐瞒的, 就看你的表现了。寥寥数语鲁贵表面一副谦恭的、奴颜卑膝的奴才相和实质的猥琐龌龊、卑劣无耻和工于心计就尽显无疑。鲁贵的胁迫无疑使蘩漪原本就压抑、憋闷的内心世界更是雪上加霜, 也加剧了全剧错综复杂的矛盾冲突。

3.条件性双重言外行为

在前一段鲁贵与四凤的对话中, 作者使用了语用模糊策略来刻画鲁贵贪婪无耻的形象, 即使对女儿也会半带威胁的索要钱。“什么要紧的事情都放在心上”传递了数个言外之力, 同时, 它也体现了条件型的语用模糊策略。如果这一命题成立, 则四凤知道父亲知道了她与周萍的关系, 如果不成立, 则鲁贵不知道。父女冲突在作家别出心裁地设计中逐渐凸显。

蘩漪: (冷笑) 小心, 小心!你不要把失望的女人逼得太狠了, 她是什么事都做得出的。

周萍:我已经打算好了。 (《雷雨》第二幕)

这是蘩漪发现自己深爱的周萍已移情四凤时, 为留住周萍而对其发出的严厉警告和恫吓。在这段对话中, 蘩漪的“ (冷笑) 小心, 小心!你不要把失望的女人逼得太狠了, 她是什么事都做得出的”可被视作条件性双重言外行为。如果周萍继续和四凤来往而冷落她, 那么她是什么事都能做得出来的, 她要报复造成她痛苦和罪恶的一切人。此时, 双方的矛盾冲突已达到了剑拔弩张的紧张程度。面对爱人的移情别恋, 蘩漪不甘被弃的命运, 采用了积极进攻的方式警告周萍抛弃她的严重后果。

4.语篇性语用模糊

周朴园:你三十年前在无锡吗?

鲁侍萍:是, 老爷。

……

周:谁指使你来的?

鲁:命!不公平的命指使我来的。 (《雷雨》第二幕)

语篇性语用模糊是体现在语篇层次上的语用模糊, 它是指一个话语的言外之力与语篇中其他话语之间产生模糊关系的语言现象, 语篇层次上的语用模糊含有多种言外行为或言外之力, 因此, 对话的顺利进行得奠定在对话双方的具体认知语境和双方的个体背景差异的基础之上, 说话人的真实意图在交际双方的协调和顺应过程中逐步明晰化。周鲁这段对话中的语用模糊就体现在语篇层面上, 周朴园意图表达何种及几种言外之力在对话之初很难辨明, 随着对话逐步推进和深入以及交际双方的互动参与, 其真实的话语之的便显露出来———表面上是不经意地打听关于无锡一件知名的往事, 实际上是在采取模糊策略间接地询问侍萍是否知道三十年前发生在无锡的有关他的传闻。周朴园对侍萍的怀念不乏真实的成分, 但是这种怀念是有条件、有前提的, 那就是以侍萍的“死”为前提, 以侍萍不再威胁到他的名誉、身份和地位为条件。一旦“活生生”的侍萍出现在他眼前, 他的资产阶级虚伪自私的本性就暴露出来, 他害怕自己与侍萍的关系再次暴露, 害怕别人从这种关系中看到他丑恶的灵魂和虚伪的本质, 使他身败名裂。侍萍话语的言外之力也随着话语深入逐步由介于回答、询问、确认和怨恨之间明确为怨恨。对周朴园, 她开始尽量克制, 显得平静, 等到周朴园露出真相, 她悲愤地加以斥责, 充分显示了她刚强、自尊、质朴的性格。但她是一个深受中国封建传统道德观念影响的女人, 信奉妇人的“不争之德”, 安于命运的摆布, 因此她不可能摆脱性格的软弱和封建社会套在妇女身上的时代枷锁。

三.结语

本文依托J.Thomas动态语用学的语用模糊理论, 以曹禺代表作《雷雨》中对话为语料, 将人物对白进行了系统分类, 着重分析了多重、数重、条件式以及语篇性语用模糊在刻画人物内心活动、激化人物矛盾、加剧戏剧冲突中所起的重要作用。同时, 语用模糊策略的巧妙使用让剧作中的每个人物都有血有肉、丰富完整。研究发现语用模糊不仅加剧了戏剧冲突, 凸显戏剧主要矛盾;并且生动形象地刻画了剧作中人物形象。

参考文献

[1]Thomas, J.A.Meaningin Interaction:An Introduction to Pragmatics[M].London:Longman, 1995.

[2]程致中.《雷雨》的戏剧冲突和结构艺术[J].安徽师范大学学报, 2009 (7) .

[3]司建国.会话分析理论对中国戏剧研究的启示——礼貌原则映射下的雷雨的戏剧冲突[J].西北师大学报, 2005 (5) .

模糊关联 篇7

随着Internet的普及和Web技术的快速发展,作为Internet上信息表示和数据交换标准的XML应运而生。XML在电子商务、电子数据交换、科学数据表示、数据建模与分析和搜索引擎等领域有着广泛的应用,而且其应用范围还在不断扩展。XML数据的广泛应用不仅给Web带来了更鲜活的生命力,也给计算机领域研究工作带来了新的挑战。XML技术吸引了数据库、多媒体、网络安全、信息检索等诸多领域研究者的关注。到目前为止,在Web上已经积累了大量的XML文档数据,因此,研究出有效的针对XML文档的数据挖掘方法成为数据挖掘领域和XML技术领域的一项重要课题。

数据挖掘(Data Mining)是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。关联规则是数据挖掘中最先研究的对象之一,也是数据挖掘的一个主要研究方向。关联规则是由Agrawal、Imielinski和Swami等人在1993年首先提出的[1],起初是研究顾客交易数据库中购买商品之间的关联规则的挖掘问题。1994年,Agrawal和Verkamo提出了关联规则挖掘的经典算法Apriori[2]。在处理数量型数据挖掘时,为了解决“边界划分过硬”的问题,模糊集能较好地实现连续量和离散量之间的转换,并最终软化了属性论域的划分边界。本文将研究实现面向XML文档的模糊关联规则算法。

1相关知识

1.1 XML数据

XML即可扩展标记语言(Extensible Markup Language),是一种与平台无关的标识数据的方法。XML同HTML一样,都来自SGML(标准通用标记语言)。SGML是一种在Web发明之前就早已存在的用标记来描述文档资料的通用语言。但由于SGML语言过于庞大和复杂,不便于学习和使用,便有了HTML的诞生。伴随着Web应用的深入发展,HT-ML也不能满足广泛的需求,于是便又有了XML的产生。XML与SGML一样,是一个用来定义其他语言的元语言。与SGML相比,XML规范简单易懂,是一种既无标签集也无语法的新一代标记语言。

XML文档的逻辑结构由以下几个部分组成。

(1)XML文档通常以一个XML声明开始。

(2)通过XML元素来组织XML数据。

(3)为了组织数据能方便、清晰,XML在字符数据中引入CDATA数据块。

(4)在文档中引入注释。

(5)需要给XML处理程序提供一些指示信息,XML文档中可以包含处理指令。

一个简单的XML文档如下所示:

1.2模糊集合理论

1965年,Zadeh教授发表论文“模糊集合”(Fuzzy set),标志模糊数学的诞生[3]。模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。由于概念本身不是清晰的、界限分明的,因而对象对集合的隶属关系也不是明确的、非此即彼的。人们的思维中还有着许多模糊的概念,例如年轻、很大、暖和、傍晚等,这些概念所描述的对象属性不能简单地用“是”或“否”来回答。模糊集合的基本思想是把经典集合中的绝对隶属关系灵活化,即元素对“集合”的隶属度不再是局限于取0或1,而是可以取从0到1间的任一数值。比如“老人”是个模糊概念,70岁的肯定属于老人,它的从属程度是1,40岁的人肯定不算老人,它的从属程度为0,55岁属于“老人”的程度为0.5,60岁属于“老人”的程度0.8。

模糊集合中的特征函数,被称为“隶属函数”。用隶属函数来刻画处于中间过渡的事物对差异双方所具有的倾向性。给定论域X上的一个模糊集合A,对任意x∈X,都有确定的一个数μA(x),且0≤μA(X)≤1,其中:μA(x)表示x对A的隶属度,μA(X)称为A的隶属函数。隶属函数是模糊理论中的重要概念,正确地确定隶属函数是恰当地表现模糊概念的基础。常用的模糊隶属函数有梯形或半梯形分布、抛物线型分布、正态分布、高斯分布、钟型函数等。梯形隶属函数如下所示,由四个参数{a,b,c,d}确定。

2模糊关联规则

模糊关联规则挖掘[4,5,6]是将模糊集合理论用在关联规则挖掘中,主要用来处理数值型属性的区间划分问题,用边界模糊的区间代替边界确定的区间。在模糊关联规则挖掘中,每个模糊概念是一个模糊项,属性上定义的所有模糊概念构成了全体模糊项的集合。设t是数据库D的一条记录,t[A]表示t在属性A上的取值。如果x是属性A的一个模糊项,那么t对x的隶属度为:μx(t)=μx(t[A])。

定义1由一个或者多个模糊项组成的集合称为模糊项集,项的个数为k的模糊项集X称为k阶模糊项集,记为{X[1],X[2],…,X[k]},其中X[i]是在不同属性上定义的模糊项。t对X的隶属度定义为

i=1定义2模糊项集X的支持数定义为D中所有记录对X的隶属度之和,即X.其中n为D的记录个数。模糊项集X在D中的支持度就是对模糊集X支持数与D的总记录数之比,即

定义3对于给定的最小支持度minsup,如果模糊集X的支持度FSup(X)>minsup,那么称X是大模糊项集。

定义4模糊关联规则“XY”的模糊支持度定义为

定义5模糊关联规则的模糊置信度定义为

模糊规则的挖掘算法的主要思想:首先通过计算支持度来找到最大频繁模糊项目集,再从最大频繁模糊项目衍生出规则候选模糊集,最后对规则候选模糊集计算置信度,从而得到最后的模糊关联规则。模糊关联规则挖掘算法描述如下[5]:

输入:数据库D={t1,t2,…,tn},最小支持度,最小置信度。

输出:模糊关联规则

(1)将数量型属性离散化,并将记录在数量型属性上的取值划分成若干个模糊集等级。

(2)通过数据库D={t1,t2,…,tn}构造一个新的数据库,新数据库以数量型属性不同的模糊集等级作为数据库的模糊属性。

(3)在新数据库中计算所有1-模糊属性集的模糊支持度,得到所有的1-模糊频繁属性集。

(4)组合1-模糊频繁属性集,得到2-模糊候选属性集。

(5)计算所有2-模糊候选属性集的模糊支持度,删除小于最小支持度的2-模糊候选属性集,得到所有2-模糊频繁属性集。

(6)组合第一个模糊属性相同的2-模糊频繁属性集,得到3-模糊候选属性集。

(7)查看3-模糊候选属性集的子集:2-模糊属性集,删除含有不是2-模糊频繁属性集的3-模糊候选属性集,计算剩余3-模糊候选属性集的模糊支持度,删除小于最小支持度的3-模糊候选属性集,得到所有的3-模糊频繁属性集。

(8)以此类推,直到发现所有的k-模糊频繁集。

(9)从所有的模糊频繁集中生成不小于用户给定的最小置信度的模糊关联规则。

3面向XML文档的模糊关联规则的实现

3.1模糊化[6]

为学生课程成绩定义三个模糊区间{High,Middle,Low},隶属函数采用梯形隶属函数,成绩模糊隶属函数图形如图1所示。

经模糊化后的部分XML文档片段如下:

3.2 算法实现与结果分析

本文使用Java语言开发,使用JDOM[7]访问XML文档,实现了面向XML文档模糊关联规则算法,实验的XML文档数据是从我校学生成绩管理数据库中把2002～2007级计算机专业学生成绩转换成XML文档的格式,总共有500名学生的成绩记录,包含离散数学,高级语言程序设计,数据结构,操作系统原理与Linux,数据库原理,计算机网络,面向对象原理与Java实践,计算机组成原理,单片机与接口技术,编译原理,软件工程等11门计算机专业主干课程的成绩。给定最小支持度为0.03和最小置信度为0.75,得到的规则也表示成XML文档格式,部分关联规则表示如下:

本算法实现挖掘得到的结果与直接利用模糊关联规则对关系数据库中的学生成绩挖掘结果对比,两者挖掘结果完全一致,证明使用Java语言实现的面向XML文档的模糊关联规则算法是正确的.在CPU为Athlon64 X2 5000+、内存为2 G的PC机上运行本算法,最小置信度为0.75,最小支持度与执行时间的关系如图2所示。

4结束语

由于XML文档是一种半结构化数据,使用传统的数据挖掘方法对XML数据进行挖掘是不适用的。本文提出了利用Java语言实现模糊关联规则算法对XML文档数据进行挖掘,经实验结果表明是可行的。本文算法只是针对一个XML文档,且XML数据的结构是符合特定的结构,算法还不能对任意的XML文档进行挖掘。当数据属性很多时,模糊化生成的模糊XML文档也会很大,使用JDOM访问XML文档可能会受到内存问题的困扰。XML是正在发展的技术,对XML文档数据挖掘本身还有很多问题有待进一步研究,本算法为深入研究针对XML数据挖掘提供了一点借鉴。

摘要：随着大量的XML数据的出现,给数据挖掘领域提出了新的挑战。传统数据挖掘算法是面向关系数据库和数据仓库的,不能直接用于XML文档的数据挖掘。从模糊集的基本理论入手,通过定义模糊概念软化属性论域的划分边界,提出了一种面向XML数据的模糊关联规则挖掘方法,并且使用Java语言实现,实验结果证明算法是正确的。

关键词：XML文档,数据挖掘,模糊关联规则

参考文献

[1] Agrawal R,Imielinksi T,Swami A.Mining association rules betweensets of items in large databases.Washington,USA:1993 ACM SIO-MOD Conf,1993

[2] Agrawal R,Srikant R.Fast algorithms for mining association roles.Proceeding of the 20th International Conference on Very Large Data-bases,1994;(2):478—499

[3]陈水利,李敬功,王向公.模糊集理论及其应用.北京:科学出版社,2005

[4]吴君辉,殷肖川,张薇.基于模糊关联规则挖掘改进算法的IDS研究.计算机测量与控制,2009;17(11):2256—2259

[5]陆建江,徐宝文,邹晓峰.模糊规则发现算法研究.东南大学学报(自然科学版),2003;33(3):272—274

[6]亢海力,王来生,蔡永旺.基于概率的模糊加权关联规则挖掘.计算机应用,2006;26(6):113—114

模糊关联 篇8

关键词：舞蹈,电视舞蹈,大众传播

如今, 各式各样的新媒体孕育而生, 电视与舞蹈的婚生儿──电视舞蹈也广泛地为人所认知。放眼于世界, 它源于舞蹈与影像技术的结合, 是探索编舞理念和编舞技术的最新诠释;着眼于国内, 白志群领军于1998年在CCTV设立《舞蹈世界》栏目以来, 电视舞蹈便得以迅速发展, 在全国范围内掀起了电视舞蹈作品创作的浪潮, 时至2000年CCTV电视舞蹈大赛的创立更是宣告舞蹈艺术的普及。电视舞蹈是基于电视媒体之上, 立足于主流媒体指中, 传播或表现舞蹈艺术的艺术形式, 对舞蹈的大众传播尤为重要, 仅从各大艺术院校将电视舞蹈方向开设于艺术传播系, 便知电视舞蹈与大众传播间具有关联性。

一、舞蹈的大众传播

追溯人类的起源, 舞蹈的产生、延续和发展环环相扣, 与人类生活紧密联系, 大众是舞蹈得以繁荣的根本。我国古代, 大多在民间舞蹈的基础之上, 才诞生了上流社会的舞蹈。汉代刘邦赞赏西南板楯蛮夷的《巴渝舞》, 便将其引入宫廷发展成为《雅乐舞》;魏晋南北朝的民间文辞通过文人士大夫的雕琢, 便出现了兴盛的《白纻舞》。

自新中国成立, 舞蹈艺术产生了绝无仅有的发展与变革, 革新传统师徒相传变换为高等舞蹈专业教育, 学院派舞蹈孕育而生。它使舞蹈艺术朝着“高、精、尖”发展, 即舞蹈演员技能素质越来越高, 舞蹈教学模式越来越精细, 舞蹈主题代表着尖锐的世界观。进而舞蹈的运转被刻上了学院派印记, 学院派垄断了舞蹈的体制与观念, 决定着舞蹈的走向, 舞蹈作品需由专业院校打磨, 虽说规范了舞蹈艺术, 却也流失了舞蹈个性, 其传播局限于歌剧院, 成了小众艺术形式。

舞蹈, 是能与音乐、美术相提并论的“原艺术”, 三者之间相辅相成孕育出多样的艺术形式, 它不但标志着具有高度的精英层面, 也标示着生命力的大众层面。舞蹈殷切需求大众传播, 惟有于此才能良好的发展, 舞蹈创作需要各类鲜活声音, 而实现舞蹈的市场化也须依赖大众传播, 大众选择并评价舞蹈, 才能使舞蹈突破现有创作观念, 激起健康持续的发展。

二、电视对舞蹈传播的影响

当前, 电视已然成为大多数家庭必备电器, 它是舞蹈的大众传播得以革新, 舞蹈以电视为媒介走进了大众的日常生活中。舞蹈受众场所从剧院走进生活, 由学院派主导转变为群众住到, 由精英文化审美观念转变为大众文化, 从而使得舞蹈欲在电视中得以生存, 必须立足于大众的文化审美取向。

舞蹈与电视的不断选择和适应, 才能最终形成电视舞蹈, 正如此相声的电视化产生了小品, 戏剧的电视化出现了电视剧。电视舞蹈受电视语言特性, 通过取景、角度和运动方式能详细解读舞蹈的语言;受电视的大众文化影响, 使得舞蹈的主题都顺应着大众文化进行创作才能获取显著的成效。所以, 于电视而言, 舞蹈欲保持或拓展受众面, 惟有牢握电视特性, 才能得以生存发展。

三、电视舞蹈传播

电视舞蹈是以电视为媒介, 对舞蹈进行表现或传播。如今, 艺术的传播载体和技术手段的进步很大程度上决定着艺术的革新, 而兼具有个性的传播载体和环境, 很大程度上决定着观众的审美心态。在接受美学理论中, 特别强调了艺术的接受“场效应”, 而场是由作品、接受者与接受环境所决定, 三者任变其一最终的接受效果都会大不相同。

屏幕作为电视的主要部分, 观众的接受焦点都聚于此, 不论舞蹈形式如何变幻, 或是采用多机位拍摄、多符号传播, 其呈现于大众面前的面积都是固定的。传统的剧场舞台, 它能容纳不同的人数和道具进行舞蹈表演, 而电视机的屏幕大小则较舞台或银幕变化而言显得无足轻重;效果上看舞台剧也比电视更具震慑力。遥控板改变了电视受众的接受行为, 当前社会生活节奏加快, 人们生活状态大多浮躁而焦虑, 从而电视接受行为也就焦躁多变, 电视节目无时不刻接受着大众的选择, 而且这种选择方式不对观众造成任何消耗, 所以舞蹈节目稍逊就会被淘汰。同时, 电视舞蹈的传播环境是家庭, 是人们日常的私人空间, 具有杂乱断续的接受状态。家庭环境观众具有较高的自由性, 往往难以集中注意力, 观众对于相关艺术也就具有很广的可选性。

四、电视舞蹈的接受特点

电视舞蹈的受众人群在接受舞蹈过程中, 很多外接因素都会抑制其审美活动, 但电视文化却仍普及。通过电视可以使人们做到不出门而观天下事, 它能使人类情感活动得以放大, 使得观众参数同想, 犹如万花筒般, 呈献给观众的世界总是千变万化, 使人愉悦并认同社会。

因此, 基于电视传播与观众接受力之上, 进行电视舞蹈的创作是尤为重要的, 电视其特质使人产生各异的感知。熟悉而私人的家庭环境, 使得人们欣赏艺术时具有较好的舒适度以及选择权, 电视节目随处可寻源源不断, 从而其随意性与持续力都相对较短;电视亲近大众, 在观赏之余使人产生亲近感, 电视舞者或将不是遥不可及, 却似邻家少女般载歌载舞。总之, 电视舞蹈与大众息息相关, 其作品唯有体现出独特的形式并呈现出鲜明的人物和叙事情景, 才能在牢控观众注意力的同时, 使之看懂舞蹈作品引发情感的共鸣。

五、结束语

电视的特性或决定它是舞蹈的大众传播媒介, 而电视的大众传播发展却能有效地提升舞蹈的发展, 而仅用电视舞蹈就能达到大众传播, 也绝非易事。只有通过大众的选择使得舞蹈观念得以改变, 进而明确舞蹈发展方向, 才能使舞蹈更具个性化, 最终使电视与舞蹈的婚生儿──电视舞蹈让舞蹈更好地进行大众传播, 为世人所称赞。

参考文献

[1]李佼佼.“电视舞蹈”与大众传播[J].洛阳师范学院学报, 2012, 10:117-119.

[2]张斯琦.论舞蹈的电视传播[D].吉林大学, 2007.

[3]张华丰.电视舞蹈传播与表现方式[D].东北师范大学, 2012.

模糊关联 篇9

关键词：语用模糊,关联理论,明示原则,言外之力

一 、 语用模糊释义

J.Thomas和俞东明把语用模糊定义为:“语用模糊指的是说话人在特定语境或上下文中使用不确定的、模糊的或间接的话语向听话人同时表达数种言外行为 (illocutionary acts) 或言外之力 (illocutionary forces) 这类现象。”[1]语用模糊实质上是一种复杂的言外言语行为现象, 其模糊性主要体现在话语言外之力或言外行为的不确定性上, 而且是说话人作为交际策略有意而为之的。说话人之所以冒着一定的交际风险使用语用模糊的话语往往是出于语言系统以外的考虑。诸如协调彼此之间的冲突或误会;增强话语的感染力;而且语用模糊的使用是人们在追求礼貌、面子的过程中行之有效的方法之一。在日常言语交际中, 语用模糊已经不仅仅是一种语言现象, 更多的时候是作为一种常见的交际策略为交际者所使用。

二、 关联理论的明示原则

关联理论 (relevance theory) 是由法国认知心理学家Dan Sperber 和英国著名语言学家Deirdre Wilson 在其合著的《关联: 交际与认知》一书中被系统地提出来的。

关联理论把语言交际看作是一种明示—推理的认知活动, 这种活动实际上是交际者对所处的认知环境进行再认识和互明的过程。根据关联理论, 当两个人的认知环境中显映的事实或假设相同时, 便产生了认知环境的重叠, 这种交叉或重叠的部分便构成了交际双方共同的认知环境, 在这样一个共同的认知环境中, 每一个显映的假设都是互为显映的。交际是否成功, 就看交际双方对彼此的认知环境是否能显映和互相显映。从说话人的角度看, 交际是一种明示, 即通过话语引起听话人的注意, 诱发他去思考。说话人一般都有两种意图:一种是信息意图, 即提供话语的字面意义;另一种是交际意图, 即说话人想通过明示的信息意图所要传达的真正的含意。从受话人的角度看, 交际是一个推理过程, 即受话人由说话人的明示激活有关的认知语境, 努力寻找关联, 并进行推理以明白对方的交际意图, 获得语境效果。

关联性的强弱与语境效果成正比而与认知加工努力成反比。要想使交际取得成功, 说话人所说的话就应在受话方产生足够的语境效果, 使对方愿意进行加工处理并使其付出尽可能小的努力。因此, 关联理论要求说话人在日常言语交际中要尽量从听话人的角度出发, 运用与当前的认知环境最相关联的话语使听话人付出最小的认知努力从而实现双方最佳的交际。

三、从关联理论明示原则看说话人语用模糊策略

关联理论的明示原则要求交际者说话时应尽可能清楚明白, 使听话人付出较少的努力而获得足够的语境效果;而语用模糊的话语是以某种间接、隐含的方式传递说话人交际意图的, 所以话语中不确定的言外之力必然使语言的明晰度降低, 也需要听话人付出更多的认知努力, 但不能据此就认为说话人违背了明示原则。

从关联理论的角度看, 交际就是一个明示过程。所谓的明示并不是指说话人把他的交际意图直接告诉给听话人, 而是说话人向听话人明确显示自己有明确表示某种意图的一种行为, 这种行为可看作是对听话人的一种“明示刺激”, “刺激”着听话人对认知语境的选择和对话语意义的理解;从语用模糊的角度来看, 说话人使用语用模糊的话语进行交际, 其不确定的言外之力或言外行为中肯定隐藏着说话人真实的交际意图, 否则就失去了交际的必要性。说话人在本该清楚表达的时候却采用模糊表达策略, 听话人往往认为这恰恰是要求他注意并理解说话人有意隐含的真正的交际意图并且相信说话人采用这种特殊的语用策略是有某种原因的。

可见, 无论是“明示”, 还是“模糊”, 其目的都只有一个, 即为实现特定的交际意图服务的。语用模糊的话语其言外之力尽管模糊, 但也是说话人为实现特定的交际意图而使用的一种语用策略, 因此这就要求说话人事先应对听话人的语境知识、认知能力、语言敏感度等有一定的认识与了解, 在此基础上再依据具体的交际意图来决定话语的模糊程度。为了使听话人理解其不便言明的真实用意, 说话人还往往提供与听话人认知语境相关的暗示性话语信息或行为信息, 或借助副语言信息、具体的交际情境等, 来唤起对方的注意, 使听话人相信, 他之所以这样表达是有原因的, 他所说出的话在当时的语境下具有最佳关联性, 因此值得听话人去注意、去处理, 这本身也正是一种“明示刺激”。而对于听话人来说, 他应相信说话人此时所说出的话 (语用模糊) 是从一系列的刺激信号中选取了最有关联的一种, 值得他花费时间、精力借助更大的语境去处理。听话人可以借助说话人的明说话语及具体交际环境在其认知语境中构建起意图关联, 从而得到正确的释义。在较小的语境中找不到关联, 就要借助更大的语境, 直至找到话语的关联, 从而理解对方的交际意图。例如:

甲:你想喝一杯咖啡吗?

乙:咖啡会让我保持清醒。

乙的回答显然向甲提供了两种截然相反的言外之力, 即肯定的答复 (想喝) 或否定的答复 (不想喝) 。如果甲不熟悉乙的生活习惯, 那么双方认知环境互明度就不高, 甲就很难辨识乙的真正意图;而如果甲对乙十分了解, 知道乙有熬夜看书的习惯, 那么此时双方的认知假设达到互显, 甲就会给乙一杯咖啡, 乙的交际意图也就得到了实现。

可见, 语用模糊实际上是以语言形式作为载体的意图关联交际。[2]虽然理解语用模糊的话语需要听话人付出更多的努力, 但听话人却可以获得更好的认知效果, 依然达到了认知努力与语境效果之间的最佳平衡。因此, 语用模糊可以看作是关联理论明示原则指导下说话人的一种特殊语言表现形式和明示策略。说话人在特定交际场合, 出于交际策略和语境效果的需要使用语用模糊作为言谈策略进行交际, 不但不影响交际效果, 反而更强化了交际语境的认知性和关联性。但需要指出的是, 如果说话人设想的语境与听话人的实际语境之间不匹配、不协调, 则会产生交际失误。再加上语用模糊的话语又是以间接、隐含的方式来传递说话人真实意图的, 从而使得意图的认知过程更为复杂化。例如:

(2003年非典时期的一段对话)

甲: 今晚请张师傅来家坐坐吗?

乙 (面露难色) : 张师傅刚从广东回来。

甲: 那正好给他接风呀!

当甲说想请张师傅来家吃饭时, 乙的回答其实是不同意, 但他又不想直接拒绝甲, 便使用了语用模糊作为回应。乙的真实意图是想告诉甲广东是非典重灾区, 张师傅刚从那儿回来最好先不要请他吃饭。而甲并没有考虑到当时的情况且没有注意到乙面露难色的表情, 因而出现了交际失误。

因此, 语用模糊并不是越模糊越好。依据关联理论的明示原则, 如果话语的明晰度低到听话人无法捕捉的程度, 听话人就有可能放弃对话语的认知努力从而使得交际无法顺利进行下去或造成交际的失误。所以, 说话人如果想改变对方的认知语境, 使对方理解自己的交际意图, 就应该对交际对象、交际情境有个基本的认识, 在此基础上再使用语用模糊作为交际策略。赵艳芳也曾指出:“最佳关联与最佳的认知效果也只是交际的一种目标、一种期望, 交际的成功是在此基础上的不断推测、验证、调整、适应的过程。”[3]

四、结语

综上所述, 语用模糊不仅是一种日常言语交际现象, 也是一种语用策略。语用模糊可以看作是关联理论明示原则指导下说话人的一种特殊语言表现形式和明示策略, 体现了说话人较高的语言表现能力和交际能力。尽管听话人需要付出更多的认知努力去处理语用模糊的话语, 但却可以获得更好的或额外的认知效果。可见, 说话人使用语用模糊策略进行交际并不违背关联理论的明示原则, 说话人合理运用语用模糊进行交际, 听话人又恰当地建立语境关联, 会有利于取得理想的交际效果。

参考文献

[1]俞东明.语法歧义和语用模糊对比研究[J].外国语, 1997 (6) .

[2]林波, 王文斌.从认知交际看语用模糊[J].外语与外语教学, 2003 (8) .