一种简易的模糊匹配算法的实现_潘景昌
一种模糊聚类系统的设计与实现
集 ． ：． ，则要求 ， ： ， 满足 ： ， ， ． 一 ．
ｕ ： … ｕ ＝ ； ｎ ， ｍ ＝
，
１ ≠Ｊ ｃ １ ≤ ；（ ）
合理 的聚类结果 通常要 求每个 子集 内部 的样 本具有较 大 的相 似性 ，而不同子集 间的样本具 有较小 的相似 性。确定数
随着模糊 理论 的不 断发展 ，模 糊聚类技 术在一 些方 面有 了不 少的进步与提高 ，在许多数据分类分析领 域中应用到 。但是 ， 模糊聚类 中的隶属度 函数 的确定 、聚类 中心 的确定 目前 还没 有一套成 熟有效 的方 法 ，大 多数 系统 的确定方法 还停 留在经
验 和 实 验 的基 础 上 。
据 集 中样 本 相 似 性 的 常用 方 法 之 一 是 欧 氏距 离 。
２１ 概 述 ．
无论是 硬聚类方 法还是模 糊聚类 方法 ，根据所采 用的聚 类方法原理 ，Ｂ ｚ ｅ ｅｄｋ的分类法将 通常的聚类方法归纳为 ３类 ： 递阶式聚类方法 、图论 聚类方法和 目标 函数聚类方法 。
ｌ ａ ｔ ｉ ｌｒｔ ｍｏ ｇ ｔｅ ｄ ｆ ｒ ｎ ｌ ｓｅ ｓ ｅ ｓ ｓｍｉ ｉ ｙ ａ ｎ ｈ ｉ ｅ ｅ ｔｃｕ ｔｒ ． ａ ｆ
Ｋ ｅ ｏ ｄｓ ｙ ｗ ｒ ：Ｆｕ ｚ ｚ ｙＣ—ｍｅ ｎｓ； ｒｓＤａ ａ； ｚ ｙ Ｃｌ ｔｒｎｇＳ ｓｅ ａ Ｉｉ ｔ Ｆｕ ｚ ｕｓｅ ｉ ｙ ｔ ｍ
ＹＥ Ｐ ， ｅ， ｇ （ｏｔａｅＥ ｇｎｅ ｎ ｏ ｅｅｏ ｏ ｇ ｎｖ ｒｔ， ｈ ｎｈ ０ ８ ４ Ｓ ｆ ｒ ｎ ｉｅｒ ｇＣ ｌ ｇ ｆ ｎｊ Ｕ ｉｅｓｙ Ｓ ａｇ ｍ ２ １０ ） ｗ ｉ ｌ Ｔ ｉ ｉ
Ａｂ ｔ ａ ｔ Ｔ ｉ ａ ｅ ｎｒ ｄ ｃ ｓ ａ ｔｃ ｎ ｌｇ ｆｄ ｔ ｌ ｓｅ ｉｇ ｂ ｓ ｄ ｏ ｕ ｚ ｏ ｉ，ａ ｄ ｔ ｅ ｈ ｕ ｚ － ａ ｓ ｃ ｕ ｔｒｎ ｓ ｒ ｃ ： ｈ ｓｐ ｐ ｒｉ ｔ ｕ ｅ ｅ ｈ ｏｏ ｙ ｏ ａａ ｃｕ ｔｒｎ ａ ｅ ｎ ｆ ｚ ｙ ｌ ｇｃ ｎ ｈ ｎ ｔ ｅ ｆ ｚ ｙ ｃ ｍｅ ｎ ｌ ｓ ｉ ｇ ｏ ｅ ｍｅｈ ｄ ｉ ｄ ｓ ｕ ｓ ｄ Ｆ ｚ ｙ ｃ ｍｅ ｎ ｌｏ ｉ ｍ ｏ ｍａ ｅ ｕ ｅ ｏ ｚ ｙ ｌ ｇｃ ｔ ｅ ｒ ｎ ｌ ｓｅ ｉｇ ｔ ｏ ｇ ｔ １ ｔ ｎ ｔ ａ ｌ ｔ ｏ ｓ ｉｃ ｓｅ ． ｕ ｚ ～ ａ ｓａ ｇ ｒ ｈ ｉ ｔ ｋ ｓ ｆ ｕ ｚ ｏ ｉ ｈ ｏｙ ａ ｄ ｃｕ ｔ ｒ ｈ ｕ ｈ ． ｅ ｔ ｇ ｎ ｈ ｓ ｍｐｅ ｔ ｓ ｆ ｎ ｉ
视觉边缘模糊处理算法实现
视觉边缘模糊处理算法实现
视觉边缘模糊处理算法是一种图像处理技术，用于减少图像中的噪点和细节，使得图像边缘更加平滑和柔和。
下面是一个常见的视觉边缘模糊处理算法的实现详情：
1. 导入所需库和图像：首先，需要导入相关的图像处理库，例如OpenCV。
然后，加载待处理的图像。
2. 灰度转换：将彩色图像转换为灰度图像。
这可以通过将RGB颜色通道进行加权平均来实现，或者使用更高级的色彩空间转换方法。
3. 边缘检测：使用边缘检测算法来识别图像中的边缘。
常用的边缘检测算法包括Sobel、Canny等。
这些算法会计算图像中每个像素点的梯度，并根据梯度强度确定边缘位置。
4. 模糊处理：对边缘进行模糊处理，以减少噪点和细节。
常用的模糊处理算法包括高斯模糊、均值模糊等。
这些算法通过对图像中的像素进行加权平均来实现模糊效果。
5. 边缘增强：通过将原始图像和模糊处理后的边缘图像进行加权叠加，可以增强图像的边缘。
这可以通过简单的逐像素相加或者使用更复杂的卷积运算来实现。
6. 结果显示：将处理后的图像显示出来，以便观察效果。
需要注意的是，以上只是一个基本的视觉边缘模糊处理算法的实现概述。
在实际应用中，可能还会涉及参数调整、边缘优化等更加复杂的步骤，以达到更好的效果。
1。
一种抗图像模糊的快速景象匹配算法
一种抗图像模糊的快速景象匹配算法
符艳军;张晓燕;孙开锋
【期刊名称】《计算机科学》
【年(卷),期】2013(040)012
【摘要】针对各种原因引起的实测图退化情形,将模糊不变矩引入景象匹配中.为了解决匹配过程中计算量大的问题,从简化匹配特征的计算及优化搜索策略两方面采取措施.在模糊不变矩计算方面,通过预先建立21个和表矩阵,提出了一种适用于匹配过程的矩特征高效求解算法;在搜索策略方面,考虑到模糊不变矩特征对图像分辨率的敏感性,提出在原分辨率基准图上采用遗传算法进行搜索匹配.实验结果表明,在实测图出现模糊及受噪声干扰情况下,所提匹配算法在保证匹配精度的同时,其匹配耗时比传统方法少好几个数量级,能够满足导航系统对实时性的要求.
【总页数】4页(P298-300,311)
【作者】符艳军;张晓燕;孙开锋
【作者单位】空军工程大学信息与导航学院西安710077;空军工程大学信息与导航学院西安710077;西安精密机械研究所西安710075
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种抗区域强灰度变化的景象匹配算法研究 [J], 何鸣;刘光斌
2.一种基于遗传算法的快速景象匹配算法 [J], 李钊;李建军;董巍巍;韦关潮
3.一种抗视角变换的改进SIFT景象匹配算法 [J], 苏可心;韩广良;孙海江
4.一种实用的抗局部强干扰的景象匹配算法 [J], 彭双春;刘光斌;王雪梅
5.一种抗机翼挠曲变形的速度+姿态匹配快速对准算法 [J], 程海彬;鲁浩;王进达因版权原因，仅展示原文概要，查看原文内容请购买。
高效模糊匹配算法研究及其应用
高效模糊匹配算法研究及其应用一、前言模糊匹配是指在文本匹配中，允许出现一定程度上的误差，在一定程度上提高匹配的准确率和召回率。
目前，模糊匹配算法被广泛应用于搜索引擎、文本相似度计算、信息检索等领域。
然而，传统的模糊匹配算法因为速度较慢，对于大规模数据的处理存在较大难度。
因此，高效模糊匹配算法的研究显得尤为重要。
二、传统模糊匹配算法传统的模糊匹配算法主要包括Levenshtein Distance、Dice Coefficient、Jaccard Coefficient、Cosine Similarity等。
这些算法使用同一种思路，即将字符串转换为向量或矩阵形式，然后进行相关性计算，得到相似度的结果。
以Jaccard Coefficient为例，该算法使用Jaccard系数来计算文本相似度，计算方法如下：设两个文本的词集分别为A和B，Jaccard系数定义为：$$J(A,B) = \frac{|A \cap B|}{|A \cup B|}$$然后可以得到文本的相似度为：$$Similarity(A,B) = J(A,B) * 100\%$$由于传统算法在处理大规模数据时需要进行多次循环和计算，时间复杂度较高，随着数据规模的增大，计算时间呈指数级增长，无法满足大规模数据的处理需求。
三、高效模糊匹配算法近年来，伴随着大数据与云计算的兴起，高效模糊匹配算法逐渐成为了研究的热点之一。
主要方向包括基于哈希的快速匹配算法、基于索引的快速匹配算法、基于压缩的快速匹配算法等。
其中，基于哈希的快速匹配算法是应用广泛的一种算法。
它的主要思想是将待匹配字符串哈希成一个唯一的数字，然后与预处理好的哈希表进行匹配。
哈希表中存放的是所有可能出现的字符串，根据哈希值可以实现快速定位。
以Rabin-Karp算法为例，该算法利用哈希函数计算子串的哈希值，然后将其与目标字符串中相应位置的哈希值比较。
若相等，则判断为匹配成功，若不相等，则需要重新计算下一个子串的哈希值。
模糊匹配分段处理
模糊匹配分段处理模糊匹配技术的原理是通过计算文本间的相似度来实现匹配。
在传统的精确匹配算法中，要求待匹配的文本与目标文本完全一致，但在实际应用中，文本之间往往存在一定的差异，比如拼写错误、语法错误、同义词替换等。
模糊匹配技术就是针对这些情况提出的一种处理方法，它通过算法计算文本间的相似度，找到最匹配的文本。
常见的模糊匹配算法包括编辑距离算法、余弦相似度算法、Jaccard相似性系数算法等。
在搜索引擎中，模糊匹配技术可以帮助用户查找相关信息。
当用户在搜索引擎中输入一个关键词时，搜索引擎会通过模糊匹配算法找到与该关键词相似度较高的文本，并将其展示给用户。
这样可以提高搜索的准确性和效率，让用户更快地找到需要的信息。
在电子商务网站中，模糊匹配技术也常被应用，当用户输入一个商品的名称时，网站会通过模糊匹配算法找到与之相似的商品名称，并展示给用户，这样可以帮助用户更快地找到目标商品。
在自然语言处理领域，模糊匹配技术也是一种重要的技术。
在文本相似度比对和信息抽取等应用中，常常需要用到模糊匹配技术。
比如在情感分析中，需要比对用户的评论与参考模板的相似度，就可以通过模糊匹配技术来实现。
在信息抽取中，也需要通过模糊匹配技术来找出文本中的实体和关系，从而进行信息提取和分析。
在智能对话系统中，模糊匹配技术也发挥着重要作用。
用户输入的自然语言往往存在一定的模糊性和歧义性，而智能对话系统需要准确理解用户的意图并给出正确的回复。
通过模糊匹配技术，可以对用户输入的文本进行相似度计算，从而找到最匹配的回复。
这对于提高对话系统的智能程度和用户体验至关重要。
总之，模糊匹配技术在搜索引擎、自然语言处理、电子商务等领域中都发挥着重要作用，它可以帮助我们更精准地找到并理解文本信息，提高搜索效率和用户体验。
随着大数据和人工智能技术的不断发展，模糊匹配技术也将得到更广泛的应用和发展。
相信在未来，模糊匹配技术将会成为信息处理领域的一种重要技术工具。
模糊匹配分段处理
模糊匹配分段处理
一种常见的模糊匹配方法是使用字符串相似度算法，如Levenshtein距离、Jaccard相似度、余弦相似度等。
这些算法可以度量两个文本之间的相似程度，从而判断它们之间是否存在
匹配关系。
在实际应用中，通常会结合多种算法来实现更准确的模糊匹配。
另一种常见的模糊匹配方法是使用自然语言处理技术，如词向量模型、文本嵌入模型等。
这些技术可以将文本数据转换为连续向量空间，从而实现文本之间的语义匹配。
通过这种
方法，可以更准确地捕捉文本之间的语义相似性，提高模糊匹配的准确性和效率。
除了算法和技术的选择，模糊匹配还需要考虑数据的预处理和后处理过程。
在数据预处理
阶段，需要对文本数据进行清洗、分词、词干化等操作，以减少噪声和提取关键信息。
在
数据后处理阶段，需要对匹配结果进行过滤、排序、聚类等操作，以提高匹配结果的质量
和可解释性。
总的来说，模糊匹配是一种重要的文本处理技术，可以应用于各种实际场景中。
通过选择
合适的算法和技术，结合数据的预处理和后处理过程，可以实现更准确和高效的模糊匹配，为文本处理任务提供更好的支持和帮助。
模糊匹配方法 贴近法
模糊匹配方法贴近法嘿呀，宝子们，今天咱们来唠唠模糊匹配方法里的贴近法。
你想啊，就像找朋友似的，不一定得一模一样才能凑一块儿，有点相似的地方也能玩得很好呢。
贴近法就是这么个道理。
比如说你有个模糊的印象，要在一堆东西里找个最接近的。
打个比方哈，你去水果店，你想买那种甜甜的、有点软的水果。
你心里其实没有确切说是香蕉还是芒果，但是你就靠着这个模糊的感觉去挑。
这时候呢，贴近法就起作用啦。
你看那些水果的外观、闻闻味道，感觉哪个最贴近你心里想的那种甜甜的、软软的感觉，你就选哪个呗。
在数据或者信息的世界里也一样呢。
假如你要找一篇文章，你只记得大概的主题，像是什么关于小动物的趣事，但是具体啥小动物你也不太清楚。
那系统就可以用贴近法啦，把那些和小动物趣事有点沾边的文章都找出来，然后看哪个最贴近你那模糊的记忆。
这个贴近法呀，就像是在雾里找东西。
你看不太清，但是你能凭着感觉走。
它不是那种精确到一板一眼的匹配，而是一种很灵活、很人性化的方式。
就好像你和一个刚认识的人聊天，你不用知道他所有的细节，只要你们聊天的氛围、话题有点贴近，就能愉快地聊下去。
不过呢，贴近法也有它的小脾气。
有时候可能会找得不太准，就像你以为你要找的是个甜水果，结果拿到手发现有点酸。
但是呢，大部分时候它还是很靠谱的，能在你迷糊的时候给你指出一个大概的方向。
所以呀，宝子们，下次你要是遇到那种模模糊糊的寻找情况，就想想这个贴近法，就像在生活里找那些有点相似感觉的小确幸一样，很有趣的呢。
它就像是我们生活里的那种模糊的美好，不那么较真，但是又能让你找到你想要的东西，是不是很神奇呀？。
模糊匹配算法
模糊匹配算法
到目前为止，模糊匹配作为一种较为有用的文本处理技术被广泛应用于我们的日常生
活中。
它的基本思想是利用松散的匹配算法，尽可能地接近用户指定的要求或目标。
有了
模糊匹配技术，简化字符串的精确匹配查询变得更加轻松，提高了文本检索的效率，也节
省了开发者的大量精力。
如今，不管是搜索引擎还是大型检索系统，它们都使用模糊匹配
技术来加强搜索结果。
然而，由于在文本数据样本中，语言表达方式存在较大的差异以及大量的无效空文本，模糊匹配技术在效果上受到一定程度的影响。
为了解决这个问题，有专家开发出一种称为“全文模糊匹配”的新技术，该技术的特点在于，几乎可以实现文本的基本全文检索，也
就是说模糊搜索可以实现更多样化的搜索和更多种类的搜索，从而提高查询的效率。
同时，为了提高模糊匹配的准确度，也有一些算法可以用来改进模糊匹配效果，比如，贝叶斯置信度模型、近似字符串匹配算法和字符串相似度算法等。
这些算法在某些特定处
理过程中都可以提供高精度的匹配结果。
最后，由于模糊匹配的算法处理耗时，使用模糊匹配可能会导致一定难以接受的性能
降低。
因此，模糊匹配技术不光需要从算法性能上去优化，同时需要提供一系列基于硬件
结构上的优化。
在这个过程中，合理使用缓存技术，适当增加处理芯片的频率，以及性能
集成度会进一步提高处理效果。
总而言之，模糊匹配一直是文本处理技术中一个高度重视的话题，其有效的实现对于
提高文本搜索效率尤为关键。
借助模糊匹配的强大的文本处理能力，搜索引擎可以较精确
地更快速地呈现用户查询的结果，为用户提供更加精准的服务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种简易的模糊匹配算法的实现
The Implementation of an Easy Fuzzy Matching Algorithm
潘景昌 ＊ 孙玉辉 徐义明 PAN Jing-chang SUN Yu-hui XU Yi-ming
摘 要 关键词
本文设计了一种用于多种搜索应用的基于字串特征 和相似度 的模糊匹 配算法 , 阐 述了该算 法的设计 原 理 , 并用 C 语言给出了算法的代码 。 该算法可以根据用户指定的相似度来控制模糊 程度 , 从而得到 可控 的模糊匹配结果。
5 结束语
本文给出了 可用 于不同 目的 模糊匹 配算 法 。 算法 清晰 明了 , 易于使用 。 使用时可以根据需要 来控制匹配 时的模糊 程度 , 从而得到不同近似程度的查询 结果 。 此外还 讨论了对 算法进行变形 和改进的 方法 , 以 适应不 同的 应用需 求 , 这有 待于 进一步的设计工作 。
c.文中给出的两个匹配算法都 是基于按顺 序进行匹 配 , 即字 符间一对一地进行比较 。 对算法稍加改 进 , 即 可使算法 具备 预测性 。
当进行匹配时 , T 中的 e 与 S 中的 n 不 匹配 , 此时 假定 e 不存 在 , 继续向前测 试 2 个 或多个字符 , 如果结果匹配 , 则有 理由认为 T 中的 e 是多余 字符(比如字 典查 询时 , 用户 由于 疏 忽而多 输入的一 个字符), 这时 可以抛 弃 e 而继续 进行匹 配。
3 相似度可控的模糊匹配算法
模糊匹配 的应用主 要有 两种 :一是 数据 字典查 询 , 通过 模糊匹配 关键 字来 查 找相 似 的词 目[ 2] , 从而 得到 相 应 的信 息 ;二是编辑时对拼 错词进 行校 对 , 通过查 找相 似的一 系列 可选 的词汇供用户改正 。 这两种应用在本质 上是一致的 , 即 都是 通过模糊匹配 , 在满足一定相似度 的前提下确 定某一字
模糊匹配 字符串特征 相似度
Abstract This paper designs a fuzzy matching algorithm based on string characteristic and similarity that can be used in many searching applications.It illustrates the design principle and offers the algorithm implemented in C language .With the controllable similarity specified by the user , the fuzzy matching algorithm can make corresponding fuzzy matching to gain the controllable matching results.
相似 程度就越大 。 ○ 单个字 符只能 代表 字串 的一 部分 特征 , 尤 其字 串很
长时 , 单个字符不会对整个串的特征 产生很大的 影响 。 这也 是模 糊匹配的基础 。
○ 对于不匹配的子 串 , 其 长度越 大 , 背离度就 越大 。 当 背 离度超 过某阀 值时 , 可以放 弃当前 的匹配 。 反 之 , 若匹配 后背 离度没有超过设定的阀值 , 则可认为模糊匹配成功 。
＊ 山东大学威海分校信息工程学院 山东 威海 264209
置上 包含一系列子串 , Tk1 ,k2 , Tk3, k4 , ..., Tkx, ky(1 ≤k1 ≤k2 <k3 ≤k4 ...<kx ≤ky
≤n) 字串 X 与模式串 T 的相似程度标记为 sim(X , T), sim(X , T)=∑Len(Tki ,kj)Len(T), 其中 Len 表示 字串的长
07 , 可以看出 , X 与 T 相当匹配 。 相似度或背离度为模糊匹配提供了判定 的依据 , 并可通
过设 定相似度或背离度的值来控制模糊匹配的结果 。 根据以上的分析 , 可以得出以下结论 : ○ 相似度 的计算 遵循 顺序 性 , 即目 标串 中包 含的 模式
串中 的子串保持位置上的对应 ; ○ 目标串 中所包 含模 式串 的子 串越 多或 子串 越长 , 则
参考文献 :
[ 1] 严蔚敏 , 吴伟民 , 编著 .数 据结 构 :C 语 言版 第 1 版 .北 京 :清华大学出版社 , 1997 年 4 月 79 ～ 86.
[ 2] 潘 景昌等 .按音标查询的英 汉电子辞典 的设计与 实现 . 电子应用技 术 , 2005.1 , 第 31 卷 15～ 16.
2 字串间的相似度与背离度
为了描述本算法 , 本文 提出 了两个 概念 , 即 相似度 和背 离度 。
设 T =` t1 t2 ...tn' 为模式字串 , 根据它去匹配其 它字串 。 S =`s1 s2 ...sm' 为目标文本 , 也由字串构成 。 模糊匹配只要求得到相似的结果 。 所 谓相似 , 就是匹配 到的目标串具有模式串 T 的基本特征 。 基于一般性的考虑 , 对字串的特征进行如 下分析 : a .一个字串的 特征由 字串 内容 本身 完全 体现 。 即 一个 字串与其自身相同 , 是相似的特例 。 b .设 T 的一个子 串表示为 Ti , j =`titi+1 ...tj' 其中 , 1 ≤i≤ j≤n, (显然 T =T1, n)。 若字串 X1 ,n =` x1 x2 ...xn' 在 T1, n =`t1t2 ...tn' 中对 应位
[ 作者简介] 潘 景昌 , 男 , 副教 授 , 山东 威海 , 硕士 生导 师 , 研究方向 :智能计算与协同处理 。
(收稿日期 :2005-12-15)
13 2 2006 年第 3 期
假设字 典 的 条目 都 已 经 保存 在 一 个 大 的 字 符 串数 组 Record[ K] [ s] 中 , 其中 K 为词 条数目 , s 为每个 条目的 最大字 串长度 。 Result[ ] [ s] 用于保存匹配的结果 。
输入 :条目数组 Record[ ] [ s] , 模式串 T , 相似度 sim 处理 :在 Record[ K] [ s] 中进行模糊匹配 , 求得 与模式串 T 满足相似度 sim 的所有匹配条目 。 输出 :Result[ ] [ s] 。 当该集合为空时 , 表示没有匹配项 。 void Fuzzy_M atch (char Record[ ] [ ] , char ＊T , float sim) { float dif , dx ; 背离度 int i , j , count=0; dif =1-sim; 将相似度转换为背离度, 设定背离度限制值 for (j=0;j<K ;j ++) { dx =0 ; 背离度初值 =0 for (i=0;i<len(T);i ++) { if (Record[ j] [ i] ! =T[ i] ) { dx =dx +1 len(T); 背离度增加 if (dx >dif)break; 超 过背离 度 , 重新 匹配下 一个记录 } if (dx <=dif)Result[ count++] =Record[ j] ; 满
Keywords Fuzzy matching String characteristics Similarity
1 引言
精确匹配在计算机领域有着广泛的应 用 , 如 文本编辑中 的查找替换 , 数据库中按索引进行检 索等 。 其匹 配要求严格 准确 , 其实现算 法有 带回溯 的匹 配算法 、KMP 算 法等[ 1] 。 相 比之下 , 模糊匹配有着较大的弹性和 选择度 。 模 糊匹配不要 求精确的匹配结果 , 其目的是得到具有 一定相似 程度的匹配 目标 。 事实 上 , 这 种匹 配 方式 更加 符 合人 的 思 维习 惯 。 比 如 , 听到一个英语单词 , 要在电子字典上查 找它的含义 , 人们 往往不能准确地给出 完整的 拼写 , 如 果采用 精确 匹配 算法 , 就不容易 得到结 果 。 相反 , 如果 采用模 糊查找 , 则可 得到几 个可选的结果 , 进而达到查询的目的 。 随着人们 对信息需求 的日益增加 , 模糊匹配应用会越来越 广泛 。 本文 讨论了一种 基于字串的带控制参数的模糊匹配算法 , 可以根 据参数控制 模糊程度 , 从而得到不同匹配结果 。
2006 年第 3 期 13 1
信号处理与模式识别 信息技术与信息化
串。 3 .1 算法描述
在模糊匹配时 , 算法具有如下特点 : a .如果词典数据库中包含模式 串 , 则 模式串必然 包含在 匹配结果集中 , 即模糊匹配包含精确匹配结果 ; b .当目标串的 前一 部分与 模式 串在某 一相 似度的 限制 下达到匹 配时 , 整个 目标串 作为一个 结果返 回 。 例如 , 若模 式串为` stimola' , 则` stumulate' , ` stumulation' , ` stumulating' 等 都应是具有一定相似度的匹配结果 。 相似度的取值为[ 0 , 1] , 相似 度的取 值越 接近 1 , 匹配的 结果就越 相似 。 当取 值 为 1 时 , 模糊 匹配 就 变 成了 精 确匹 配 。在算法 中 , 我 们将 相 似度 转换 成 背离 度 。 在匹 配 过程 中 , 当背离度超出预设值时 , 抛弃当前进行 的匹配 , 并开始新 的搜索 。 3 .2 模糊匹配算法的实现
度。 显然 sim(X , T)=1 时 , X =T , 即 X 与 T 精确匹配 。 相应地 , X 与 T 的背离度记为 dif(X , T)=1-sim(X, T) 例如 , T =` Congratulation' , X =`Congratolation' 则 sim(X , T)=13 14 ≈0.93, dif(X , T)=1-sim(X , T)≈0 .