基于TOPSIS的模糊数直觉模糊多属性决策法

对属性值以模糊数直觉模糊数形式给出的多属性决策问题,提出了一种基于TOP-SIS的模糊数直觉模糊数多属性决策方法,该方法首先定义了两个模糊数直觉模糊数之间的距离,然后给出了方案与理想点的相对贴近度,基于相对贴近度对方案进行排序。最后进行了实例分析。     

基于区间模糊数的模糊线性回归模型及其应用

以区间模糊数为研究对象建立了模糊线性回归模型,以模糊集之间的测度贴近度为理论依据引入了一种模糊数之间距离的概念,并通过最小二乘原理给出了该模型的参数估计方法,最后结合沈阳市温度变化情况的实际例子给出该模型的应用。     

基于联系数贴近度的三角模糊数组合预测模型

针对三角模糊数预测问题，将三角模糊数转化为对应的三元联系数，以三元联系数的贴近度作为最优准则，引入广义加权平均（GOWA）算子，建立了基于三元联系数贴近度的三角模糊数组合预测模型，并证明了该模型为优性组合预测模型。通过实例分析验证了该模型是有效的，能够有效提高预测精度，并对GOWA算子中的参数进行了灵敏度分析。     

具有连续属性的不完备信息系统Rough集扩展

在模糊相似关系的基础上，针对具有连续属性的不完备信息系统提出了Rough集的扩展模型；利用模糊区间数来表示不完备信息表中缺失的连续属性值，并根据属性值的概率分布情况计算模糊区间数的可能度，在模糊关系的基础上给出了不完备信息表的上近似和下近似的定义；利用基于欧氏距离的贴近度法计算模糊相似度，构造相似矩阵，实现了对论域的划分；给出决策规则的约简和表示方法，应用实例说明了所提出的Rough集模型及规则的实用性。     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

粗糙模糊数的分解定理和表现定理

粗糙集理论和模糊集理论都是研究信息系统中知识的不完善、不准确问题 ,前者基于信息系统中知识的不可分辨性 ,后者基于信息系统中知识的模糊性 ,将二者结合形成了粗糙模糊集 .讨论了粗糙模糊数(RFN)的构造性质 ,给出了粗糙模糊数的分解定理及表现定理 .     

基于梯形直觉模糊数的TOPSIS多属性决策方法

针对属性值为梯形直觉模糊数的多准则决策问题,给出了一种基于梯形直觉模糊数的TOPSIS多属性决策方法.根据提出的梯形直觉模糊数的Hamming距离公式,计算各方案和梯形直觉模糊数正负理想方案的距离,从而求得各方案和正理想解的相对贴近度,基于贴近度大小对方案集进行排序.最后,用数值实例进一步说明了该梯形直觉模糊TOPSIS方法的有效性和实用性.     

多元粗糙模糊回归预测

基于粗糙模糊数及最大隶属原则，建立了多元粗糙模糊回归模型，并用于预测，为预测提供了一条新思路。     

排序决策的直觉模糊数方法

为了更细腻地描述作为比较评价的语言信息,用一个直觉模糊数表示两两对象的比较评价,将直觉模糊数表示为由上理想模糊数和下理想模糊数的二元模糊数组,定义了关于直觉模糊数的一种运算并且给出了基于结构元表示的排序比较方法;在排序决策过程中,通过对相对属性判断值的规范化处理完成对一组对象的排序,实现了优选的目的.结果表明:通过下、上理想模糊数将结构元理论应用到直觉模糊数上,简化了计算,同时直觉模糊数在表达信息上考虑人的犹豫度,使得在表达语言信息上较模糊数更贴近现实,排序结果自然更精确.     

基于逼近理想点排序模糊数的方法

利用左右优势度及贴近度等概念定义正负理想点,并通过α截集的方法把模糊数变成区间数,再利用期望值把它映射到数轴上,然后求出期望均值到左右理想点的距离,最后利用其距离形成一个类似贴近度的综合排序指标,用此来对模糊数排序.实例说明该方法计算简单,能够克服现存的一些排序方法的缺陷,且便于运用在实际问题中.     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

粗糙模糊数

粗糙集理论和模糊集理论都是研究信息系统中知识的不完善、不准确问题 ,前者基于信息系统中知识的不可分辨性 ,后者基于信息系统中知识的模糊性 ,将二者结合形成了粗糙模糊集 .定义了粗糙模糊数(RFN) ,进而研究了其性质及二RF数间的距离 ,可用于在实际问题中对模糊信息的表述及信息加工 .     

粗糙模糊集的分解定理及表现定理

讨论了粗糙模糊集的构造性质,给出其分解定理及表现定理。     

模糊粗糙集的分解定理及表现定理

讨论了模糊粗糙集（FR集）的构造性质,给出其分解定理及表现定理。     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

粗糙集的贴近度

为描述两个粗糙集的接近程度，提出了粗糙集贴近度的概念，给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式，分别定义了粗糙集的距离贴近度，最大最小贴近度，最小平均贴近度以及格贴近度．     

基于粗糙集理论的模糊信息分类方法

介绍了属性约简的概念,并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

粗糙集中的近似精确问题

从粗糙集中的“边界”(可能决策)的角度出发，首次提出了上(下)边界的概念，讨论了边界的一些性质，进而提出了粗糙问题中可近似为精确问题处理的近似精确问题模型，并给出了近似精确问题的处理方法。