Vague集相似度量模型的研究

鉴于Vague集的相似度量在模糊推理、模式识别、聚类分析、决策分析等领域的广泛运用,本文首先对已有Vague值的相似度量模型进行了分析,发现已有的模型在应用时所得的结果或者不符合人的直觉,或者明显违背客观实际,或者存在区分度不足.然后提出了一个新的Vague值相似度量模型m(x,y)=1/2+φ(x,y)/2-S(x,y)/4-|tx-ty|/4,并证明了该模型满足文献[1-4]相似度量的公理化定义.在提出的Vague值相似度量模型的基础上,建立了Vague集的相似度量一个新模型M(A,B)=(n∑i=1m(A(xi),B(xi)))/n.最后,通过数值实验,新模型度量结果又较好符合人的直觉以及具有较好的区分度.     

Vague集相似度量的一个新模型

分析了已有vague值的相似度量模型的不足,指出了vague值的相似度量建模须考虑的因素,提出了一个新的vague值相似度量模型,并证明了其满足相似度量的公理化定义.在提出的vague值相似度量模型的基础上,建立了vague集的相似度量一个新模型.实验表明,新模型具有较好的区分度,能克服已有模型的不足.     

一种计算Vague集之间相似程度的新方法

从Vague集的直觉理解出发，提出了一种新的度量Vague集(值)之间相似度量的计算方法．与文献现有的Vague集(值)之间相似度量的方法进行比较，新方法更加合理，更接近于人的直觉理解，是一种比较理想的度量Vague集(值)之间相似程度的计算方法。     

一种新的基于核函数的Vague集间的相似度量

分析了已有Vague集之间相似度度量方法存在的缺陷. 在此基础上,充分挖掘Vague值中的不确定信息,利用两个Vague值核函数取小、取大的比值给出新的相似度量方法,给出基于动态核函数的Vague值的相似度定义,以及相应的Vague集和Vague元素的相似度定义. 并通过例子说明该方法适用于Vague环境的行为分析问题.     

Vague集相似度量基本准则和方法的研究

分析了现有的Vague相似度量基本准则并指出了不足之处,提出了新的Vague相似度量基本准则,指出了影响Vague集相似度量的4个因素,提出了一种新的Vague集相似度量方法,最后通过实例说明该方法的合理性和有效性.     

Vague集之间相似度量的分析与研究

分析了现有的5种Vague集(值)之间相似度量的方法,指出这些度量方法不能准确刻画Vague集(值)之间相似度量的本质,导致了错误的推论.通过确定2个Vague值之间精确相似度存在的最小区间,得到一种新的度量方法--最小区间法.该方法不仅具有较好的特征和度量效果,而且为匹配算法的改进提供了数学基础.     

Vague集元素等相似度图形化表示

基于Vague集元素之间相似度量的讨论,将已有的Vague值相似性公式用图形表示,提出Vague值等相似度曲线,该曲线能更直观地体现出Vague值之间的相似性关系,并可非常清晰地反映常见相似性公式的优缺点,为相似度量提供了一种更简单、更有效的研究与评测工具。     

改进的Vague值间相似度量一般公式及其地标排序应用

针对现有Vague值间相似度量一般公式以常数为调节系数存在的不足,提出对其未知度子项调节系数增加与Vague值自身有关的函数的改进方法,给出了该函数应满足的条件。提出了一种包含该函数的新的Vague集间相似度量,对其性质进行讨论;并基于现有Vague集间相似度量,给出了一种该函数的选取方法。与现有相似度量比较表明,提出的相似度量明显改善度量结果的合理性和区分能力。与多准则模糊决策方法相结合,将提出的相似度量用于地标排序,表明其有效性、可行性和优越性,同时为地标排序提供了一种新方法。     

基于Lukasiewicz蕴涵算子的Vague集相似度量

分析了Vague集存在未知度,表明了存在不确定性的原因。指出了现有Vague集相似度量方法存在的不足。在充分考虑了Vague集不确定性和对Lukasiewicz蕴涵算子进行研究后,提出了一个基于Lukasiewicz蕴涵算子的Vague集相似度量新方法;并证明该方法满足相似度量基本准则。通过与现有相似度量方法的比较,说明新的相似度量方法克服了现有相似度量方法的不足,考虑了未知度因素对相似度量的影响,能够有效合理地区分数据。     

Vague集间新距离的分析和定义

Vague集的相似度量是Vague集在各个应用领域中的关键技术．根据相似工程学原理,指出一个相似度量必须满足的约束条件,提出一种改进的Vague集相似度量公理化定义,然后引入一种新的Vague集相似度量方法,并证明它满足这些公理化条件,最后,用实例说明其应用以及该方法的有效性和直观性．