Vague 集模糊熵的一个新模型

在对已有Vague集的模糊熵的定义进行分析的基础上,提出了Vague集的模糊熵的新定义.基于Vague集是Fuzzy集的推广,从Fuzzy集的模糊熵的Shnnon模型出发,建立了Vague集的模糊熵新定义下的一个模型.数值试验表明,所建立的Vague集的模糊熵模型与已有的满足新定义的模型有同样的表现.     

基于Fuzzy集的Vague集的模糊熵

给出了Vague集的基本概念，阐述了Vague集的本质及Vague集与Fuzzy集之间的关系；通过对投票模型的分析，指出了在投票模型中投中立票者仍然有某种倾向，且该倾向由投赞成票和投反对票的人类之比来决定，在此基础上提出了一种Vague集向Fuzzy集转化的方法，最后给出了基于这种转化方法的Vague集模糊熵的定义。     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题.对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质.这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路.     

Vague集模糊熵的新度量方法

提出了Vague集模糊性主要来自三个部分,分别为未知信息、不确定信息及他们的交叉模糊信息,通过分析现有方法,给出一种新的Vague集模糊熵度量方法,并改进了它的公理化定义和证明了它的正确性.最后通过实例分析,指出它同时考虑了Vague集的未知性、不确定性和两者之间的交叉模糊性,从而证明所给出Vague集模糊熵的定义是更加合理的.     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题。对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质。这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路。     

一类Vague集模糊熵的构造方法

分析了Vageue集的性质,给出了将Vague集变换为Fuzzy集的转换函数并讨论了其性质,研究了关于Vague集的模糊熵的直观特性,在此基础上给出了Vague集的模糊熵的定义,最后给出了一个减地Vague集的模糊熵的构造方法。     

基于覆盖的粗糙Vague集模型研究

在覆盖广义粗糙集模型理论研究基础上,进一步将对象在精确值集方面推广到了更具广泛性的Vague集,提出了基于覆盖的粗糙Vague集的新模型,并且证明了该模型的一些较好的性质.同时考虑到导致覆盖广义粗糙Vague集粗糙性的原因,提出了一种新的粗糙度用于度量该模型的不确定性程度,最后给出相关实例.     

基于Vague集的医疗诊断系统

讨论了Vague集的基本概念;介绍了一种基于Vague集理论的医疗诊断系统的设计实现方法,该方法中采用Vague集的核函数与精确函数来解决基于Vague集的模糊决策问题,由于Vague集可以同时表示“支持”,“反对”和“不确定”的信息,这使得在采用Vague集的医疗诊断系统中得到的推理结论更符合实际情况,最后通过一个实际医疗诊断例子论证了该方法的正确性。     

基于Vague集的模糊信息融合研究

在分析模糊信息融合局限性,并介绍Vague集概念的基础上,提出了基于Vague集的模糊信息融合方法．给出了该方法的数学描述、数据组织、结果评价等概念及算法实现过程．并以传感器一目标模型为例,演示和分析了该方法的应用及评价过程．从结果看,基于Vague集方法进行模糊信息融合是简易、高效和可靠的．     

基于Vague集的一类蕴涵算子

介绍了采用Fuzzy集进行近似推理的一些蕴涵算子的性质,根据Vague集的直觉特性提出了采用Vague集实现近似推理的一类蕴涵算子的构造方法,并根据Vague集的模糊熵对上述蕴涵算子的特性进行了解释。     

基于 Vague 集的加权模糊运算

分析了Vague集的性质,定义了Vague集上的加权析取式和加权合取式。讨论了Vague集上的加权析取式和加权合取式的模糊运算及性质,这些运算及性质可以很好地用“投票模型”来解释。     

基于Vague集模糊熵和D-S证据理论的多属性群决策方法

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

基于Vague集记分函数的一种构造方法

在分析已有Vague集记分函数的基础上,构造了一种新的Vague集记分函数,该记分函数能有效地刻画不同风险偏好关系,克服了传统记分函数的缺陷与不足.讨论了新构造记分函数的涵义及构造准则.最后,通过实例分析比较了该记分函数的可行性和有效性.     

基于区间值Vague集的多准则模糊决策方法

给出i-v Vague集的含糊度定义,将实数型Vague集群决策的记分函数方法扩展到区间值Vague集上,用实例比较各种记分函数方法的优缺点.然后给出两种改进的记分函数法和加权记分函数法,并通过例子阐明改进方法的有效性和优越性.     

基于Vague集的模糊聚类方法研究

引入Vague集(值)的距离概念及Vague集(值)的贴近度概念,并证明了这一新的贴近度的性质.利用此贴近度概念给出了基于Vague集的模糊聚类方法,这一方法对于数据挖掘研究有很好的参考价值.     

融合云概念的粗糙Vague集的三支决策模型

Vague集是模糊集的扩展模型,从正反两方面来描述事物的不确定性,粗糙Vague集比粗糙模糊集更具有普遍性。目前,三支决策的阈值主要是由单个专家给出,不能反映认知过程中复杂的不确定性形式。针对这一问题,提出了一种融合云概念的粗糙Vague集的三支决策模型。使用基于密度中心的云概念群决策方法求解损失函数,不仅保证综合评价的精度,还为损失函数提供了新的语义解释。构建了粗糙Vague集的三支决策模型并揭示了其误分类代价随着粒度细化而单调递减的规律。通过实验验证了该方法的可行性,克服了现有模糊集在三支决策中对事物不确定性表达不够清楚的缺点。     

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．