模糊集的一类新广义熵

目的研究模糊集的一类新的广义熵。方法将离散随机变量的(k,q)阶广义熵推广到模糊集理论中,定义模糊集的(k,q)阶广义熵和q阶Shannon熵,讨论q阶Shannon模糊熵和q阶Re-nyi模糊熵之间的关系。结果得到了(k,q)阶广义熵和q阶Shannon模糊熵的一系列性质,并且证明了当q≥0.5时,q阶Shannon模糊熵是F(X)上的一个σ-熵。结论拓广了模糊熵,为模糊信息学的深入发展提出了新的思路。     

Shapley熵的公理刻画

Shapley熵是利用Shapley值而定义的容度的熵.本文首先对一个模糊测度进行分解,并解释了这种分解的含义,从而得到了Shapley熵的递归性质;然后,利用Shannon熵和Shapley值的公理刻画给出了Shapley熵的公理刻画.     

光滑度量测度空间上熵沿几何热流的演化公式

在度量沿着一类几何热流演化的闭光滑度量测度空间上引入加权Shannon和Fisher熵,并推导出这两种熵的演化方程以及单调性。作为应用,建立了相应的渐进估计。     

混沌的复杂度研究方法和Logistic映射分析

研究和评价了混沌复杂度3种定量分析方法——Lyapunov指数、分维、测度熵,及其它们之间的内在联系,并研究了一种简单有效的测度熵替代方法——近似熵(approx im ate entropy)方法.应用以上方法对Log istic映射复杂度进行了分析.结果表明Lyapunov指数和测度熵的值与复杂度基本呈线性关系,分维数与复杂度的函数关系尚难确定,且与Lyapunov指数、测度熵之间的关系也不明确.     

广义熵与样本熵差渐近计算

本文引进(k,s)阶广义熵,q阶Shannon熵及q阶Renyi熵。考察其极值性,单调性等基本特性,论述其作为随机模式在主观先验知识条件下不肯定性度量之特征。通过与数据方差的比较,阐明数据熵差作为数据差异性度量的一系列性质。最后利用对数Г函数给出样本熵差的渐近计算。     

模糊集中的无限非概率测度熵

目的 为得到模糊信息论的一些重要性质和定理。方法 以模糊熵的数学性质为基础，以Shannon熵为工具进行研究。结果 给出了无限非概率测度熵的定义及性质，并对无限非概率测度条件熵及模糊互信息给出了定义，进而研究了其性质并给出了相关定理。结论 其结果深化和发展了模糊信息论的内容。     

广义熵与样本熵差渐近计算

本文引进(k,s)阶广义熵,q阶Shannon熵及q阶Renvi熵。考察其极值性,单调性等基本特性,论述其作为随机模式在主观先验知识条件下不肯定性度量之特征。通过与数据方差的比较,阐明数据熵差作为数据差异性度量的一系列性质。最后利用对数(?)函数给出样本熵差的渐近计算。     

广义Loeb测度的Jordan分解及其性质

研究了广义Loeb测度的Jordan分解及其性质,给出广义Loeb测度变差的定义,并讨论变差的性质,定义了两个新的广义Loeb测度L(μ1)∧L(μ2)和L(μ1)VL(μ2),得到了两个可换性定理:L(μ1)∧L(μ2)=L(μ2)∧L(μ1),L(μ1)∧L(μ2)=L(μ2)∧L(μ1).     

离散时间模型的指数效用无差别定价和最小熵鞅测度

研究了单阶段模型的指数效用无差别定价和最小熵鞅测度,得到了指数效用的无差别定价的精确解,并利用无差别定价的极限构造了最小熵鞅测度的表达式,解决了不完全市场的未定权益的定价问题.     

基于互信息和测度学习信度网结构

交叉熵是对一个分布与其近似分布的接近程度的度量。在许多关于信度网结构的学习文献中,都将交叉熵作为检验算法学习效果的一个指标。笔者直接从交叉熵最优这一指标出发,在分析已有测度的基础上,提出了一个新的测度－互信息和测度,并证明了该测度的可分解性质。最后,给出了利用互信息和测度进行信度网结构学习的两种启发式搜索算法。