基于Vague集的TOPSIS方法及其应用

逼近理想解的排序方法(TOPSIS)是求解多属性决策问题的一个典型方法,将TOPSIS方法在V ague集下进行了扩展。介绍了V ague集的概念及其相似度量方法,提出了用V ague值表示的语言术语集。根据V ague值的优势函数定义了V ague正、负理想解。根据V ague值的相似度量定义了各方案到正理想解和负理想解的距离,得出各方案的相对贴近度,并据此排序,供决策者选择最优方案。     

基于Vague集相似度量的多准则模糊决策方法

在分析已有关于Vague值（集）相似度量方法存在不足的基础上,综合考虑Vague值区间端点间的距离、核距离以及未知部分对支持度和反对度的影响等主要因素,提出了一种新的Vague值（集）相似度量方法,并对其性质进行讨论. 通过与现有方法的比较,表明该方法具有很强的相似度区分能力. 最后将所提出的Vague值（集）相似度量用于多准则模糊决策中,通过最优化方法选取每个准则的最优权重,根据候选方案与理想方案在相应准则下相似度加权和的大小得出最佳方案. 通过实例分析,表明了这种方法的有效性和可行性.     

多目标模糊决策的Vague集方法

对模糊条件下的多目标决策问题,采用Vague集方法进行处理,提出三种目标选择方法:记分函数法、加权记分函数法和距离法.对已有的Vague集方法进行了分析与联系,并通过例子阐明本文方法的有效性和优越性.     

基于蕴涵算子的Vague集的相似度

Vague集的相似度在智能系统的研究中有着重要的意义,现有的相似度实质上是基于距离来定义的。 从蕴涵算子的角度来研究Vague集（值）相似度,给出了一些新的Vague集相似度的计算方法,通过和现有的相似度进行比较分析,证明该方法具有更好的合理性和度量效果,因而有望在模式识别、图象处理等领域中得到广泛的应用。     

用于雷达信号分选的连通k近邻聚类算法

为了能够在密集且复杂多变的信号环境中进行实时有效的信号分选,需要一种具有较低复杂度且能够根据信号环境自动调整参数的聚类方法。在模糊聚类算法的基础上结合k近邻搜索,将λ邻域范围搜索变为λ邻域内k近邻搜索,提出了连通k近邻聚类(connected k-nearest neighbor clustering, CkNNC)算法。相比模糊聚类算法,所提算法时间复杂度降低而空间复杂度稍有增加。为使得该算法能够根据信号环境自动进行参数调整,提出了基于k距离图的阈值参数确定方法。所提算法具有时间复杂度低与阈值参数自动确定的特点,仿真结果表明所提算法与使用Calinski-Harabasz指标确定最佳阈值的低复杂度模糊聚类算法相比,分选效果差距不大、性能相近,而时间复杂度大幅下降。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

基于直觉模糊聚类的目标识别

空中目标的正确识别对防空作战具有重要的意义。针对目标识别的特点,提出了基于直觉模糊聚类的识别方法。首先,给出了直觉模糊相似度和相异度的度量方法,并利用目标特征信息计算直觉模糊相似度和相异度。然后,在分析了现有的几种直觉模糊相似矩阵构造方法的基础上,提出了一种新的直觉模糊相似矩阵的构造方法,并给出了直觉模糊相似矩阵转化为直觉模糊等价矩阵的途径;此外,定义了直觉模糊等价矩阵的（α,β）截矩阵,进而实现直觉模糊集的聚类。最后,运用该方法对给定特征的空中目标进行了聚类分析,实验结果表明,提出的方法是可行、有效的。     

基于Vague集的空中目标威胁评估群决策方法

主观威胁评估方法是空中目标威胁评估的必要手段。将基于Vague集的群决策方法用于空中目标的主观威胁评估,用Vague数表示决策者对目标威胁度的主观评价值,提出一种Vague熵诱导的有序加权平均算子,用于集结各个Vague评价值,可以消除集结过程中人为误差带来的不良影响。为了直观评估各目标威胁程度大小,还提出一种基于Vague数距离和优劣点法的决策方法,来对目标威胁度进行比较和排序。算例证明该方法在空中目标威胁评估中是可行的,而且比常用的模糊综合评估方法更加有效。     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

Vague集在多传感器目标识别中的应用

针对具有多个特征指标的多目标识别问题,提出了一种基于Vague集的多传感器信息融合方法。该方法定义熵权客观地得到了特征的权重,将目标的各特征值转化为Vague值表达,根据Vague值的距离,给出目标识别方法。工件识别实例验证了算法的有效性和实用性。     

Vague 值与Vague 集上的贴近度

基于“投票模型”,给出一个一般的贴近度表达式,该表达式把Chen的公式、Hong和Kim的公式、李和徐的公式作为特例.基于这个一般表达式,定义了一些新的贴近度公式并讨论了这些公式具有的性质,为更好的应用这些公式奠定了必要的基础.     

A MODIFIED ANT-BASED TEXT CLUSTERING ALGORITHM WITH SEMANTIC SIMILARITY MEASURE

1. Introduction As an important application field of the data clustering technologies (Jain and Murty et al. 1999), text clustering is unsupervised partitioning of a collection of textual documents into self-similar groups so that any item is more similar with another item in the same group thanwith an item outside the group. Such groups are called clusters, which are run-timely formed during the clustering process, instead of being pre-defined as in the case of text categorization, which comm…     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

改进的基于矢量空间的群体聚类算法

针对群体聚类算法中,一般以群体成员偏好矢量的相似度作为相聚依据,但这类方法通常不能保证群体聚类后聚集的一致性的问题。提出了成员与成员集的相似度概念,给出了基于聚集一致性的成员与聚集相聚的条件,描述了一个改进的群体聚类启发式算法。同时,还定义了群体及聚集一致性的偏差指标和相对偏差指标,用以评估聚类结果。实例测试表明,该算法有较好的聚类性能和较低的一致性偏差指标。     

基于计算机仿真的装备战场损伤规律研究

针对装备易损性分析的需要,对基于计算机仿真的装备战场损伤规律分析技术进行了深入研究。详细阐述了计算机仿真的若干关键问题,包括装备建模、威胁建模、损伤仿真。利用这些技术可对装备战场损伤进行微观分析,可获得装备零部件级的损伤情况。最后通过一个实例,阐述了战损规律分析方法的应用,对于装备的某个零部件命中弹片数和损伤概率进行了统计和分析。     

多准则模糊决策的Vague集方法

对模糊环境下的多准则决策问题,指出了采用Vague集进行多准则模糊决策的现有记分函数的不足,根据Vague集隶属度、非隶属度的之间的大小关系,对由Vague值组成的集合进行划分,提出新的记分函数法以及加权记分函数法.并用Vague集描述方案关于准则集的满足程度与不满足程度,即准则的权重也由Vague集表示.这种方法为决策者做出最优决策提供了一种方便有效的方法.