网格平台下模糊积分分类挖掘算法的实现

为了拓展算法的应用领域,降低算法的复杂性,提高分类器的性能,提出了网格平台下的模糊积分分类数据挖掘,依据模糊积分的概念,应用隶属度矩阵来确定模糊积分密度,再对分类器集成,对网格中采集的原始数据进行处理,实验证明用该集成方法所构成的分类系统能明显提高分类器的性能.     

河流健康复杂系统评价的IFMMAAM

在模糊物元分析原理的基础上,对隶属度函数进行分析,建立了基于改进隶属度函数的模糊物元多属性评价模型(IFMMAAM).给出了不同标准评价等级的改进隶属度函数的构造方法,把河流健康复杂系统评价的等级作为物元的事物,以各项评价指标及其相应的模糊量值构造复合模糊物元,通过计算与理想模糊物元之间的加权海明贴近度构造综合评价等级.澜沧江应用结果表明,运用IFMMAAM评价河流复杂系统健康是可行的,结论是合理的,IFMMAAM不仅能较好地处理多等级评价各等级之间的过渡问题,而且对于各种极端值问题也适用.     

一种基于二型模糊的广义模糊软集

针对普通模糊子集隶属度的模糊性,介绍了二型模糊集及现实刻画的合理性,然后从实际问题出发,提出了广义模糊软集的概念;在此基础上,研究广义模糊软集的包含关系,交、并、补运算和有关性质,并讨论基于广义模糊软集下的模糊软关系和模糊软矩阵,且进一步探讨与广义模糊软集平行的运算及性质;最后将广义模糊软集应用到医疗诊断中,通过解模糊,构造得分函数判断病人的患病类型,从而验证了它的可行性与有效性.     

基于模糊关系与模糊推理的教师年终考核

分析了模糊关系、模糊关系合成和模糊推理,为便于讨论模糊关系的合成,定义了模糊关系主和从的概念;基于模糊推理的综合评价,将模糊集合看成是模糊关系,将模糊蕴含关系作为模糊单因素评价矩阵并输入模糊推理;最后,通过教师年终考核实例,提出了利用不同职称相对隶属度求得模糊蕴含矩阵的方法.该方法为模糊综合评价的应用提供了参考.     

相对隶属度理论及其在地下水水质评价中应用

论述了相对隶属度理论及该理论应用于模糊评价的基本原理和方法，包括相对隶属度函数的建立；模糊识别目标函数的建立和由该目标函数进行的模糊模式识别模型推导：模糊评价矩阵生成以及级别特征值评价法。结合地下水水质评价应用实例，分析了该理论用于模糊评价的特点和实用性，结论是用该理论求得的相对隶属度使评价对象因素之间具有很好的可比性，其模糊识别模型具有清晰的数学和物理意义，所使用的级别特征值评价法能更好的反映评价对象的特征。因此，用相对隶属度理论进行模糊评价更具实用性。     

模糊矩阵在高等学校内部控制评价中的应用

由于高等学校的诸多内部控制因素、评价因素均为模糊的或难以量化的,认为利用模糊矩阵理论对高等学校内部控制的相关因素进行科学合理的分析、评价,可以得出量化的科学结论,有利于高等学校内部控制制度的建设与发展。通过高等学校内部控制评价指标体系、模糊矩阵评价模型、因素权重集的确定,建立基于模糊矩阵理论的高等学校内部控制评价模型;通过层次结构、构造判断矩阵、权重集、评价集、模糊综合评价、处理评判指标的建立或确定,验证模糊矩阵在高等学校内部控制评价中的应用。     

模糊矩阵在水质监测中的应用

模糊矩阵法评价水质级别,比单因子评价法更真实地反映水体水质级别的具体归属。结合丰、平、枯水期趋势分析．提出水质级别隶属度概念。     

基于模糊C-均值聚类的缺失数据填充方法

针对缺失数据的有效填充问题,提出利用模糊C-均值聚类（FCM）算法的隶属度矩阵作为待填数据的加权权重.首先使用同一属性均值对缺失数据作预填充,再进行FCM以得到每个类别的隶属度矩阵,最后用该矩阵作为权重去乘以每个类别的属性均值,得到最终的填充数据.在UCI数据实验中,将FCM填充算法与k近邻（KNN）填充算法作对比分析,结果表明,FCM填充得到的均方根误差总体小于KNN填充.     

基于粗集的模糊聚类方法和结果评估

粗集的决策表的属性包括定量属性和定性属性,针对这种情况,根据一种对象的相似性度量方法,使用模糊聚类方法对粗集对象进行模糊聚类,对聚类结果进行了评估(根据这种聚类方法得到的结果和实际的分类结果进行比较)．在这种相似性度量方法基础上,证明了粗集的等价关系可以被转化为模糊等价矩阵．基于粗集的聚类步骤如下：首先,一个粗集等价关系都可以转化为一个模糊相似矩阵,其次,转化成一个模糊等价矩阵,最后,进行模糊聚类．对此方法进行了实验,并对实验的结果进行评估．实验结果说明了这种方法的简单高效．     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题,提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM.该算法利用分布式K-Means聚类算法对每个数值型属性进行聚类,求得聚类中心,由此构造全局模糊集,定义全局隶属度函数.DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘,采用全局-局部站点模式,其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF.实验结果表明,该算法能准确地生成全局模糊频繁项目集,在求解全局模糊频繁项目集过程中,传送局部模糊候选项目集支持数的通信量为O(n),提高了算法的挖掘效率.