基于模糊集的故障检测方法

针对limit checking故障检测方法的缺点,提出了一种基于模糊集的故障检测方法。该方法基于传感器测量值的不确定性和门限值具有模糊的客观属性,在检测值所有可能值的论域上划分模糊子集,将检测值偏离门限值的程度用隶属函数与模糊子集报警权重表示。考虑到时间因素对检测结果的影响,提出采用时间窗函数的方法计算时间窗内的报警权值之和作为模糊检测决策依据。仿真结果表明,基于模糊集的故障检测方法相比于持续性计数(Persistence Counter)方法具有更好的检测性能。     

质量管理体系运行有效性综合评价

为了评价质量管理体系运行的有效性,提出了一种基于直觉模糊集和TOPSIS法的新方法. 给出质量管理体系有效性的含义与特点,建立了质量管理体系运行有效性的评价指标体系;给出直觉模糊集的概念,并定义了两个直觉模糊集之间的距离,基于此提出基于直觉模糊集和TOPSIS法的质量管理体系运行的有效性评价方法. 通过例证说明了该方法的可行性和有效性.     

双枝模糊集与Vague集的关系

研究了双枝模糊集与Vague集的关系,指出对于给定的双枝模糊集,可以求得它的伴随Vague集;给出了双枝模糊集与它的α-伴随Vague集的关系定理;研究表明:可以利用Vague集的一些成熟的理论来研究和拓展双枝模糊集理论,以相似度量为例,基于Vague集现有的相似度量方法,利用双枝模糊集的α-伴随Vague集的相似度量作为双枝模糊集的相似度量。     

三角模糊数的立方根及在模糊系统上的应用

以往的文献很少讨论模糊数的立方根表示和成员关系函数.模糊数的立方根能够用来解决模糊控制系统中的一些问题.本文新提出了一种三角模糊数的立方根代表值和隶属度函数.最后,作为一个数值示例,模糊数的立方根被应用到一个模糊系统例子中.     

语义Web规则语言的模糊扩展

语义Web规则语言SWRL有较强的表达能力.但它无法表示语义Web中含有的大量不精确和不确定的知识和信息;模糊集中单个隶属度不能准确表达模糊信息;f-SWRL中的权重只能表达模糊类和模糊属性的重要程度.针对以上问题,提出了一种基于vague集的模糊SWRL的扩展形式vague SWRL,给出了二级权重的概念来修饰和限定模糊类和模糊属性的隶属度,研究了vague-SWRL的语法语义,给出了vague-SWRL的规则实例.Vague集的引入,特别是二级权重的引入,增强了模糊规则的表达能力,符合语义Web的发展趋势,具有较大的优越性.     

一种基数可调整的轮廓查询——模糊轮廓

针对轮廓查询的结果随着数据维度的增加而显著增加的问题,在模糊集理论的基础上,提出了模糊轮廓集的概念,量化了不同数据点对轮廓查询的贡献度.以此为基础,通过在模糊轮廓集中取不同的截集达到了准确控制查询结果数量的目的.同时,提出了有效的FSCA算法来求解任意的模糊轮廓,为用户提供δ个数据点,方便了用户的决策.实验分析的结果表明,模糊轮廓查询是一种有意义的基数可调整的新型轮廓查询,FSCA算法是有效的模糊轮廓求解算法,它们共同为用户决策提供了很好的辅助手段.     

用户期望质量驱动的Web服务优化选取

提出了一种基于用户期望的服务质量评价方法。该评价方法仅考虑具有相似期望的用户,允许期望相似的评价影响服务的信誉度评价,以利于得到客观、准确的服务质量评估。在此基础上,提出一种基于用户期望的QoS驱动的服务选取算法。该算法实现了在满足用户偏好和期望的前提下Web服务的最优选取。电子购物的实例展示了该方法的可行性。     

区间直觉模糊集的分解定理

引入了区间直觉模糊集截集的概念,讨论了其有关性质,并给出了关于区间直觉模糊集的分解定理,进一步丰富了模糊集的理论基础.     

直觉模糊集的一对分解定理

首先指出了相关研究中给出的直觉模糊集分解定理中被分解的直觉模糊集本身是分解式中的一项且分解式中各项大量重复和某些错误,提出了模糊集或直觉模糊集的分解定理应当把一个模糊集或直觉模糊集表示成与之有关的一族具有某种共同特征的其他模糊集或其他直觉模糊集的并或交的观点.然后在引入模糊集及直觉模糊集的λ-截积与λ-截和的基础上给出了直觉模糊集的基本定理,即任一直觉模糊集的所有λ-截积(强λ-截积)与λ-截和(强λ-截和)仍然是直觉模糊集;并证明了任一模糊集或直觉模糊集等于它的所有λ-截积(所有强λ-截积)之并,也等于它的所有λ-截和(所有强λ-截和)之交,这些结果分别称为模糊集、直觉模糊集的分解定理.     

基于Fuzzy集的插值模糊推理

对于模糊概念（用Ｆｕｚｚｙ集表示）的隶属函数为连续的情况,将规则前件中的模糊要领的论域与后件的模糊概念的论域化一一映射,然后给出基于Ｆｕｚｚｙ集的隶属函数为连续情况下的插值模糊推理方法;对于Ｆｕｚｚｙ集的隶属函数为离散的情况,在作上述相同的映射后,再将规则前件中的Ｆｕｚｚｙ集与事实中的Ｆｕｚｚｙ集的隶属函数分别进行线性插值,使它们都成为连续函数,然后给出基于Ｆｕｚｚｙ集的隶属函数为离散情况下的插值