基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.

基于模糊软集合的缺失数据新的预测方法

数据缺失现象是无法避免的客观存在的问题,数据填充是一种很好的处理该问题的方法。数据的类型多种多样,很多数据含有不确定性,模糊软集合理论是有效的处理不确定问题的数学工具。在利用该理论对缺失数据进行填充的研究中,现有方法准确度不高,且某些情况下填充值超限。为解决此问题,本文提出一种新的模糊软集合缺失数据的预测方法。利用对象与参数间的关系,根据平均距离,计算参数权重和对象权重,由最相关的参数和对象数据填充缺失数据。为验证方法的有效性,选取UCI数据库进行实验,结果表明所提出的方法比现有方法更加准确和有效。