An Application Expert System for Evaluating Effective Factors on Trust in B2C WebsitesTrust, Security, ANFIS, Fuzzy Logic, Rule Based Systems, Electronic Commerce

In new environments of trading, customer's trust is vital for the extended progress and development of electronic commerce. This paper proposes that in addition to known factors of electronic commerce B2C websites such a design of websites, security of websites and familiarity of website influence customers trust in online transactions. This paper presents an application of expert system on trust in electronic commerce. Based on experts’ judgment, a frame of work was proposed. The proposed model applies ANFIS and Mamdani inference fuzzy system to get the desired results and then results of two methods were compared. Two questionnaires were used in this study. The first questionnaire was developed for e-commerce experts, and the second one was designed for the customers of electronic websites. Based on AHP method, Expert Choice software was used to determine the priority of factors in the first questionnaire, and MATLAB and Excel were used for developing the fuzzy rules. Finally, the fuzzy logical kit was used to analyze the generated factors in the model. Our study findings show that trust in EC transactions is strongly mediated by perceived security.

规则数确定的自适应模糊分类器

为使模糊分类器能够利用自适应模糊系统的诸多优点,并避免随着输入空间维度增加出现"维度灾难",提出一种新的模糊规则数确定的自适应模糊分类器.新分类器由多个用于区分出一种类别的模糊推理机组成,每个模糊推理机包含两条模糊逻辑"如果-则"规则,分类器的总规则数由待分类模式的类别数确定,分类器采用误差反向传播学习算法进行学习训练.对比反向传播神经网络分类器,通过对鸢尾花卉数据集与Ripley合成数据集的分类测试,表明新分类器具有较强的学习能力、分类识别能力,以及抗干扰、抗数据污染能力.

基于遗传算法与模糊逻辑融合的线路覆冰预测

针对输电线路覆冰预测问题,提出了一种基于遗传算法与模糊逻辑融合的线路覆冰预测模型建立方法,同时对遗传算法与模糊逻辑融合理论及实际应用进行了研究与探讨。首先统计贵州电网8条输电线路的历史覆冰现场监测数据,对现场数据通过学习算法产生模糊规则。其次组合产生的模糊规则和先前的专家经验模糊规则,建立组合模糊规则库。接着运用遗传算法对输入—输出论域模糊划分、组合模糊规则库及隶属函数等覆冰模糊系统参数进行优化。最后通过贵州电网2014年的覆冰现场监测数据,验证优化后的线路覆冰预测模型。预测结果表明：覆冰厚度在0~5 mm之间,预测平均相对误差为0.016 5%,5~10 mm之间预测平均相对误差为-0.165%,10~18mm之间预测平均相对误差为3.34%。

基于模糊逻辑推理的精馏分离序列优化综合

模糊逻辑推理能够反映自然语言要素信息传递特性. 通过抽象有效重组参数提炼if-then模糊逻辑推理规则、根据精馏分离序列综合问题数字特征创建Sugeno模糊逻辑推理模型,系统化地提出了基于模糊逻辑推理的精馏分离序列优化综合方法.

空间电力负荷预测小区用地分析的模糊推理新方法

提出了一种在知识不完备情况下 ,能够同时考虑推理前提重要性权重和观察事实及规则知识等的不确定性和不精确性因素的新的基于模糊逻辑的推理方法 ,并将其应用于空间电力负荷预测的小区用地分析中 。

基于模糊多目标遗传优化算法的节假日电力负荷预测

多目标遗传优化算法的一个优点就是可在一次迭代计算中寻找到问题的多个非劣最优解。该文应用多目标遗传算法和关联规则算法提出一个基于模糊规则的电力负荷模式分类系统。在此分类系统中采用多目标遗传优化算法从众多模糊分类规则中自动挑选出具有较好识别性能和可解释性的模糊规则,并利用模糊关联规则挖掘通过启发式规则选择改善遗传算法的搜索性能。经仿真试验表明此分类系统具有较好的分类性能,可为节假日负荷预测提供更为充分的历史数据,从而改善其负荷预测性能。

基于多目标粒子群优化算法的短期电力负荷预测法

针对短期负荷预测的特点,提出一种基于多目标粒子群优化算法的短期电力负荷预测法。该算法充分利用了历史数据集的基本知识,利用多目标粒子群优化算法挑选出Pareto最优模式分类规则集,在考虑规则的分类准确性和可解释性的情况下,建立一个基于模糊规则的电力负荷模式分类系统。在仿真试验表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能。

基于模糊规则递推的车辆自动换挡策略仿真研究

基于模糊规则递推调整算法的车辆自动换挡控制策略,建立了履带车辆模糊换挡控制器模型,以Matlab/Simulink中典型的车辆模型作为仿真环境,与二参数换挡规律进行分析比较.结果表明,该模糊换挡策略能有效的提高履带车辆自动换挡过程中的加速性及动力性.

一种基于超盒表示的规则提取方法

提出一种从训练样本提取基于超盒表示的模糊规则的方法,用于模式分类.这种方法把模式空间划分成模糊超盒,作为模糊规则的前件,规则的后件是相应的类别名称,同时给出每一条模糊规则的置信度.模糊分类规则从训练样本通过学习算法提取.规则提取方法可以分为,对于单个训练模式进行规则前件和后件的局部在线学习,和对于全部训练模式进行循环学习.实验显示规则提取的过程,说明通过这种方法能够获得有效的模式分类规则.

无线传感器网络中基于粒子群优化的目标识别方法

针对无线传感器网络在地面目标声振信号识别方面的应用需求,在分析现有算法缺点的基础上,提出了基于粒子群优化(particle swarm optimization,PSO)方法的目标识别算法。利用粒子群算法优化基于模糊逻辑规则的分类器(fuzzy logic rule based classifier,FLRBC),分析了算法中各个参数的设置对算法性能的影响。基于实地采集到的信号的仿真实验表明,该方法在一定程度上提高了目标识别的正确率和稳定性,平衡了分类性能,改善了收敛性质。

一种改进传统模糊PID控制器性能的方法

介绍了一种传统模糊PID控制器规则库的构建方法 ,这种方法基于对过程一般动态性能的分析 ,直观地得出规则库 ,克服了由先验知识构造规则库造成的主观影响 ,具有一定的通用性。通过分析规则库中各个规则与系统响应各个阶段的联系的基础上 ,提出了一种通过改变隶属函数来提高模糊控制器性能的方法。

直觉模糊粗糙推理的规则互作用性研究

针对直觉模糊粗糙逻辑(IFRL)推理的规则库检验问题,提出了IFRL规则库的互作用性检验方法。互作用性检验是逻辑规则库检验的一项重要内容,它可以有效地分析出规则间的关系。利用直觉模糊粗糙集(IFRS)及其包含关系的概念,提出了正规IFRS和IFRL规则库的互作用性定义。在此基础上,将直觉模糊逻辑(IFL)的3个定理推广到IFRL领域,并给予了证明。提出的互作用性定义和推广后的3个定理可以作为检验规则间互作用性的方法。

内存有效的快速双层深度规则分类器

深度规则分类器在处理大规模或高复杂度的分类任务时,模糊规则库的数量会过于庞大,导致其内部结构变得复杂,可解释性较差,测试时间也随着模糊规则数量的增加而线性递增,且在移动端设备内存有限的条件下无法保证内存的有效性.针对这些问题,提出一个新的内存有效的快速双层深度规则分类器,该分类器在深度规则分类器的基础上增设数据汇总和高描述性原型提取两个模块.仅当原型数量达到内存上限时执行一次数据汇总模块来删除部分原型,解决有限条件下内存不足无法训练出有效分类器的问题.高描述性原型提取模块将原型划分为底层和顶层的双层结构,底层由所有原型组成,用于展示分类器内部结构的全貌,顶层由少量高描述性原型组成,用于分类决策阶段.这样能有效地防止深度规则分类器在处理大规模数据时,因其复杂的内部结构导致较差的可解释性,同时提高分类决策阶段的效率.在基准数据集上的仿真实验验证了该方法的可行性和有效性.内存有效的快速双层深度规则分类器在处理大规模数据或数据流问题时,在达到较高分类性能的同时,保证模型的透明性、解释性和内存的有效性.

SOM-T2 FLS在股市预测中的应用研究

由于金融市场的复杂性和特殊性,现有预测算法的性能在牛市和熊市中呈现出较大差异,导致分类精度不高和抗风险能力不强,提出一种基于自组织特征映射-2型模糊逻辑系统(SOM-Type-2 Fuzzy Logic System,SOMT2 FLS)的分类算法。通过SOM网络将样本集分成两个不同子集,然后在每一个子集下分别学习T2 FLS分类器。在分类器学习过程中,提出将规则库的长度作为正则项,降低模型复杂度。利用中国证券市场的历史数据,验证了该算法较现有算法具有更好的预测效果和抗风险能力。

基于模糊神经网络的重载列车空气制动力预测方法

由于重载列车空气制动具有强非线性、反馈减压量误差较大的特点,且充风、排风时间与减压过程之间存在耦合关系,使得重载列车循环空气制动的操纵精确度难以保证,进而影响其操纵安全。为提高重载列车循环空气制动的控制精确度,文章提出一种基于模糊神经网络(fuzzy logic-based neural network,FLNN)的空气制动力预测方法。其首先采用径向基神经网络(radial basis function neural network,RBF-NN)训练空气制动离线数据,得到模糊逻辑形式的空气制动力离线预测规则;然后,计算当前数据与空气制动力离线预测规则的匹配度,得到相应的预测规则;最后,根据当前数据和相应的预测规则,输出空气制动力预测值。该预测方法通过数据处理的方式摆脱了对传统空气制动模型的依赖,避免了充、排风时间与减压过程之间的耦合分析,能够较准确地得到空气制动力预测值。试验结果显示,本文提出的基于FLNN的空气制动力预测方法将重载列车空气制动力在100 kN内的预测精度提高至99%,这验证了该方法在不同的工况下能有效实现空气制动力预测。