基于前景理论和混合加权距离的区间值毕达哥拉斯模糊多属性决策

针对现有的毕达哥拉斯模糊评价通常会忽视决策者的主观偏好和风险规避的问题,引入前景理论来反映决策者的主观感受,同时将毕达哥拉斯模糊数改进为区间值毕达哥拉斯模糊数,以避免决策者无法使用准确数值进行评价的情况,并引用基于均衡视角的权重修正系数,防止仅考虑决策者的主观偏好而造成的权重确定的偏差。在此基础上,将区间值毕达哥拉斯混合加权距离引入TOPSIS,以实现对多样性信息的有序集结。最后,通过实例分析和比较分析,对方法的有效性进行验证。

基于区间毕达哥拉斯模糊集的三类Hamming距离

基于区间毕达哥拉斯模糊集,定义三种Hamming距离、标准化的Hamming距离,并分别研究它们的性质.接着,分析三种距离的等价关系.最后,探讨这三种距离意义下区间毕达哥拉斯模糊空间的完备性和可分性.

基于马氏距离特征加权的模糊聚类新算法

模糊聚类分析是模糊模式识别中一个重要研究领域,而其中最经典的模糊C均值算法认为样本矢量各特征对聚类结果贡献均匀,没有考虑不同的属性特征对模式分类的不同影响,在处理属性高相关的数据集时,该算法分错率增加。针对这些问题,提出了一种基于马氏距离特征加权的模糊聚类算法,利用自适应马氏距离的优点对特征加权处理,对高属性相关的数据集进行更有效的分类。实验证明该方法的可行性和有效性。

广义毕达哥拉斯犹豫模糊集混合加权距离测度及决策应用

在毕达哥拉斯犹豫模糊数的距离基础上,定义毕达哥拉斯犹豫模糊集(Pythagorean hesitant fussy set,PHFS)的加权距离测度和有序加权距离测度,在兼顾属性权重和位置权重的基础上,提出广义PHFS混合加权距离测度(D_(GPHFHWA)),并研究其性质和特殊形式。针对属性值为毕达哥拉斯犹豫模糊数且属性权重未知的多属性决策问题,利用毕达哥拉斯犹豫模糊指数熵确定属性权重,并结合逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)思想,提出基于D_(GPHFHWA)测度的决策方法。最后,通过实例验证所提方法是有效、合理的。

基于修正倒数型距离贴近度的传感器数据模糊加权融合法

为提高传感器数据的融合精度和可靠性,提出一种传感器数据模糊加权融合法。对模糊加权融合模型进行研究,得出采用模糊贴近度作为融合权值比隶属度更实用。分析比较5种常用的模糊贴近度方法,其中倒数型距离贴近度分辨率高、计算量最小,但是存在奇异值抑制能力差的问题。针对该问题,建立基于修正倒数型距离贴近度的模糊加权融合模型,以提高算法的可操作性。仿真分析结果说明,与其他模糊贴近度方法相比,采用修正倒数型距离贴近度进行模糊加权融合,具有更高的融合精度和可靠性。

基于加权像素距离和相对熵的模糊C均值聚类改进算法研究

目的提出一种基于加权像素距离和相对熵的模糊C均值(Fuzzy C-means,FCM)改进算法。方法第一步采用局部平均隶属度倒数构建加权像素距离函数,第二步采用相对熵调整像素隶属度函数,最后根据改进的FCM聚类算法分割包含噪声的仿真图像和临床实例图像。图像分割结果评价指标采用分割错误率、划分系数、划分熵和Xie-Ben系数,并与标准FCM算法、基于局部数据距离的FCM算法、基于局部隶属度信息的FCM算法等算法进行比较。结果定性分析显示,本研究FCM改进算法获得的分割图像噪点最少,图像清晰度和对比度最佳。定量评价显示,采用本研究提出的FCM改进算法获得的图像分割评价指标均优于其他三种FCM算法,其中仿真图像分割错误率为0.09%±0.03%,划分系数为(0.9986±0.0003),划分熵为(0.0024±0.0009),Xie-Ben系数(0.2114±0.0019)。结论联合使用加权像素距离和相对熵能有效降低图像噪声,提高分割精度,具有较高的临床应用价值。

基于Census变换的自适应权值Hamming距离立体匹配算法

传统的Census+Hamming距离立体匹配算法往往由于将邻域像素等同对待,从而缺少足够的匹配信息,造成较高的误匹配率。对此提出了一种自适用加权的Hamming距离算法,通过引入邻域像素空间距离,使在距离测算时将邻域像素分等级计算,丰富了匹配图像的信息。并且使用梯度图像像素之间的距离作为聚合代价计算的权值,实验证明其对于噪声有一定的抗干扰性,并且能够很好地反映纹理等信息,同时引入稀疏聚合窗口来减少算法的复杂度。最后进行亚像素插值增大匹配的正确性。通过对比试验证明,此算法不仅能够提高匹配的准确性和抗干扰性,还能减少算法的复杂度,适用于实时的立体匹配。

特征加权距离的半监督模糊子空间聚类算法

针对已有的基于特征加权距离的双指数模糊子空间聚类算法(DI-FSC)没有充分利用数据集中的已知信息,提出利用少量监督信息辅助聚类过程的特征加权距离的半监督模糊子空间聚类算法(SS-FSC).通过在该算法中加入特征加权距离来改善传统聚类中利用欧氏距离计算数据点之间差异的不足;同时向约束条件中引入指数r和β,增加了算法的灵活性.实验表明,所提出的算法在少量监督信息的辅助下,在真实数据集上有较好的聚类效果.

加权欧氏距离法和模糊综合评价法在阳泉市主要河流水质评价中的比较分析

为对比加权欧氏距离法及模糊综合评价法在阳泉市7条主要河流水质评价中的优劣性,以2019年1月河流水质监测结果为依据,采用加权欧氏距离法和模糊综合评价法综合评价阳泉市地表水体环境质量。对比分析表明,模糊综合评价法采用评价标准的依据,会造成最终评价结果无法有效反映水体的实际状况;加权欧氏距离法在给出评价断面水质级别的同时,反映评价断面对于某一水质标准的贴近度及水质的变化趋势,评价结果显示的信息更加真实多元,在水质评价中的表现更加优良,可在水环境治理中更好地发挥作用。

模糊加权距离及其合理性讨论

本文提出的模糊加权距离,反映了模式识别与分类中每一样本的各个分量对“距离”贡献的差异性.这种差异性由本文定义的特征优势的概念所描述,而特征优势的概念则由模糊集理论导出并按照人们的思维方式所确定.本文还就新距离的合理性进行了讨论.实验结果及实用结果表明了新距离的优越性.

基于隶属度偏差加权的改进犹豫模糊距离测度及应用

针对两个犹豫模糊元中的隶属度个数不相等的问题,为减少采用单一悲观或者单一乐观补齐方案的主观随意性,文章首先提出能够全面考虑不同偏好决策者犹豫心理的元素补齐方案。然后根据犹豫模糊集中两个犹豫模糊元之间的隶属度差别定义了距离度量时每种补齐方案的权重系数,并将其应用到新提出的5种改进的犹豫模糊距离中,同时还推导出了这5种改进的广义犹豫模糊距离在参数λ取零和无穷大情况下的极限形式。最后,结合来自不同研究领域的专家给出的金融产品投资决策多源数据进行对比分析。结果表明,新方法不仅区分度好,而且在参数λ取不同值时取得了一致的决策结果,具有一定的应用价值。

加权犹豫三角模糊距离度量及其在群决策中的应用

对于犹豫三角模糊元中不同的元素作为隶属度的重要性不同,提出加权犹豫三角模糊元和加权犹豫三角模糊集的概念,研究了决策值为加权犹豫三角模糊元的群决策问题。首先,给出了加权犹豫三角模糊距离公式;其次,基于计算方便且不改变三角模糊数作为隶属度的重要性,提出一种对加权犹豫三角模糊元添加元素的方法;最后,提出加权犹豫三角模糊距离度量的群决策方法,并应用于加权犹豫三角模糊环境下的群决策。数值实例表明,加权犹豫三角模糊距离度量在群决策中具有合理性和可行性。

加权距离下模糊数的区间逼近

在加权L2距离意义下得到了模糊数的最近区间逼近。基于此,引入了最近区间逼近算子,并讨论了这个算子的基本性质,证明了算子关于加权L2距离Lipschitz连续,其Lipschitz常数为1。

n-直觉多边形模糊有序加权距离算子及其在绿色供应商评价中的应用

n-直觉多边形模糊集(n-intuitionistic polygonal fuzzy sets)是三角形直觉模糊集(TIFS)和梯形直觉模糊集(TRIFS)的扩展形式。针对决策信息为n-直觉多边形模糊集的多属性决策问题,提出了一种基于有序加权距离测度的多属性决策方法。在分析现有n-直觉多边形模糊集距离测度方法不足的基础上,首先概括了n-IPFSs的概念和运算法则;其次提出了n-直觉多边形模糊有序加权距离算子(n-IPFOWD),并给出了该测度的权重确定方法;最后提出了一种基于n-直觉多边形模糊有序加权距离算子(n-IPFOWD)的多属性决策方法,并用绿色供应商评价实例验证了该方法的可行性和有效性。

基于多维特征模糊加权的密集目标分选关联方法

针对密集目标的准确侦察需求,提出了一种基于多维特征模糊加权的分选关联方法。首先采用非线性欧式距离进行各维参数的隶属度度量,再将不同参数维度的隶属度通过权重进行模糊加权,并根据最终的加权隶属度大小进行分选关联。对中重频和高重频的不同场景仿真结果表明,所提方法可对电磁参数交叠的密集目标进行正确的分选关联,并且对算法参数设置不敏感,具备良好的鲁棒性。

加权犹豫模糊集的Lance距离测度及其应用

在多属性群决策过程中,犹豫模糊元中不同隶属度所占权重直接影响最终的评价结果。因此,提出一种基于加权犹豫模糊集的Lance距离多属性群决策方法。利用加权犹豫模糊集的熵构造属性信息权重的确定模型,给出加权犹豫模糊集的Lance距离的TOPSIS方法以及生成算法。通过流感疫苗供货商的选择,验证了该方法是可行的和有效的。

使用模糊加权距离的模糊K—近邻算法

本文用自定义的模糊加权距离代替K—近邻分类器中的明氏距离,这种替代突出了每一样本中占有优势的特征分量对距离的贡献。仿真实验及实用结果表明这种替换可进一步改善分类器的性能。

特征加权距离与软子空间学习相结合的文本聚类新方法

文本数据维数高、数据分布稀疏、不同类别的特征相互重叠,这为聚类分析提出了挑战.针对文本数据的这一特点,将特征加权技术与软子空间相结合,基于模糊聚类的算法框架,提出了一种适用于高维文本数据的软子空间模糊聚类新方法.首先,基于加权范数理论,提出了新的特征加权距离计算方法.接着,将其与软子空间学习的理论框架相结合,提出了面向模糊聚类的新的目标学习准则.通过向约束条件中引入熵指数r,从而扩展了模糊指数m的取值范围,并给出了物理解释.基于Zangwill收敛定理对算法的全局收敛性给出理论证明.实验表明,文中算法可以使软子空间学习和聚类分析同时进行,其性能比现有的相关算法有了较大的提高.

基于海明距离和TOPSIS的直觉模糊数排序法

基于直觉模糊数的海明距离,结合传统的TOPSIS思想,给出了直觉模糊数相对于最大直觉模糊数的贴近度公式,贴近度公式即为新的排序函数,新的排序函数能蕴含传统的得分函数和精确函数。基于新的排序指标,利用直觉模糊优先加权平均算子(IFPWA)算出其关联属性权重向量,进而计算各备选方案的集结结果,对最终的集结结果运用新的排序指标进行排序和择优。

基于改进遗传算法的加权模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法具有初始聚类中心敏感和容易陷入局部最优的问题,提出了一种基于改进遗传算法(GA)的加权模糊C均值聚类算法,采用高斯变异算子,提高了遗传算法在每个峰值附近的局部搜索能力,用基于复相关系数的加权欧式距离代替欧式距离,改进了FCM算法的聚类目标函数。用改进的算法对国际标准测试数据Iris进行测试,实验结果表明改进后的算法具有更好的稳定性和健壮性,提高了聚类的效果。