模糊集上局部散度测度的几种构造法

散度测度是度量模糊集的重要指标。首先给出了有限论域X上模糊集上散度测度和局部散度测度的定义,进而给出了局部散度测度的几个等价性条件,重点研究了局部散度测度的几种构造方法。

模糊熵,距离测度和散度测度(英文)

在模糊集的运算基础上,讨论如何用模糊熵定义模糊距离测度,并且研究了模糊距离测度和散度测度的关系。

基于χ~2分布的直觉模糊散度测度及其在推荐系统中的应用

直觉模糊集同时考虑了对象的隶属度、非隶属度和犹豫度,而散度则能够表示信息之间的差异程度.定义了一种基于χ^2分布的直觉模糊散度测度并讨论了其性质,结果可直接应用在多属性决策和推荐系统中.最后,通过算例验证了该方法的有效性和可操作性.

基于φ-散度的乘积多项抽样下对数线性模型的检验水平和功效(英文)

考虑了乘积多项抽样下的对数线性模型.在这个模型下,文献[Jin Y H,Wu Y H.Mini mumφ-divergence esti mator and hierarchical testing in log-linear models under product-multinomial sampling.Journal of Statistical Planning and Inference,2009,139:3 488-3 500]用基于-散度和最小-散度估计构造的统计量研究了几类假设检验问题,这其中就有嵌套假设.最小-散度估计是极大似然估计的推广.在上述文献的基础上,给出了其中一类检验的功效函数的渐近逼近公式;另外,还研究了在一列近邻假设下检验统计量的渐近分布.通过模拟研究发现,与Pearson型统计量和对数极大似然比统计量相比,Cressie-Read型检验统计量有差不多的甚至更好的模拟功效和水平.

基于概率转换函数与邓熵的关联分类融合算法

在信息高度冲突情况下,基于信度转移模型的关联二分类算法会出现分类精确率低、计算量大等问题。为解决这些问题,提出一种关联分类融合算法。由类关联规则的置信度构造基本概率指派函数,给出分类规则;基于Pignistic概率转换函数重构邓熵,结合PPT散度优化分类规则;通过解决概率转换函数的高冲突,使证据的高冲突问题得到有效改善,实验结果验证了这一点。实验结果还表明,分类准确性得到有效提升,与BJS散度等信度转移模型相比,计算量显著降低。