基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法:FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM)算法。

基于模糊Fisher准则的半模糊聚类算法

该文针对线性可分数据提出一种鲁棒的基于模糊Fisher准则的半模糊聚类算法FFC-SFCA。FFC-SFCA通过模糊化散布矩阵,将模糊理论引入Fisher判别方法,通过对模糊Fisher准则函数迭代优化实现聚类。FFC-SFCA的优势在于具有很好的鲁棒性且可以获得可分性好的聚类结果,同时,可以求得最优鉴别矢量和分类阈值。实验证实了FFC-SFCA的有效性以及对两个常规聚类算法的优越性。

基于中心偏移的Fisher score与直觉邻域模糊熵的多标记特征选择

现有多标记Fisher score模型中边缘样本会影响算法分类效果。鉴于邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势,文中提出了一种基于中心偏移的Fisher score与邻域直觉模糊熵的多标记特征选择方法。首先,根据标记将多标记论域划分为多个样本集,计算样本集的特征均值作为标记下样本的原始中心点,以最远样本的距离乘以距离系数,去除边缘样本集,定义了新的有效样本集,计算中心偏移处理后的标记下每个特征的得分以及标记集的特征得分,进而建立了基于中心偏移的多标记Fisher score模型,预处理多标记数据。然后,引入多标记分类间隔作为自适应模糊邻域半径参数,定义了模糊邻域相似关系和模糊邻域粒,由此构造了多标记模糊邻域粗糙集的上、下近似集;在此基础上提出了多标记邻域粗糙直觉隶属度函数和非隶属度函数,定义了多标记邻域直觉模糊熵。最后,给出了特征的外部和内部重要度的计算公式,设计了基于邻域直觉模糊熵的多标记特征选择算法,筛选出最优特征子集。在多标记K近邻分类器下、9个多标记数据集上的实验结果表明,所提算法选择的最优子集具有良好的分类性能。

基于多准则直觉模糊的服装企业绿色供应商选择

在“双碳”背景下,服装企业由于其原料和生产工艺特点,更需要注重绿色环保,但目前服装企业在供应商选择中少有考虑这些因素。为此,基于绿色供应链管理,在供应商选择评价准则中设计绿色评价准则,并根据准则的语言变量特性,采用直觉模糊环境下的多准则妥协解排序(VIKOR)决策方法选择最优供应商。基于偏好度不同重新设计决策者权重的信任函数计算方法,使得不同类决策者评价对整体评价的作用更加合理。实例分析、敏感性分析以及逼近理想解排序(TOPSIS)方法对比分析表明,该方法能有效地实现服装企业绿色供应商优选。

基于毕达哥拉斯模糊VIKOR的多准则群决策方法

针对复杂不确定性环境下VIKOR多准则群决策方法存在的问题,提出一种毕达哥拉斯模糊VIKOR法。首先,将决策信息转化为毕达哥拉斯模糊数(PFN),并采用毕达哥拉斯模糊交叉影响有序加权平均算子(PFIOWA)对专家评价信息进行集结。在此基础上,基于G1-CRITIC主客观相结合的组合赋权法计算准则权重,并利用毕达哥拉斯模糊VIKOR法评价。最后,以公路货运企业服务质量评价为例进行案例应用,并与TOPSIS法对比分析,验证本方法的可行性和有效性。

基于多特征融合与Fisher准则的遥感场景图像分类

提出一种基于多特征融合的Fisher准则分类方法,将提取到的卷积神经网络特征、图像纹理的局部二值模式、方向梯度直方图特征及颜色特征、颜色矩进行有效融合,使其在高维空间上线性可分,利用线性分类器Fisher对特征模型的参数进行微调获得分类结果.将该模型应用于数据集UCM进行测试,与其他分类方法相比,准确率均有所提升;与深度卷积网络GoogLeNet相比准确率提升1.5%.为保证该模型的泛用性,于AID数据集上进行进一步实验,结果验证了该模型的有效性.

模糊赋权-TOPSIS在流域盆地洪泛区洪水风险测度中的应用

沿海沿河流低洼地区洪涝频发、损失严重,严重影响流域公共安全,有效识别流域盆地洪泛区内的洪水风险分布至关重要。传统基于单一多准则决策方法的风险测度模型无法兼顾决策者的有效经验和决策的客观合理性,同时计算所得的绝对洪水风险值无法准确识别潜在洪水风险。为解决这一问题,提出了一种优化的集成模型,以澳大利亚乔治河流域洪泛区为例开展洪水风险测度研究。从危险性、暴露度和脆弱性三个维度选取12个风险指标,采用模糊逻辑改进的三角模糊层次分析法优化权重计算过程、集成接近理想点法中相对邻近度的概念完成相对洪水风险测度,最后可视化分析了洪水风险的空间分布状况。结果表明,集成模型识别出的中等及以上风险区比单一三角模糊层次分析法多17.1%,比接近理想点法多15.7%,在识别洪泛区潜在风险上表现更优。利用历史灾情验证集证明了模型的优越性。该研究框架可为流域洪泛区的防灾策略制定提供决策支持。

基于Fisher score与模糊邻域熵的多标记特征选择算法

针对Fisher score未充分考虑特征与标记以及标记之间的相关性,以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性,导致算法分类性能偏低等问题,提出一种基于Fisher score与模糊邻域熵的多标记特征选择算法(MLFSF)。首先,利用最大信息系数(MIC)衡量特征与标记之间的关联程度,构建特征与标记关系矩阵;基于修正余弦相似度定义标记关系矩阵,分析标记之间的相关性。其次,给出一种二阶策略获得多个二阶标记关系组,以此重新划分多标记论域;通过增强标记之间的强相关性和削弱标记之间的弱相关性得到每个特征的得分,进而改进Fisher score模型,对多标记数据进行预处理。再次,引入多标记分类间隔,定义自适应邻域半径和邻域类并构造了上、下近似集;在此基础上提出了多标记粗糙隶属度函数,将多标记邻域粗糙集映射到模糊集,基于多标记模糊邻域给出了上、下近似集以及多标记模糊邻域粗糙集模型,由此定义模糊邻域熵和多标记模糊邻域熵,有效度量边界域的不确定性。最后,设计基于二阶标记相关性的多标记Fisher score特征选择算法(MFSLC),从而构建MLFSF。在多标记K近邻(MLKNN)分类器下11个多标记数据集上的实验结果表明,相较于ReliefF多标记特征选择(MFSR)等6种先进算法,MLFSF的平均分类精度(AP)的均值提高了2.47~6.66个百分点;同时,在多数数据集上,MLFSF在5个评价指标上均能取得最优值。

基于加权Fisher模糊判别准则的真彩色影像分类方法研究

针对Fisher判别分类中,选取样本不平衡导致Fisher线性判别性能下降,提出了加权Fisher判别对类内散布矩阵进行修正的方法.同时,针对Fisher判别准则为阈值分类器,引入了一种新的Fisher模糊判别准则.该方法应用于无人机真彩色影像的道路、植被、裸土地分类,取得了较好的分类结果.并与传统Fisher方法进行了对比研究,实验结果表明,基于加权Fisher模糊判别方法比传统Fisher方法的分类性能明显提高.

基于多准则决策方法的作战方案优选方法

作战方案评估优选的过程往往存在主观性过强和忽略指标间内部关联关系等问题,这些问题会对作战决策的结果产生一定影响。针对作战决策中作战方案优选的问题,通过结合最优最劣法(BWM)、基于指标相关性的指标权重(CRITIC)确定法、多准则优化妥协决策(VIKOR)和梯形模糊数,提出一种用于作战方案评估优选的决策方法。首先,根据作战方案核心要素构建评估指标体系。然后,综合运用模糊BWM和基于距离相关系数的CRITIC为评估指标综合赋权,根据指标的组合权重信息和评价信息通过VIKOR法对各候选方案进行优选排序。最后,应用该方法解决了防御作战方案优选的实际问题,并通过对比分析和讨论,验证了该文所提作战方案优选决策方法的有效性。

指数保费准则下存在模糊厌恶的最优分红策略

在经典风险模型的基础上,考虑指数保费准则下的分红模型,研究当模型存在模糊性时的最优分红问题.假设分红策略是一个壁垒策略,且仅与盈余过程有关,利用扩散模型逼近经典风险模型,并利用动态规划原理得到了Hamilton-Jacobi-Bellman(HJB)方程,进而得到模型存在模糊性时的值函数表达式及最优分红边界.通过数值算例给出模糊厌恶系数和风险厌恶系数对最优分红边界的影响.

基于Fisher标签字典学习的齿轮箱故障诊断方法研究

齿轮箱结构复杂,工作环境恶劣,导致难以有效诊断其故障。传统稀疏表示方法缺乏对字典原子和稀疏编码的约束,不能体现出信号的结构特性。提出Fisher标签字典学习算法。首先构建Fisher约束项,学习样本的类内和类间特征;然后引入样本标签信息,构建标签约束项,将样本标签与每个字典原子相关联;最后采用最优方向法实现误差最小化,字典与稀疏编码交替更新,提高字典学习的识别率。通过实验数据对比分析,该方法在稀疏编码、原子聚类等方面均优于传统稀疏表示方法,可对齿轮箱故障进行有效诊断。

毕达哥拉斯犹豫模糊集多属性决策研究

针对属性间相互关联,评价信息为毕达哥拉斯犹豫模糊信息的多属性决策问题,首先通过研究犹豫度对决策结果的影响,提出一种新的毕达哥拉斯犹豫模糊集得分函数,解决了现有得分函数中存在的不足。其次,提出一种最小公倍数规范化原则,解决了现有方法容易引入误差的缺陷。最后,针对属性关联的多属性决策问题,基于λ-模糊测度与Choquet积分,提出了一种拓展交互式多准则决策(interative multi-criteria decision-making,TODIM)方法,既解决了属性关联的问题,又通过前景理论反映了决策者的心理行为特征。实例分析与敏感性分析验证了所提算法的正确性与有效性。

基于Hough变换和Fisher准则的垄线识别算法

为了提高农业机械自主作业视觉导航的精度,基于田间作物垄行的特点,首先选择作物的绿色为特征提取垄行结构;然后针对Hough变换原理提取垄线存在的问题,根据垄线点空间关系,运用Fisher准则函数进行反压缩处理,并将Fisher准则函数值作为垄线样本点疏密程度和方向势大小的度量,优化了Hough变换识别多垄线的条件,得出了多垄识别统一模型。试验结果表明,作物垄线定位的准确性、适应性均得到提高,而且能够避免较大面积杂草等影响,从而克服了传统Hough变换提取多垄线的不足,对农田机器视觉导航应用具有一定参考价值。

基于混淆矩阵和Fisher准则构造层次化分类器

构造层次化分类器的首要环节是确定各个子分类器的层属关系及其内部组成.从模式间的相似关系入手,实现了一种自动产生层次化分类器结构的方法.为了描述模式间的相似关系,首先提出利用混淆矩阵度量相似性的思路与方法,避免了现有常用度量方法计算量大、假设条件难以成立的不足.进而遵循Fisher准则,设计并实现了模式相似关系分析机(patterns’similarityrelationshipanalyzingmachine,简称PSRAM),将有师指派和无师自组两种常用的模式重组方法有机结合起来,自适应地产生层次化分类器结构.大量测试证实,该方法有效、实用,可以显著地提高分类器的识别性能和稳健性.

基于突变理论与模糊集的复杂系统多准则决策

针对复杂系统的多准则决策通常具有模糊性和突变理论适合处理具有矛盾性的多准则决策问题的特点,提出了基于突变理论和模糊集的方法对多准则决策问题进行分析建模,并对该方法的灵敏度进行了分析。该方法利用归一公式机理本身来确定各指标对各目标重要性的确定性量化,因而不需要额外考虑指标间的主观权重,所以能够较好地处理复杂系统决策的模糊性。给出了应用改方法的具体步骤,并以一个导弹选型决策问题实例验证了该方法的合理性和可行性。

一种基于Fisher鉴别极小准则的特征提取方法

特征提取是模式识别研究领域的一个热点.为了更好地解决人脸识别中的特征提取问题,定义了一种新的基于Fisher鉴别极小准则的特征提取方法,并且提出了类间散布矩阵零空间的概念,解决了先前Fisher线性变换方法中的最终特征维数受类别数的限制.在人脸数据库上的实验结果验证了该算法的有效性.

基于区间值Vague集的多准则模糊决策方法

给出i-v V ague集的含糊度定义,将实数型V ague集群决策的记分函数方法扩展到区间值V ague集上,用实例比较各种记分函数方法的优缺点.然后给出两种改进的记分函数法和加权记分函数法,并通过例子阐明改进方法的有效性和优越性.

基于Fisher准则的多特征融合

阐述了单个特征向量及其鉴别矢量与模式可分性的关系最佳鉴别矢量使模式关于该特征具有最大的可分性。给出了多特征融合的一,种方法,它综合考查了模式对不同的特征、不同的鉴别矢量的可分性,由多个特征经融合产生的新特征吸收了单个特征的对模式分类的优势。手写体汉字的识别试验验证了所给方法的有效性。

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.