基于双重模糊模拟的直觉模糊向量关联规则挖掘

针对传统模糊关联规则挖掘方法在原始决策表和挖掘算法方面的不足,提出基于双重模糊模拟的直觉模糊向量关联规则挖掘方法。原始决策表方面,传统模糊关联规则挖掘在表达决策者犹豫程度及自然语言多维度属性方面存在不足,故采用直觉模糊集组成的直觉模糊向量作为基本元素构建原始决策表。考虑决策者惯用自然语言的特点,引入双重模糊思想对传统直觉模糊集进行改进,并采用模糊集表达犹豫度。挖掘算法方面,直觉模糊向量关联规则挖掘存在两个难点,一是由于原始决策表的基本元素为向量,维度较大,导致挖掘效率低;二是现有挖掘算法中使用规则支持度和置信度,无法集成直觉模糊集中决策者的犹豫度。由此,提出了双层关联规则挖掘方法框架。底层关联规则挖掘方法为顶层关联规则挖掘提供内部关联规则,通过两次关联规则挖掘降低原始决策表的维度。引入双重模糊向量表达直觉模糊集的犹豫度,以双重模糊变量的期望值估算关联规则的支持度,在关联规则挖掘过程集成了犹豫度。以裸眼3D片源设计与制作中画面布局的决策过程为例,验证了所提方法的可行性和有效性。

直觉模糊支持向量机

传统的模糊支持向量机难以区分具有相同隶属度的稀疏样本点和稠密样本点,进而可能降低分类精度.为了解决此类问题,利用直觉模糊集和模糊支持向量机,构建了直觉模糊支持向量机.仿真实验结果表明:与传统的支持向量机和模糊支持向量机相比,直觉模糊支持向量机的分类结果更精确.

直觉模糊向量β覆盖L粗糙集

直觉模糊覆盖粗糙集作为模糊粗糙集的一类推广,自提出以来就备受关注。为了更好的刻画直觉模糊环境中的目标概念,同时兼顾不同对象容错能力的差异性,本文提出了直觉模糊向量β覆盖L粗糙集,讨论了它们的相关性质、不确定性度量及其属性约简方法。首先研究了直觉模糊向量β覆盖及其邻域的相关特征。其次在直觉模糊β覆盖粗糙集的基础上给出了直觉模糊β覆盖L-1粗糙集,讨论了二者之间的联系。在直觉模糊向量β邻域的基础上,定义了直觉模糊向量β覆盖L-2粗糙集,探讨了其相关性质并讨论了它和其它模型之间的相关联系。最后研究了模型相关的直觉模糊粗糙性、相似性、辨识性度量等不确定性刻画方式,并给出相关属性约简算法。通过例子验证了模型的有效性与适用性。结论表明,就已有的直觉模糊β覆盖粗糙集而言,直觉模糊β覆盖L-1粗糙集与目标概念之间具有更高的相似性;直觉模糊向量β覆盖L-2粗糙集具有更好的适用性,并在一定的程度上具有更高的精确度。

直觉语义决策模型应用于区块链风险投资

为了全面且精确地表达和处理复杂风险投资决策问题中的评价信息,构建了直觉模糊语义决策模型,并将其应用于区块链风险投资过程。首先,给出了直觉模糊语义互补判断矩阵(IFLCJM)的加性一致性概念,并建立了加性一致性IFLCJM与规范化直觉模糊权重向量之间的转化关系;其次,构造最优化模型计算IFLCJM与其完全加性一致性IFLCJM之间的差距,并以此来衡量IFLCJM的一致性水平;最后,设计了基于一致性提升算法的直觉模糊语义决策模型,并将其应用于区块链风险投资问题,结果验证了模型的合理性和可靠性。