直觉Fuzzifying拓扑空间的闭包算子

利用L*-格值上的Lukasiewicz蕴含算子,讨论直觉Fuzzifying拓扑空间的闭包算子。首先给出了直觉Fuzzifying拓扑空间中闭包度的概念及其相关性质,其次定义直觉Fuzzifying拓扑空间的闭包算子,最后证明了拓扑的直觉Fuzzifying闭包算子Icl等价于从直觉Fuzzifying闭包算子Icl出发得到一个直觉Fuzzifying拓扑Iτ定义的闭包算子Icl。

基于自适应邻域空间粗糙集模型的直觉模糊熵特征选择

特征选择是数据预处理中一项很重要的技术,主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度,从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中,由于没有考虑数据分布不均的问题,对象的邻域存在一定的缺陷.为了解决这个问题,采用方差来度量数据的分布情况,重新定义二元邻域空间,基于此提出自适应二元邻域空间的粗糙集模型,并将该模型与邻域直觉模糊熵结合作为特征评估的方式,进而构造相应的特征选择算法.UCI实验结果表明:所提出的算法能够选出更小且具有更高分类精度的特征子集,同时算法拥有更少的时间消耗.因此所提的特征选择算法具有更强的优越性.

基于核空间的加权邻域约束直觉模糊聚类算法

该文针对直觉模糊聚类算法不考虑空间邻域信息的缺点,提出一种基于核空间和加权邻域约束的直觉模糊C均值聚类算法。该算法首先在直觉模糊C均值(Intuitionistic Fuzzy C-Means,IFCM)算法的基础上加入空间邻域约束关系,且赋予邻域内每个点不同的权重;接着采用核诱导函数代替欧氏距离计算各点到聚类中心的距离;然后创建包含邻域信息的新的目标函数,最优化该目标函数得到新的隶属度及聚类中心的迭代表达式。利用所提出的新算法与同类聚类算法及基于显著过渡区域的二值化算法进行图像分割,并对结果进行定量分析后可知,所提出的算法最高能够得到0.9776的F度量值。实验结果表明新算法性能稳定并且具有较高的分割精度。

隶属度修正的空间核直觉模糊聚类苗族服饰图案分割

针对直觉模糊聚类算法未考虑空间邻域信息的问题,提出一种隶属度修正的空间核直觉模糊聚类苗族服饰图案分割算法。首先,在直觉模糊C均值(Intuitionistic Fuzzy C-Means,IFCM)算法的目标函数中加入隶属度约束惩罚项,降低算法的计算复杂度;其次,使用核距离替代欧式距离,重新计算像素点到聚类中心的距离,提升算法的鲁棒性;最后,考虑空间邻域信息,对邻域内的像素点赋予不同的权重来修正隶属度函数,从而完成图像分割。实验结果表明,在含噪声的苗族服饰图案数据集中,所提算法的划分系数和划分熵为95.49%和7.44%;在彩色苗族服饰图案数据集中,所提算法的划分系数和划分熵为97.91%和3.42%,均优于其他对比算法,且提高了核函数的运行效率。

直觉Fuzzifying拓扑:邻域系

引入了一种新型的直觉模糊拓扑并研究了其邻域系.这种拓扑可以看做Ying[8]中的Fuzzifying拓扑的自然的推广,因而称之为直觉Fuzzifying拓扑.

直觉Fuzzifying拓扑空间的子空间

直觉Fuzzifying拓扑是Fuzzifying拓扑的自然推广,是模糊拓扑学的重要分支.研究了直觉Fuzzifying拓扑的子空间理论,特别是内部算子和闭包算子理论.

直觉Fuzzifying拓扑的Moore-Smith收敛理论

以滤子和网为工具研究了直觉Fuzzifying拓扑的Moore-Smith收敛理论.

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。

IFYTOP同构于IFYNS

首先引入了直觉Fuzzifying邻域系和直觉Fuzzifying邻域空间的概念,进而证明了直觉Puzzifying邻域空间范畴IFYNS同构于直觉Fuzzifying拓扑空间范畴IFYTOP.