区间直觉犹豫模糊集的两种相似测度及其在模式识别中的应用

模糊集的相似测度是模糊集理论的重要组成部分之一,有着广泛的应用.首先给出了基于隶属度、非隶属度和犹豫度的区间直觉犹豫模糊集的标准海明距离、标准欧氏距离、广义标准海明距离公式以及它们的加权距离公式.然后提出了基于距离的区间直觉犹豫模糊集相似测度和区间直觉犹豫模糊集的余弦相似度,并给出了公理化证明.两种相似测度均包含了区间直觉犹豫模糊集的隶属度、非隶属度和犹豫度.最后将这两种相似测度应用到基于区间直觉犹豫模糊信息的模式识别中.     

基于直觉犹豫模糊集的TOPSIS法

直觉犹豫模糊集集成了直觉模糊集和犹豫模糊集的优势,能更有效地刻画决策者偏好不一致的情况。距离测度一直是研究的热点问题,但尚没有文献研究直觉犹豫模糊集间的距离测度,因此本文定义了直觉犹豫模糊集间的Hamming距离、Euclidean距离和广义距离,同时考虑每个元素的权重,定义了加权距离。犹豫度是直觉犹豫模糊集的重要特性,因此在考虑犹豫度的基础上,又定义了一些距离测度。这些距离测度不仅考虑了直觉犹豫模糊数间的差异,同时考虑了犹豫度的影响,决策者可以根据对直觉犹豫模糊数和犹豫度之间偏好的不同,设置不同的偏好值得到距离测度。然后基于这些距离测度,又提出了直觉犹豫模糊环境下的TOPSIS法。最后通过实例说明了所提出的TOPSIS法的合理性与实用性。     

区间灰数直觉模糊集及其G-TOPSIS模糊多属性决策方法

提出以区间灰数为隶属度、非隶属度和犹豫度的区间灰数直觉模糊集概念,定义了两个区间灰数直觉模糊集之间的距离.对于以灰直觉模糊数为属性值的模糊多属性决策,依据经典TOPSIS准则,提出了基于区间灰数直觉模糊集的模糊多属性决策方法G-TOPSIS.其包含两种方法:一是将区间灰数白化后,按直觉模糊集的TOPSIS方法进行;一是基于区间灰数直觉模糊距离的TOPSIS方法.示例分析表明了两种方法的有效性与一致性.     

基于“直觉模糊集的距离测度”的联想

直觉模糊集不同于模糊集的最重要指标是犹豫度.在直觉模糊集的距离定义和公式中应突出体现犹豫度;在直觉模糊集的距离定义中也应包含经典距离的性质—三角不等式.基于论文"直觉模糊集的距离测度",提出直觉模糊集的新距离定义和新公式.应用实例表明,新提出的直觉模糊集的距离公式是实用的.     

毕达哥拉斯模糊软集的相似性测度及其应用

直觉模糊软集不能处理隶属度与非隶属度之和大于1的情况,且现有的直觉模糊软集的相似性测度只考虑了隶属度与非隶属度,忽视了犹豫度。针对以上问题,本文提出了一种基于隶属度、非隶属度以及犹豫度三个参数的毕达哥拉斯模糊软集的相似性测度和加权相似性测度。在为加权相似性测度的权重取值时,本文基于现有文献中直觉模糊熵存在的缺陷建立一种改进的直觉模糊熵,利用熵权法计算权重。分别讨论两相似性测度公式的性质,最后将两相似性侧度公式应用在建筑材料的模式识别问题中。     

直觉模糊集的距离测度

直觉模糊集的距离测度是两个直觉模糊集差异性大小的度量,许多学者围绕其公理化定义和具体表达公式做了大量的工作,并且被广泛应用在多属性决策、模式识别等许多方面。基于直觉模糊集距离测度的公理化定义,本文对一些学者提出的距离测度公式进行了探讨,并给出了几种一般化构造形式。     

基于区间值对偶犹豫模糊集的多属性决策方法

基于区间值对偶犹豫模糊集的基本定义,提出了区间值对偶犹豫模糊熵与相似性测度的概念。给出了区间值对偶犹豫模糊熵的定义及公式,在此基础上构造了熵权重模型;由距离与相似性测度的关系给出三种区间值对偶犹豫模糊集的距离公式。由此基于区间值对偶犹豫模糊集的熵和相似性测度提出一种新的区间值对偶犹豫模糊集的决策方法。最终给出此方法的计算步骤,通过实例验证该方法的有效性。     

基于区间值直觉模糊集的TOPSIS多属性决策

基于区间值直觉模糊集,提出了一种新的TOPSIS模糊多属性决策方法。首先介绍区间直觉模糊集的概念,定义了两个区间值直觉模糊集之间的距离;然后根据TOPSIS方法的原理,定义了两个区间值直觉模糊集的接近系数,通过计算备选方案到区间值直觉模糊正理想解和负理想解的距离来确定接近系数,从而判断备选方案的优劣次序。最后,通过一个具体实例来说明这种方法的有效性和具体计算过程。     

直觉模糊集之间的距离测度

介绍了直觉模糊集之间距离测度公理化的定义,引入了一些新的距离测度并给出了这些距离测度性质的证明.讨论了相似测度与距离测度之间的关系.最后,指出直觉模糊集距离测度在模式识别中的应用.     

基于深度学习的直觉模糊集隶属度确定方法

直觉模糊集隶属度、非隶属度和犹豫度的确定方法是直觉模糊集理论与应用研究中一个十分重要的问题,其直接影响着相关方法的可扩展性及应用结果。然而,现有方法存在主观性强、标准难以统一等问题,并且大多基于模拟数据进行实验,难以应用至实际数据。针对上述问题以及大规模非结构化数据,提出一种基于深度学习的直觉模糊集隶属度、非隶属度和犹豫度确定方法。新方法克服了传统方法的技术和思维局限,拓展了直觉模糊集相关问题的研究思路,为其实际应用提供了更多可能。