二维区间密度加权算子及其应用

针对不确定多属性决策中的属性信息分布不均匀,且评价信息多数为二维信息的情况,本文提出了二维区间密度加权算子(TDIDW算子)的属性信息集结方法.依据密度算子的集结过程特点,文章首先定义了二维区间密度加权算子及其合成算子,然后介绍了基于灰色区间聚类法的评价信息分组方法以及基于非线性模型的密度加权向量确定方法,最后进行了算例验证.验证结果表明,该方法可以有效地解决由于属性信息分布不均匀而导致评价结果不准确的问题.     

基于改进的粗糙集条件信息熵和灰关联投影法的工程项目投标决策研究

投标决策是建筑企业面临的一大难题.在分析建设工程投标风险因素的基础上,提出一种基于改进的粗糙集条件信息熵和灰关联投影法的投标决策方法.文中投标风险因素的客观权重经两次修正,更具全面性和合理性;然后结合依靠专家经验确定的主观权重得到综合权重;最后将综合权重应用于灰关联投影法进行投标决策.通过应用实例,验证决策方法的可操作性和合理性,为承包商实际的投标工作提供一定的借鉴和参考.     

N(2,2,0)代数的(∈,∈Vq_(λ,μ))-模糊关联理想若干性质

对N(2,2,0)代数(∈,∈∨q_((λ,μ)))-模糊关联理想若干性质进行了详细的研究.首先,运用点态化的方法证明了(∈,∈∨q_((λ,μ)))-模糊关联理想的同态像与同态原像的基本性质;其次,研究了(∈,∈∨q_((λ,μ)))-模糊关联理想的直积;最后,讨论了(∈,∈∨q_((λ,μ)))-模糊关联理想的直积的投影子集.     

基于时间序列与灰色拓扑的春节火灾损失预测

火灾每年给中国带来了巨大的损失,春节期间的火灾损失更是严重.根据1999-2010年春节期间火灾统计资料,火灾四项指标数据具有时序性以及随机波动性、模糊性.运用时间序列与灰色拓扑预测方法相结合预测春节期间火灾发生规律,且预测出未来3年内的火灾发生情况.结果表明,时间序列预测模型的平均绝对误差较小,且所建立的灰色拓扑预测模型的拟合精度都达到"好"的标准.因此,采用时间序列与灰色拓扑预测模型相结合对春节火灾发生情况进行预测,其结果合理可靠,可供理论研究和消防部门做出相应的预防措施参考,以达到有效控制和预防春节火灾的目的.     

西藏林芝地区城镇居民消费支出的G(1,1)模型预测及其影响因素的关联度分析

利用2006—2012年林芝地区城镇居民人均生活消费支出数据为研究对象,应用灰色系统理论建立了林芝地区城镇居民消费的G(1,1)预测模型,对其未来几年的人均生活消费进行预测,分析得出:在未来五年中林芝地区城镇居民人均生活消费支出呈现攀升的态势,平均年增长率预计达到7.93%.并运用灰色关联分析方法对影响林芝地区城镇居民消费支出的主要因素进行系统分析,确定了各因素相对于消费支出的关联程度.     

主客观组合赋权的灰色决策模型及其在消费者决策中的运用

现实中许多抽象系统的数值并不能精确地得到,在多属性决策过程中,其属性值多以模糊数或者区间灰数的形式表示,属性权重也受到主观因素和客观因素的影响,针对此类问题,以属性值为区间灰数的多属性决策问题为出发点,采用主客观结合的赋权方式,提出了基于区间距离的灰色相对关联度分析方法,构建了灰色决策模型,并通过消费者决策实例进行了分析,模型是对传统灰色决策模型的拓展,具有更广泛的应用性和实用性.     

基于灰色关联度—TOPSIS的县域经济社会发展综合评价研究

选择经济发展,社会发展,资源、生态环境三个层面,构建了体现科学发展观要求的县域经济社会发展综合评价指标体系.用客观赋权的熵值法确定各指标权重,结合灰色关联度和TOPSIS建立了综合评价模型,并对烟台市8个县市的经济社会发展状况进行实证分析.     

色谱灰色数模的建立及应用研究（Ⅳ）：CGM（1,1,N）模型的 …

应用灰色系统理论，推导出灰色Ｎ参数模型ＣＧＭ（１，１，Ｎ），突破了现有单参数灰色模型的局限性，并用该模型讨论了色谱保留值与分子结构参数间绎烷基苯的同分异构体色谱保留值及疏水性参数进行了预测，经实例验证，其预测精度较单参数灰色模型高，这为溶质保留行为的预测提供了一个实用方法，同时也拓宽了灰色模型的应用范围。     

一类改进的灰色预测模型及其应用

通过将GM(1,1)模型中的灰色作用量改为动态形式,并利用最小二乘法确定时间响应函数中的常数c以及采用新陈代谢的思想,提出了一种改进的灰色预测模型.实例分析表明:改进模型在预测精度和实用性上均有较大改善,从而拓宽了灰色预测模型的适用范围.     

灰色理论和BP神经网络在大学生就业信心指数预测中的应用

采用大学生就业信心指数来分析预测其就业信心是值得研究的问题.提出一种灰色理论和BP神经网络相结合的方法对大学生就业信心指数进行预测.首先对影响就业信心的主要因素建立不同的灰色模型,然后将每个灰色模型的预测值作为神经网络的输入,利用神经网络进行组合预测以作为其最终的预测值.结果表明组合模型的预测值相对误差更小,精度更高.