基于极大模糊熵原理的模糊推理反向三Ⅰ算法

提出了用模糊熵来度量反向三Ⅰ模糊推理结果的模糊程度,给出了模糊熵反向三Ⅰ原则,讨论了FMP和FMT问题的模糊熵反向三Ⅰ支持算法解存在的条件,分别给出了几个常见蕴涵算子的FMP问题与FMT问题的模糊熵反向三Ⅰ解的计算公式.     

基于含参量蕴涵算子的三I算法

针对王国俊教授提出的系统中的蕴涵算子给出FMP问题的三I算法、反向三I算法计算公式和FMT问题的三I算法、反向三I算法计算公式,并在此基础上提出了一定条件下的双向三I算法。     

模糊推理SIS算法的统一形式及其还原性

模糊推理是模糊控制的核心问题,还原性则是评价模糊推理算法好坏的重要标准之一。在正则蕴涵算子的统一框架下,给出了基于模糊推理SIS(subsethood infer subsethood)算法的模糊取式(fuzzy modus ponens,FMP)问题解的统一表达式;基于SIS算法为模糊拒取式(fuzzy modus tollens,FMT)问题提出了一种改进的求解原则,并给出了FMT问题解的统一形式;证明了SIS FMP算法和SIS FMT算法均满足无条件还原性,讨论了FMP问题及FMT问题基于SIS算法的λ-水平解。该算法将为模糊控制领域提供更多可供选择的模糊推理方法。     

基于蕴涵算子族NM_P的反向三I支持算法

给出了蕴涵算子族NMP的FMP问题的反向三I算法的上确界计算公式和FMT问题的反向三I算法的下确界计算公式,并进一步得到了其一般化的α-反向三I算法的FMP(FMT)上(下)确界的计算公式。     

L_n*系统中α-反向FMP和α-反向FMT问题的解

提出了α-反向FMP、多重α-反向FMP,以及α-反向FMT和多重α-反向FMT问题。通过在F(S)中引入一个预序,在L_n~*系统中,给出了上述问题的解。并说明了这些解从形式上和α-反向三I算法的结果一致,从而在逻辑系统L_n~*中建立了反向三I算法的形式化推理机制。     

基于蕴涵算子L-λ-0-λ-G的模糊推理的三I算法

研究了基于蕴涵算子L-λ-0-λ-G模糊推理的FMP三I支持算法,给出了FMP模型和FMT模型的三I算法的计算公式。     

基于含参量蕴涵算子的三Ⅰ算法

针对王国俊教授提出的系统中的蕴涵算子给出FMP问题的三Ⅰ算法、反向三Ⅰ算法计算公式和FMT问题的三Ⅰ算法、反向三Ⅰ算法计算公式,并在此基础上提出了一定条件下的双向三Ⅰ算法.     

基于蕴涵算子L-λ-0-λ-G的模糊推理的三I算法

研究了基于蕴涵算子L-λ-0-λ-G模糊推理的FMP三I支持算法,给出了FMP模型和FMT模型的三I算法的计算公式。     

基于L~*和Luk逻辑系统的反向三I算法的统一形式

三I算法是模糊推理的FMP和FMT模型的有效的算法,反三I支持算法为设计模糊推理规则提出了一个新思路。讨论了基于L*和Luk逻辑系统的反向三I推理,并给出推理算法的统一形式。     

改进的犹豫模糊语言熵的一般公式与生成算法

由于现有的扩展犹豫模糊语言术语集的熵无法区分与补集相等的扩展犹豫模糊语言术语集的不确定性，并且对犹豫模糊语言信息中的犹豫性考虑得相对较少，无法全面地反映犹豫模糊语言信息的不确定性。改进了扩展犹豫模糊语言术语集的熵的定义，从模糊性和犹豫性两方面刻画了扩展犹豫模糊语言术语集的不确定性，分别定义了扩展犹豫模糊语言术语集的模糊熵和犹豫熵，给出了模糊熵和犹豫熵的一般公式与生成算法。定义了一个扩展犹豫模糊语言术语集的总熵，给出了总熵的一般公式。最后给出了一个基于犹豫模糊语言熵的高校教授晋升优选评估的多属性决策算例，通过比较分析说明了决策方法的可行性与有效性。     

基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了 FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.     

剩余型直觉模糊推理的反向三I方法

提出直觉模糊取式(IFMP)和直觉模糊拒取式(IFMT)问题的直觉模糊推理的反向三I原则、反向α-三I原则和反向三I约束原则.针对剩余型直觉模糊蕴涵算子,给出IFMP、IFMT问题的直觉模糊推理的反向三I算法、反向α-三I算法及反向三I约束算法求解的计算公式和分解形式,指出这些算法都是相应模糊集情形下的推广,讨论IFMP、IFMT问题的直觉模糊推理的反向三I算法的还原性.     

Vague集的新模糊熵

本文指出了现有Vague集模糊熵定义的不足,分析了其存在不足的根本原因,给出了Vague集模糊熵的公理化定义,提出了一种新的Vague集模糊熵的计算方法,并证明了其合理性和有效性。     

基于极大模糊熵原理的模糊产生式规则中的权重获取方法研究

模糊产生式规则（IF-THEN规则）是不确定性知识表示的一种最基本的最常用的形式，在模糊规则中引入权重，能增强模糊规则对待分类示例的泛化能力．模糊产生式规则的一项重要研究工作就是权重如何获取．目前常用的权重获取准则是依据于训练精度的提高，这种方法的明显不足就是会引起过度拟合．因此，提出了一种新的基于极大模糊熵原理的权重获取准则．在保证不降低训练精度的前提下，调整权重来极大化训练集的模糊熵，能有效提高测试精度．新的权重获取策略有效解决了过度拟合问题，同时提高了测试精度．     

一种基于模糊熵的模糊分类算法

在模糊ID3算法中,用模糊分类熵选择扩展属性,以自顶向下的方式递归地构建模糊决策树,对数据进行分类。提出了一种基于属性模糊熵的模糊分类算法,不同于模糊ID3算法,模糊条件属性的模糊熵作为权值用来对相对模糊频率进行加权,综合考虑各个模糊条件属性对分类的贡献。实例分析和实验结果表明了这一算法的有效性。     

Vague集的模糊熵及其构造

指出了现有Vague集模糊熵的不足和缺陷,在对投票模型进行分析的基础上,给出了Vague集模糊熵的公理化定义,提出了一种Vague集的新模糊熵,并证明了其合理性和有效性。     

关于Vague集的模糊熵

由于Vague集是Zadeh's模糊集的一个扩展,为计算Vague集的模糊熵,有学者提出将Vague集转化为模糊集,然后借用模糊集有关熵的计算方法来讨论它们。该文首先给出反例说明Li's(2003)的方法在某些情况下和基于模糊集的Vague集模糊熵定义不一致。在指出Vague集的模糊性主要来自未知信息和不确定性信息的基础上,提出了一个基于非模糊集的Vague集模糊熵公理化定义,给出了该类模糊熵的计算公式,最后通过定理证明了它确实同时考虑到了影响Vague集模糊熵的两个因素。     

一种基于广义熵的模糊聚类算法

针对熵模糊聚类算法只考虑特殊的加权指数问题,将广义熵引入到模糊聚类的目标函数,获得一种基于广义熵的模糊聚类模型和模糊聚类算法。将核函数引入到该模糊聚类模型中,提出基于广义熵的核模糊聚类算法。实验研究广义熵模糊聚类算法与核模糊聚类算法,证明当使用熵模糊聚类算法对数据聚类时,选取加权指数大于2的值可获得较好的聚类结果,同时参数对核算法的聚类结果有较大的影响。     

Vague集的模糊熵*

首先,在给出了反例证实现有方法在某些情况得出的结果与实际结论不一致情况下,提出了一个真正考虑了两种因素的改进的vague集模糊熵公理化定义;然后给出一种vague集模糊熵的新计算公式;最后通过定理证明和实例分析,指出它确实同时考虑到vague集的未知性和不确定性,从而证明所给出vague集模糊熵的定义是更加合理的.