基于判断矩阵的专家模糊核聚类组合赋权方法

研究群决策中专家赋权问题.实际决策问题中,由于客体信息自身存在的不完备性和不确定性以及人们描述过程中的模糊性,更适合采用模糊聚类的分析方法,为此提出一种基于判断矩阵的专家模糊核聚类赋权方法.该方法运用模糊核聚类理论对专家排序向量进行分类,根据分类结果、判断矩阵一致性和排序向量的熵对各专家进行组合赋权.算例表明,所提出的方法是可行且有效的.     

一种不确定性规则挖掘的混合方法及其应用

为了在含有连续条件属性的决策表中挖掘和应用决策规则,通过采用互信息熵作为模糊聚类的截距值选定准则,对信息系统对象集进行模糊聚类划分,并根据粗糙集的有关概念,确定基于截距的近似集和边界,从中挖掘出不确定性决策规则,进一步建立决策知识库。最后以该知识库为识别模型,结合模糊隶属度的计算和不确定性推理进行地层识别,取得了令人满意的效果。     

基于模糊理论的软件项目风险评估模型研究

在软件项目的开发和管理过程中存在很多的不确定性,针对软件项目的复杂性和不确定性,该文在模糊理论的基础上,提出了一种基于模糊理论的软件项目风险评估模型。该模型可以评估常用于衡量风险程度的风险当量以外,还可以评估多种风险对某种风险后果的组合影响,以及单个风险对整体后果的综合影响。通过实践证明该模型可以减少专家评估的不确定性,有效地预测潜在的风险,为降低风险发生的概率和提高软件项目的成功提供了行之有效的方法。     

蚁群算法在煤与瓦斯突出预测中的应用

煤与瓦斯突出预测在矿井的安全生产中具有重要影响;蚁群算法是最新提出的新型寻优策略,具有良好的克服局部极值、获得全局极值的能力;通过对蚁群算法和模糊聚类算法的深入研究提出了一种新的蚁群-模糊聚类预测算法,利用改进的自适应调整信息素的蚁群算法计算出模糊聚类的个数和初始聚类中心,再利用模糊聚类算法对煤与瓦斯突出进行预测;对平八矿历年煤与瓦斯突出数据进行验证预测的结果表明,该方法与传统的模糊聚类预测方法相比具有较强的自适应能力和较好的预测效果.     

基于模糊c-means算法的空间数据分类和预测

空间分类和预测是空间数据挖掘中一个非常重要的方法,但对它们的研究目前尚处于初始阶段.通过引入空间对象对模糊聚类的模糊隶属度的概念,提出了基于模糊c-means算法的空间数据分类和预测的方法(SFCM),该方法首先用模糊c-means方法对数据集论域空间进行聚类,但由于空间数据具有空间自相关的特性,在用模糊c-means算法进行空间聚类时加入了空间信息,然后计算每个空间对象对所有聚类的模糊隶属度并从中找出模糊隶属度最大的聚类,最后用该聚类中心对象的因变量的值作为该空间对象的因变量的估计值,理论分析和实验结果表明,该算法是有效可行的.     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

基于粗糙集和SVM的工程项目投标风险研究

针对建筑工程项目投标过程中的不确定性和风险分析问题,运用Rough集理论和方法对投标风险决策表的属性进行约简,再采用支持向量机对决策数据进行风险分类,帮助决策者迅速对工程项目的投标风险进行评估和预测。     

电子商务环境下基于模糊ISODATA 聚类法的企业风险分类

根据电子商务环境下企业风险的特点，在建立企业风险模糊描述机制的基础上，基于模糊ISODATA聚类法，对企业风险管理的关键问题——企业风险分类进行研究．实例表明该方法是有效的．     

基于蚁群-模糊聚类算法的井下工作面瓦斯突出预测

针对现有的瓦斯预测方法在实际应用中受到较大限制且预测结果的准确性较差的问题,提出了一种基于蚁群-模糊聚类算法的瓦斯突出预测方法;分析了蚁群-模糊聚类算法的基本原理及实现步骤,并以某煤矿井下工作面某时段内的瓦斯突出数据为例,采用蚁群-模糊聚类算法对该数据进行了挖掘分析,从而找出了瓦斯突出量与其影响因素即埋藏深度、煤层厚度、瓦斯含量、日进度、煤层间距、日产量之间的关系。测试结果表明,该方法预测结果与实际监测记录完全一致,具有较高的聚类预测性能。     

制造资源优化配置环境下用户抉择风险评判模型研究

通过对网络化制造资源优化配置的用户抉择风险因素识别与分析,提出并建立了多因素、多层级风险模糊评判模型;该模型的核心是双维体系结构,即来自用户本身的风险和来自协作企业的风险,它提高了用户选择合作企业过程中风险评判的客观性、可靠性。在此模型框架下,考虑到风险各因素、各层单元对事件影响程度的不确定性,基于模糊评判决策理论,建立了多级风险评判的算法结构,给出了风险评判综合值。最后用实例验证了模型及算法的有效性。     

基于遗传算法和模糊综合评价的虚拟企业风险规划

虚拟企业是未来企业的潜在发展模式,虚拟企业的风险管理是当前研究的热点问题,风 险规划是风险管理的重要阶段之一.本文针对虚拟企业缺少历史资料、不确定因素多等特点,提 出了非线性整数规划和模糊综合评价相结合的风险规划问题描述模型以及遗传算法与模糊综合 评价相结合的问题求解算法.实例仿真验证了该方法的有效性.该方法能够实现在一定风险费用 投入的情况下,通过优化组合风险处理措施,达到虚拟企业整体风险水平最低的目标,是虚拟企 业风险规划的科学管理方法．     

评估项目风险中协调偏好的DEA方法

针对于综合考虑项目风险评估问题中影响风险因素的正向指标和逆向指标,在分析DEA有效解和多目标规划Pareto解等价性的基础上,建立了基于DEA的协调偏好的风险评估模型,优化协调了具有相反评价指标的项目风险评估问题。根据模型构造的生产可能集,结合两种相反评价指标对风险评估的影响,给出了风险包络面的概念,通过选取两组移动因子和具有熵权的模糊综合评价方法,逐层缩小风险包络面对决策单元进行评估排序,改进了移动风险曲面排序风险的方法,实现了风险决策单元的完全排序,使得评估结果在一定程度上兼具主观性与客观性。最后通过一个对软件项目进行风险评估的实际算例,表明了该方法的合理性和有效性。     

基于模糊神经网络的信息安全风险评估模型

对信息系统进行有效的风险评估,选择有效的防范措施,主动防御信息威胁是解决信息系统安全问题的关键所在。将神经网络和模糊理论应用于信息安全的风险评估。首先针对信息安全风险评估的不确定性和复杂性,将神经网络理论应用到风险评估。其次,针对神经网络适合定量数据,对于定性指标的分析缺乏相应的处理能力,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理,提出了基于模糊神经网络的风险评估方法。仿真结果表明：模糊神经网络经过训练,可以实时地估算风险因素的级别。     

不确定周期约束下项目调度算法

为了能让企业通过良好的项目调度的方法缩短产品的项目周期,提出了对不确定周期约束项目调度的求解方法。对现实生产生活中存在的不确定因素进行分析,指出不确定项目周期和不确定资源这2个不确定因素。在此基础上建立了总体模型。提出了一种基于模糊理论的对不确定周期约束下项目调度问题的求解方法。该方法以遗传算法为基础,通过与模拟退火算法的结合可以很好地克服遗传算法自身的缺点,从而得到能更好地反应现实需求的结果。对算法进行了实例验证,结果表明了该方法的准确性、有效性和可行性。     

一种软件项目的风险评估模型及应用

文章提出了一种软件项目风险评估模型。采用AHP方法与模糊逻辑法相结合的方法进行风险评估,并根据软件项目管理的实际情况对AHP方法与模糊逻辑法进行了改造。最后确定出软件项目各风险的权重。在确定了项目的风险,并做出了评估和排序后,对这些风险采取适当的方法进行有效的风险控制。通过实例分析可知,利用该方法可以方便地求出软件项目风险权重,实验结果符合实际。     

基于粗糙集的软件项目风险管理研究

软件项目的复杂性导致软件风险涉及的数据具有很大的不确定性和模糊性。由此基于粗糙集理论,分析了软件项目风险管理的历史数据:利用等价类和分辨矩阵等概念提出软件项目风险分析系统,在此基础上给出了两个风险因子的相关性系数以及不可分辨矩阵的计算方法。此项工作能为风险控制提供策略,有助于发现风险管理活动中的薄弱环节,达到改进过程的目的。     

面向可信软件的风险评估方法

风险管理逐渐成为开发高质量软件过程中的重要的组成部分。风险评估作为风险管理的重要活动之一,是风险控制的前提。贝叶斯网络作为风险管理的有力工具之一,是处理不确定性的有效方法。结合贝叶斯网络与模糊理论,提出一种风险评估方法,首先使用贝叶斯网络对影响可信软件的风险因素进行风险概率评估,然后利用模糊综合评价法进行风险综合影响评估。该方法用于软件项目的风险评估,为开发高质量的可信软件提供新策略。     

Applying fuzzy neural network to estimate software development effort

The ability to accurately and consistently estimate software development efforts is required by the project managers in planning and conducting software development activities. Since software effort drivers are vague and uncertain, software effort estimates, especially in the early stages of the development life cycle, are prone to a certain degree of estimation errors. A software effort estimation model which adopts a fuzzy inference method provides a solution to fit the uncertain and vague properties of software effort drivers. The present paper proposes a fuzzy neural network (FNN) approach for embedding artificial neural network into fuzzy inference processes in order to derive the software effort estimates. Artificial neural network is utilized to determine the significant fuzzy rules in fuzzy inference processes. We demonstrated our approach by using the 63 historical project data in the well-known COCOMO model. Empirical results showed that applying FNN for software effort estimates resulted in slightly smaller mean magnitude of relative error (MMRE) and probability of a project having a relative error of less than or equal to 0.25 (Pred(0.25)) as compared with the results obtained by just using artificial neural network and the original model. The proposed model can also provide objective fuzzy effort estimation rule sets by adopting the learning mechanism of the artificial neural network.     

基于模糊集和DS证据理论的信息安全风险评估方法*

在信息安全风险评估过程中,存在着很多不确定和模糊的因素,针对专家评价意见的不确定性和主观性问题,提出了一种将模糊集理论与DS证据理论进行结合的的风险评估方法。首先,根据信息安全风险评估的流程和要素,建立风险评估指标体系,确定风险影响因素;其次,通过高斯隶属度函数,求出专家对各影响因素的评价意见隶属于各个不同评价等级的程度;再次,将其作为DS理论所需的基本概率分配,引入基于矩阵分析和权值分配的融合算法综合多位专家的评价意见;最后,结合贝叶斯网络模型的推理算法,得出被测信息系统所面临的风险大小,并对其进行分析。结果显示,将模糊集理论和DS证据理论应用到传统贝叶斯网络风险评估的方法,在一定程度上能够提高评估结果的客观性。     

证据理论在软件项目风险分析中的应用

软件项目由于其产品的智力密集性和项目的复杂性,在开发过程中,进行风险分析时不同于一般项目有很多客观的指标可供参考,更多地是借助于专家的意见,从而使得专家意见的综合成为软件项目风险分析中一个急需解决的问题。给出了一个基于证据理论的软件项目风险分析模型,通过引入模糊评语集及该集合上的模糊效用值,使用Dempster规则更好地融合各个专家的意见,从而得出了更加合理的风险概率和风险损失评价值。该方法强调了关键专家意见在决策中的重要性,较好地解决了分析结果过于依赖专家选择的问题,从而减少了风险因素量化的复杂性,为风险控制策略的制定提供了依据。并通过算例加以验证。