关于Vague集的相似度量的一个注

Vague集的相似度量在Vague集的应用中具有极其重要的地位.分析了现有3类Vague集(值)之间的相似度量方法 ,指出这些相似度量方法的分类是源于对特殊Vague值s=[0,1]的处理上.提出Vague集之间新的相似度量的定义.给出Vague集之间新的相似度量公式.该公式的结构是简洁的.     

一个基于未知度的Vague集（值）相似度量新方法

相似度是研究和应用Vague集(值)的重要工具.分析了现有Vague集(值)之间的相似度量方法,揭示了这些方法不能准确刻画Vague集(值)之间相似度量的本质,并总结了相似度量的一般准则,指出了影响Vague集相似度量的3个因素.在此基础上充分考虑了未知度,它为Vague集之间的相似度提供了一种更好的度量方法.最后用实例说明其应用以及该方法的有效性和直观性.     

基于最大最小值的Vague集相似度量方法

通过分析现有Vague集相似度量方法,指出这些方法虽然满足相似度量基本准则,但是在描述Vague集相似性上存在不足之处,并且度量的准确度较低,在分析Vague值的支持度、反对度及其补集之间的最大最小值关系的基础上研究Vague集相似度量方法,给出一种新的Vague集相似度量方法,并证明该方法满足相似度量的基本准则。通过与现有相似度量方法的比较,说明该相似度量方法克服了现有相似度量方法的不足,符合人们的直观感受,能够合理、有效地区分数据。     

Vague集相似度量的公园水质评价法

基于相似度量的Vague集模式识别方法,针对公园景观水水样进行分析,应用Vague集之间的相似度量新公式,给出研究水质评价问题的基于相似度量的Vague集模式识别方法,应用实例显示,该方法不仅计算简捷,而且所给结果符合实际,为研究同类问题提供了新的方法。     

考虑犹豫度的Vague集相似度量方法

研究了本刊2008年第4期王伟平的论文“Vague 集之间相似性度量的基本准则与一般方法”中的Vague集间相似度量方法的优点和不足,考虑到犹豫度之差对相似度的影响,提出同时考虑真隶属度、假隶属度、相对优势、犹豫度之和以及犹豫度之差的Vague集相似度量方法,并证明王伟平相似度量方法的不足和新相似度量方法的优点,并把新相似度量方法应用于病症诊断中。     

一种新的Vague集相似度量

针对以往的Vague集相似度量方法的不足之处,提出了一种新的Vague值相似度的定义,并重新给出了新的Vague集相似度量的定义和性质。最后,又提出了在Vague环境下用Vague集间的相似度和相似度量进行模式识别的方法。通过一些应用实例计算,结果表明,该Vague集的相似度量具有一定的优越性,并提高了Vague集相似度量的精确度。     

Vague集相似度量

在不确定信息处理中,判定两个知识模式的相似度是知识划分、规则推理的前提.Vague集是处理模糊信息的一种有效工具,众多学者提出了基于Vague集的相似度量方法,但这些方法不足以准确描述Vague集的相似本质,并且度量的准确度较低.本文提出了一种度量Vague集相似度量方法的标准,为研究Vague集相似度量提供了参考;提出了一种新的Vague集相似度量的方法.实验结果表明,本文方法的区分能力高,并且有更好的度量效果.     

Vague集之间的相似度量

分析了Chen给出的一种度量Vague集(值)之间相似程度的度量方法,指出了这种相似度量方法所存在的缺陷.在此基础上,给出了一种新的相似度量方法.由于该方法具有较好的性质,更具合理性,因而是一种较为理想的检测Vague集(值)之间相似程度的度量方法.     

Vague集的转化与相似度量

基于Vague集的投票模型解释,对Vague进行分步转化,得到转化的极限状态为一模糊集。在此基础上讨论Vague集之间及元素之间的相似度量,给出一系列相似度量公式,并讨论其性质。最后,用实例说明其应用。该文的结论为Vague环境下的信息处理提供有效方法。     

Vague集相似度量的比较研究

给出了完整的Vague集相似度量约束准则,在此基础上对现有的Vague集相似度量的缺陷,进行了定量分析和证明。在充分考虑了支持度、反对度、未知度以及核函数概念之间相互关系后,提出了一种新的Vague集相似度量。通过对定理的证明以及与其他相似度量违反直觉例子的比较,表明新的相似度量全面考虑了各种约束准则,符合人们直观感觉。给出了新的Vague集相似度量在智能决策中的应用方法和应用实例。     

Vague集及其相似度量的新方法

相似度量是Vague集研究中的一个重要内容,对于知识表达、模式识别等研究具有重要意义。引入了Vague值（集）相似度量的基本准则,并对现有的一些Vague值（集）相似度量方法进行研究,发现目前Vague值（集）相似度量方法存在一些缺陷,因此提出了一种新的Vague值（集）的相似度量方法,并通过数据分析验证了新方法的有效性。     

关于Vague集之间的相似度量

首先提出了定义一个Vague集之间的相似度量所应该满足的若干准则,而后指出了Chen给出的vague集之间的相似度量所存在的缺陷,并分析了李凡提出的vague集之间的相似度量,在此基础上,基于对不确定性信息处理的背景,提出了一种新的相似度量方法。研究了这一新的相似度量的性质。     

Vague集相似度的积分表示

Chen犤1犦和李凡犤2犦分别研究了Vague集之间的相似度量。笔者也在文献犤3犦中定义了一种新的相似度量。但这些相似度量均定义在有限论域上,对无限论域的情况均未作讨论。该文给出了Vague集之间的相似度的统一概念,基于信息处理的背景,给出了论域X=犤a,b犦上Vague集之间相似度的积分表示,这些结果可以在模式识别、决策科学等领域中得到应用。     

关于Vague集间相似度量的缺陷及修补

在Vague集中,Vague集间相似度量的应用是最广泛的,但遗憾的是这些公式中的大多数是有缺陷的。用分段函数的方法试图修补这些公式,使得这些公式中的大多数能够继续使用。给出一个新的Vague集间的加权相似度量公式,该公式更具合理性。     

基于Value双向近似推理的系统决策方法

先提出Vague值间的一种新的相似度,并基于有序加权聚类(OWA)算子给出Vague集间的新的加权相似测度,其中的权重是由决策者根据实际决策需求来确定的,具有一定的弹性;另外通过Vague输入事实与Vague决策规则的前件(或后件)之间的相似匹配度,得到一个简单可行的双向近似推理方法,这可为复杂环境下的系统决策(如工业检测和医疗诊断等领域问题)提供有效的支持工具。     

Vague模式排序法进行目标价值排序

提出从Fuzzy数据向Vague数据的两个转化公式,提出Vague集之间的相似度量公式。数据转化公式和相似度量公式是Vague模式排序法的两个基础。该方法能进行目标价值排序,也能为如何选择更重要攻击目标提供理论依据。应用实例表明Vague模式排序法是实用的。     

基于Vague集加权相似度量的双向近似推理

本文提出了一种新的Vague集的加权相似度量方法，以解决文献中关于Vague集相似度量的某些缺陷以及权向量中各个分量难以确定的问题，并且提出了Vague集间相似方向的概念，用它来描述两个相拟Vague集中哪个所包含的信息更精确，并给出了一个判定方法。在此基础上的给出了一种基于Vague集加权相似度量的双向近似推理方法，该方法更好地利用了Vague集信息的精确性，从而提高了推理的精确性和适用性。这为智能系统中的近似推理提供了一个十分有用的工具。     

离散Vague集的相似度

全面分析了近年来百余篇关于Vague集理论及应用的论文,将以往Vague集的相似度分为5类,指出了它们存在的一些不足之处。在此基础上,给出了更一般的离散Vague集间的相似度。     

Vague相似度量与Vague熵

德国数学家G.Contor于19世纪创建了经典集合论,集合中的元素只能在{0,1}中取值,无法处理具有模糊性和不确定性的信息和数据。Zadeh于1965年提出了模糊集合论,将集合中的元素定义在[0,1]区间中取值,为我们描述世界提供了一个更符合实际的方法和工具。1993年Gau和Buehrer提出了Vague集的概念(与Atanassov提出的直觉模糊集的概念相同)将集合中元素的取值定义为[0,1]中的一个子区间,进一步加强了对客观世界描述的真实程度。Vague集是一个有着广泛应用前景的理论,目前国外已有些学者将此技术