一个新的基于Vague集加权相似度量的双向近似推理方法

提出了一种新的Vague集的加权相似度量方法以解决文献[1]中关于vague集相似度量的某些缺陷，并且提出了Vague集间相似方向的概念，用它来描述两个相似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．     

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。     

Vague集的三维表示及相似度量

Gau和Buehrer于1993年提出了一个新的处理模糊信息的模糊理论——Vague集。与Fuzzy集相比较,Fuzzy集不能表示的模糊信息Vague集也能表示。本文首先提出一种新的Vague集的三维表示方法,在此基础上,给出了Vague集的若干性质及交并运算规则,然后根据Vague集的三维表示方法,对上述性质和定义进行讨论,最后给出Vague集三维表示方法情况下相似度量的算法及运算实例。     

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.     

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。     

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集的新相似度量方法

本文指出了现有Vague集相似度量方法的不足,提出一种新的Vague集相似度量方法,并证明了它的有效性.     

基于Kleene-Dienes蕴涵算子的Vague集相似度量方法

通过分析现有Vague集相似度量方法,指出这些相似度量方法的不足之处。根据Kleene-Dienes蕴涵算子及其否定算子的包含和相交关系,提出一种基于Kleene-Dienes蕴涵算子的Vague集相似度量方法,并证明该方法满足相似度量的条件。通过与现有相似度量方法的比较,说明该相似度量方法能克服现有相似度量方法的缺陷,能够有效区分数据,具有一定的优越性,为研究Vague集相似度量方法提供了一种新的思路。     

基于Vague集的双向近似推理

1 引言自从Zadeh提出Fuzzy集理论以来,Fuzzy集理论不断地发展和完善,并在许多领域里得到了成功的应用。Fuzzy集理论中的模糊推理一般可表示成如下形式:     

基于Vague聚类规则的双向近似推理

在智能系统的研究与开发中，推理方法的计算复杂性是一个很重要的问题．为了获得良好的推理效果和推理效率，就必须降低推理方法的计算复杂性．为此本文首先给出了一个新的vague集间的距离定义，然后给出了相似方向的概念及相似方向的判定方法．在此基础上，提出了对vague规则进行聚类，以及基于vague聚类规则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，而且降低了推理的计算复杂性，从而提高了推理的精确性和适用性．并用实例验证了该方法的有效性．这为智能系统中的近似推理提供了一个十分有用的工具．     

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。     

计算Vague集贴近度的一种新方法

指出了Chen给出的Vague集的贴近度存在的缺陷,并分析了李凡[1]提出的贴近度。在此基础上,引入了Vague集(值)的距离概念,进而引入并研究了Vague集(值)的贴近度,并证明了这一新的贴近度的性质。     

两类正规模糊集的相似度量

基于对不确定性信息处理的背景,讨论了常见的两类正规模糊集的相似度量,给出了正规三角模糊集和正规梯形模糊集相似度量的一般计算公式,研究了它们的有关性质,为基于相似度量的近似推理和模糊控制提供了理论准备.     

Vague集的研究进展及其在模糊信息处理中的应用

介绍vague集理论及其不同的表示形式，并解释这些表示形式的几何意义．讨论vague集与fuzzy集之间的区别和联系，较全面和系统地回顾vague集理论的研究进展及其在决策、近似推理及医疗诊断等领域中的应用现状．最后，指出vague在理论和应用等方面存在的问题及未来可能的研究方向．     

Vague集（值）间的距离测度

1 引言自从Zadeh提出fuzzy集理论以来,fuzzy集理论就在不断地发展和完善,并在许多领域里得到了成功的应用。但在实际应用中我们也发现它存在一些问题,例如,fuzzy集的隶属度是一个单值,该单值既包含了支持u∈U(U为论域)的证据,也包含了反对u∈U的证据,它不可能表示其中的一个,更不可能同时表示支持和反对的证据。为此,Gau等在文中提出了vague集的概念,用一个真隶属函数t_A和一个假隶属函数f_A来描述vague集,真假隶属函数形成了隶属函