Vague集之间的相似度量新方法*

为了构建一个新的Vague集之间相似度量方法,运用比较法和Vague理论,分析现有的相似度量方法的缺陷所在,给出了一种新的相似度量公式, 该公式不但包括了衡量Vague值（集）的相似的必要参数,且考虑到无论是Vague值区间两端的距离、核距离还是未知度距离,距离越大,对Vague值相似性的影响也越大,相似度越小,使之更直观、更符合实际情况。最后通过定理证明以及与相关文献的比较说明该方法具有更好的度量效果。     

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。     

一种Vague集相似度量的方案决策方法

在现有Vague集相似度量的基础上,提出一种改进的Vague集相似度量方法,并应用于工程方案的决策中。在改进的Vague集相似度量方法中考虑了Vague集的隶属度的三维含义、不确定隶属度对肯定与否定隶属程度的影响以及欧氏距离的表示。在基于Vsgue集相似度量的工程方案决策中,Vsgue集之间的相似度量是评价设计方案接近期望方案（理想方案）的度量,相似度量值越大,设计方案接近期望方案越好。这种方案决策的本质是一种模式识别方法。通过实例阐明所提出的相似度量法比现有方法有较强的分辨率,更为合理的工程方案决策,方案评价取得了满意的结果。     

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。     

一种基于支持系数的Vague集（值）相似度量新方法

对现有的一些Vague集（值）相似度量算法进行分析,指出了这些方法在计算相似度方面的片面性与局限性。通过对Vague集中元素的未知度进行分析,并引入支持系数来调节未知信息对真、假隶属度的影响,从而提出了新的Vague集（值）相似度量算法,通过模式匹配的实例验证了该算法的实用性。通过与以往的一些算法进行比较,充分证明了新算法的合理性与有效性。     

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。     

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.     

Vague集之间相似性度量的基本准则与一般方法

研究一般情形下Vague集之间的相似性度量问题。分析现有相似度度量方法的种类并指出其不足之处,提出Vague值间相似性度量的基本准则。考虑到未知信息对相似度的影响,根据基本准则提出适用于一般情况的度量公式。讨论该公式满足基本准则的必要条件,并给出具体的公式。最后通过模式识别中的实例说明其有效性。     

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.     

Vague集理论及其在国画类别区分中的应用

为解决Vague值（集）的相似度量问题,提出一种公理化意义下全面综合的度量方法。通过对现有Vague集相似度量的功能进行分析对比,获得在相似度量公理化下的扩展形式,并结合模糊熵理论,综合Vague值（集）相对熵的公理化思想,研究Vague值（集）相似度量与相对熵的关系,给出带参数的计算方法。分析结果证明,将该方法应用于国画类别的区分识别中,能获得较好的分类结果。     

基于Vague集相似度量的一种联系数方法

运用集对分析法中联系数理论与Vague集理论,给出了一种新的Vague集相似度量的联系数方法。该方法用联系数理论确定与不确定规律,刻画了Vague集相似度量的同异反状态关系,克服了传统相似度量方法的缺陷与不足,并指出联系数是Vague集的一般形式及表示。通过实例表明该方法切实可行,是一种有效的Vague相似度量方法。     

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集相似度量的新方法

根据区间相似性的原理,指出影响Vague集相似性度量的4个因素,指出了现有方法的不足,提出了一种新的Vague集相似性度量方法,证明了它满足若干准则。通过例子证明了方法的有效性和优越性。     

基于未知度的Vague集相似度量方法研究

分析并指出了现有的相似度量方法的不足,考虑了未知度在相似度量方法中的影响,提出了一种基于未知度Vague集相似度量的方法,通过实例说明该方法具有一定的有效性和优越性。     

基于Vague软集的TOPSIS方法及其应用研究

运用传统的TOPSIS方法进行不确定型决策时存在一定的困难,而Vague软集是一种处理不确定信息的重要工具。为此,给出了一种加权的Vague软集间相似度计算方法并加以证明,在对传统的TOPSIS方法进行修正的基础上,将Vague软集理论应用于TOPSIS方法中,将修正后的TOPSIS方法应用于仓储中心选址问题中,结果表明,Vague软集能极大地提高TOPSIS方法在不确定型决策领域中的应用价值。     

基于关联熵系数的粗糙Vague集相似性度量方法

粗糙Vague集是将粗糙集和Vague集理论相互融合以处理不确定性信息的一种理论工具。本文在深入研究Vague集及粗糙模糊集的关联熵、关联熵系数及集合相似性度量方法基础上,将关联熵和关联熵系数的概念引入到粗糙Vague集,并详细讨论了它们的主要性质,同时证明了关联熵系数满足粗糙Vague集相似度的定义,可用于粗糙Vague集的相似性度量。最后通过实例验证了粗糙Vague集的关联熵系数用于度量粗糙Vague集之间相似性程度的有效性,该理论为粗糙Vague集相似性度量提供了一种新方法。     

多传感器信息融合的Vague集法

采用Vague集表达传感器的模糊测量信息,提出一种基于Vague集的多传感器信息融合方法,给出基于Vague集的模型描述,定义2个Vague集之间的距离,利用TOPSIS法,根据相对接近度给出信息融合的算法。该方法充分考虑了测量信息的隶属度与非隶属度两方面的不确定信息。仿真实例验证了算法的有效性。     

多传感器目标识别的Vague集方法研究

采用Vague集来表达目标特征的模糊测量信息,提出了一种基于Vague集的多传感器目标识别方法。定义两Vague值之间的贴近度,建立了Vague集表达的目标识别数据库模型,利用贴近度矩阵客观地确定了各特征的权重,根据综合贴近度给出目标识别算法。实例分析表明方法的有效性。