关于Vague值向Fuzzy值转化方法的一些思考

提出Vague值向Fuzzy值转化的系列均值修正法。证明了这些方法满足Vague值向Fuzzy值的转化准则。     

Vague值向Fuzzy值转化方法新探

用反例证明文献[1]提出的两种Vague值向Fuzzy值的转化方法是不满足准则1^[2]和准则2^[2]的。但是如果在这两个方法中补充参数的约束条件,则这两种方法皆是实用方法。提出两种Vague值向Fuzzy值新的转化方法,证明了它们是实用方法。     

Vague值向Fuzzy值转换的两种方法

提出两种Vague值向Fuzzy值的转化方法。证明了这些转化方法是实用方法。证明了文献[1]所提出的三种转化方法都是这些转化方法的特殊情况。还证明了文献[2]所提出的转化方法是这些转化方法的特殊情况。     

Vague值向Fuzzy隶属度转化方法的准则

引入从Vague值A(u)导出的Vague值A軒(u)、赞成与反对程度、可能的不确定度、可能的赞成与反对程度等概念,应用这些概念提出两种把Vague值转换成Fuzzy隶属度的方法,提出判断Vague值转化为Fuzzy隶属度的准则,证明四种“转化”方法满足这些准则。     

基于Vague值转化Fuzzy值的一种新方法

在分析已有Vague值转化Fuzzy值方法存在的不足与缺陷基础上,讨论了Vague值转化Fuzzy值的本质实际上是将Vague集中的未确知度按照一定比例进行分配增加到支持度中构成了一个新的支持度(隶属度)原理,建立了一种Vague值转化Fuzzy值的新方法。通过实例验证该方法在约束条件、可分辨性等方面的有效性及合理性。     

Vague集向Fuzzy集转化的一种新方法

提出Vague值向Fuzzy值转化的实用方法的定义。针对文献[6]中的一个Vague值向Fuzzy值转化的均值修正法,提出了加权均值修正法,并证明了这种方法同样是Vague值向Fuzzy转化的一种非常实用的方法。     

一种Vague值转化Fuzzy值的偏联系数方法

针对Vague集与Fuzzy集,结合联系数理论,提出了一种基于Vague值转化为Fuzzy值的偏联系数方法。通过实例验证了该方法是合理可行且有效的。     

Vague集向Fuzzy集的转化方法的比较

证明了vague集转化为fuzzy集的三角形法和不确定度加权法都是实用方法,证明了这两种方法是相同的方法,且证明了这两种方法都是加权均值修正法的特殊情况。     

从Fuzzy值数据向Vague值数据的转化公式

提出了Fuzzy值数据向Vague值数据的转化准则和定义,提出了一些Fuzzy值数据向Vague值数据的转化公式（方法）。例题表明这些公式（方法）都是有效的。     

用于模糊决策的Vague值转换为Fuzzy集方法比较研究

现今Vague集理论还不够成熟,为了分析的需要有必要将之转换成理论比较纯熟的Fuzzy集。介绍现有一些Vague集向Fuzzy集转换的方法,并根据它们目前所存在的一些不足,提出新的方法。通过举证和论证的方法证明了新方法满足若干规则性,从而得出有效性。最后通过实验与所提方法进行比较,证明了其正确性和优越性。从而为模糊决策方面提供一些帮助。     

关于Vague集向模糊集转化的一种新方法

文章介绍了Vague集与Fuzzy集的特点,结合Vague集理论及投票模型下的解释,对Vague集向Fuzzy集转化的方法进行了分析,指出已有方法的不足,根据Vague集的三维表示图直观地提出了一种新的有效方法,并通过实例说明了该方法的有效性和直观性。     

模糊信息处理中Vague集向模糊集转化的一种方法

在模糊信息处理中,针对模糊信息未知度的度量,结合Fuzzy集和Vague集的特点,以投票模型为例,对Vague集向Fuzzy集转化的方法进行分析,说明均值法与比例法存在的问题,提出一种新的有效转化方法,并通过实例说明其有效性。     

区间值数据向Vague值数据的转化公式

提出了区间值数据向Vague值数据的转化准则,提出了一些区间值数据向Vague值数据的转化公式。例题表明这些公式是实用的。     

基于模糊隶属度函数的传感器失效管理方法

传感器失效管理是传感器管理系统中的一个重要部分,也是当前研究的热点。针对基于模糊逻辑的传感器失效管理方法,该文通过计算机仿真,分析了不同形式的隶属度函数对传感器失效管理的影响。仿真结果表明,基于模糊逻辑的方法能满足传感器失效管理的要求,并且可以减少数据的波动和误差。 真     

Fuzzy SVM with a New Fuzzy Membership Function to Solve the Two-Class Problems

In dealing with the Two-Class classification problems, the traditional support vector machine (SVM) often cannot achieve good classification accuracy when outliers exist in the training data set. The fuzzy support vector machine (FSVM) can resolve this problem with an appropriate fuzzy membership for each data point. The effect of the outliers can be effectively reduced when the classification problem is solved. In this paper, a new fuzzy membership function is employed in the linear and nonlinear fuzzy support vector machine respectively. The fuzzy membership is calculated based on the structural information of two classes in the input space and in the feature space. This method can distinguish the support vectors and the outliers effectively. Experimental results show that this approach contributes greatly to the reduction of the effect of the outliers and significantly improves the classification accuracy and generalization.