广义判断矩阵Hadamard积的若干性质

加权几何平均综合判断矩阵是AHP中群组决策的最常用方法 ,广义AHP侧重解决不完全信息下的群组决策。将上述两者综合起来研究 ,得到了若干重要性质 ;广义判断阵经过广义Hadamard积后 ,具有单调不变性和一致不变性 ,在广义一致意义下Holder不等式成立。     

群组GJAHP决策及其应用

提出了ＧＪＡＨＰ中的群组决策方法，对各种广义判断矩阵形式给出了综合排序权值的计算与一致性检验方法。最后给出了应用实例。     

广义AHP模型

美国匹斯堡大学著名运筹学家TL Saaty引入层次分析法(Analytic Hierarchy Process,简称AHP模型),本文对AHP模型从形式上进行推广,引入广义AHP模型,对Saaty判断矩阵给出新的广义形式,对判断一致性给出不同于Saaty的一致性检验方法。在能够应用AHP方法的问题中,广义AHP方法和Saaty的AHP方法的量化结果是一致的。而在更广泛的问题中,广义AHP方法则能发挥更好的效果。在广义AHP方法中思维判断不受互反性限制,给出处理信息的思维判断新的模式,可以和AHP原来的思维方法互相验证和校正,为两两相互比较的思维判断有效性、可靠性提供了新的校验途径和改进方法。     

与广义二次矩阵相关的广义Jordan积秩的不变性

设A,B∈C^{n ×n}为广义二次矩阵, C∈C^{n ×n}, 并定义广义Jordan积为AC+CB. 应用广义二次矩阵和幂等矩阵的互为确定的关系,得到了由两个不同的幂等矩阵确定的广义二次矩阵A和B与任意矩阵C的广义Jordan积的秩不变性.该结果改进了已有二次矩阵的相关结果.     

TFN-AHP模型在敏捷虚拟企业盟友选择中的应用

为提高层次分析法(AHP)在敏捷虚拟企业(AVE)盟友选择问题中的实际应用能力，提出一种基于三角模糊数(TFN)理论的模糊AHP(TFN AHP)模型.该模型利用对数最小二乘法求取指标权重，采用TFN取代判断矩阵中的数据元素，结合TFN算法的性能，融合群组评价中的不一致性信息.理论分析及实例结果均表明，该模型使专家对待选方案的评价方法更加符合人类的思维模式，能有效综合群组意见，对每一项指标都能获得群组评价的一致性结果.该模型结构简单规范，结果公平合理.该模型使专家在每一层次上都能得到供决策参考的有效信息，提高了求解实际评价问题的效率.     

不精确Newton法与Broyden法的仿射不变收敛性

给出了不精确Ｎｅｗｔｏｎ法的半局部收敛性定理，通过改善条件∥ｒｋ∥／∥Ｆ（ｘ＾ｋ）∥≤ηｋ（ｋ＝０，１…）使其具仿射不变性，建立起了不精确Ｎｅｗｔｏｎ法的具仿射不变性的半局部收敛定理。在一定条件下，讨论了Ｂｒｏｙｄｅｎ方法的具仿射不变性的存在－收敛定理。从而，扩大了这两种方法收敛定理的收敛城。     

广义AHP判断矩阵及其应用研究

将目前的等阶AHP判断矩阵推广为不等阶的广义AHP判断矩阵形式,并对广义AHP判断矩阵的求解及其应用意义进行了初步的讨论.     

基于改进AHP方法的自动机综合评价研究

为了对火炮自动机的综合性能进行评价,以便为决策部门提供决策依据,采用一种改进的AHP（Analytic Hierarchy Process） 方法对6种火炮自动机的综合性能进行了评价,评价时将自动机的性能体系分为目标层、准则层和方案层,用自动机的质量,火炮的口径,弹丸的质量,弹丸的初速和射速作为评价火炮自动机综合性能的准则,并写出相应的判断矩阵,然后用改进的AHP方法找出最优方案,得出的结论与传统的AHP方法一致,改进的AHP方法较传统的AHP方法的主要优点是,省去了对判断矩阵进行一致性检验的过程,减小了人的工作量。     

基于改进 AHP 方法的自动机综合评价研究

为了对火炮自动机的综合性能进行评价,以便为决策部门提供决策依据,采用一种改进的AHP(Analytic Hierarchy Process)方法对6种火炮自动机的综合性能进行了评价.评价时将自动机的性能体系分为目标层、准则层和方案层,用自动机的质量,火炮的口径,弹丸的质量,弹丸的初速和射速作为评价火炮自动机综合性能的准则,并写出相应的判断矩阵,然后用改进的AHP方法找出最优方案,得出的结论与传统的AHP方法一致.改进的AHP方法较传统的AHP方法的主要优点是,省去了对判断矩阵进行一致性检验的过程,减小了人的工作量.     

基于广义旋转不变性核函数的人脸识别

旋转不变性核函数广泛应用于人脸识别等各个领域,但抗噪能力并不理想。本研究引入广义旋转不变性核函数,在忽略分布的具体形式的前提下,将原始的非线性问题转化为线性问题,同时降低了参数估计的难度。广义高斯函数指数α是其峰值的主要决定因素,根据这一性质在旋转不变性核函数中引入指数r,通过控制指数r的变化来观察算法的识别率,然后再人为的给实验数据加上不同的高斯白噪音,以此来验证算法的抗噪能力。实验结果证明了这一方法的优越性,随着指数r的变化,识别率几乎成线性变化,而且总能找到最佳的r值,使得识别率达到最好,并且总优于旋转不变性核函数。在同等实验条件下,本方法大幅度的提高了抗噪声能力。