基于顾客需求的产品概念设计方案评价

为了克服传统主成分分析法中权重确定过于客观,不能反映不同群体顾客需求的缺点,将主成分分析法和层次分析法相结合进行评价,提出一种改进的主成分分析法。通过对产品的市场调研提取了顾客需求评测指标,采用层次分析法来确定不同顾客群体需求的指标权重,对无量纲化后的数据加权,再用主成分分析法评价,改进后的方法可以针对不同的顾客群体需求进行评价。同时选用均值化法进行无量纲处理,减少了数据信息的损失。海尔冰箱概念设计方案的评价结果证明了该方法的可靠性。     

数字化车间布局模糊层次评价方法研究

按照模糊层次分析法的思路建立车间布局评价的模糊层次评价模型;根据影响车间生产性能的各个因素进行分析,建立车间市局评价的指标体系;应用层次分析法确定各因素的权重;自上而下的计算各级指标关于评价目标的综合重要度;通过专家打分的方法确定方案的隶属度;根据权重、隶属度,利用模糊层次评价方法,既可对车间的布局做出综合评价.最后以某发动机关键零件牛产车间为研究对象,验证了方法的可行性和有效性.     

高校教师绩效考核模型研究

建立高校教师绩效考核模型是公正评价与合理使用人才的基础。在分析绩效考核指标体系建立的基本原则上,完成考核指标体系的构建,运用层次分析法对指标权重进行分析与确定,给出了在指标数值的转化和无量纲化问题上进行数据处理的三种方法,并说明了模型在高校教师评价中的运用。     

用层次分析和模糊数学法归纳多组分精馏分离的顺序

归纳多组分精馏分离的次序在化工过程优化中具有重要意义,而目前常用方法过于主观或繁琐,因此建立一种简单、客观、准确的归纳方法非常重要。同时利用层次分析(AHP)和模糊数学法,构建用来归纳多组分精馏分离次序的数学模型,通过模糊数学的方法构造各属性指标的隶属函数,计算各种分离方案在各个指标中的权重,再利用层次分析法判断其优劣,从而确定分离方案,最后用该模型对2个实例进行了分析,方法简明实用。     

基于正态区间估计的改进型无量纲化方法

针对综合评价指标无量纲化问题,现有方法虽然考虑了评价的实际需要,但没有考虑评价值异常点对综合评价的影响,以致可能出现某个评价值异常性较大,而导致评价错误的结果。提出了一种基于正态区间估计的改进型无量纲化方法,利用正态区间估计的方法给出异常评价值的定义规则和处理规则,按照规则对评价值异常点进行辨识和修正,采用标准化方法对评价值进行无量纲化,提高评价值之间的区分度。经算例分析表明,该方法可行有效。     

企业能效综合评价方法研究

依据高能耗企业能源消费特点,构建了综合评价指标体系和综合评价模型,分别对企业经济、管理、技术和环境各方面进行能效综合评价。采用改进层次分析法确定指标权重,针对定性指标和定量指标建立不同的隶属度计算方法,运用从底向顶的方法对隶属度多层加权合成得到企业能效综合评价结果。最后通过实例运算证明了方法的科学性和可行性。     

改进的层次分析法在就业综合评价中的应用

研究模糊综合评价系统中合理的指标权重确定问题.针对传统的层次分析法中存在标准不足、判断时的不确定性和模糊性,为了提高合理性和真实性,提出一种算法用三标度法及最优传递矩阵来构造高准确度的判断矩阵,避免了对判断矩阵的一致性检验和调整.以大学生就业能力评价的层次性、模糊性为例,提出基于改进层次分析法和高斯隶属函数的模糊综合评价方法对就业能力进行评价,减少评价的主观性.通过与标准层次分析法的计算结果比较表明,改进后的层次分析法计算量减少同时又保证结论的正确性,使权重确定更加合理和真实,为进一步的评价决策提供科学依据.     

基于熵权法和组合隶属函数的雷达质量评估方法研究

为较好地评价雷达质量状况,针对雷达系统的功能特性和评估需求,区分监测数据、履历数据和环境数据,构建了雷达质量评估的三层指标体系。为反映监测数据因素的客观性,采用熵权法确定测试数据指标权重。为避免单一隶属函数可能会出现隶属度突变的问题,运用组合隶属函数的方法进行评价。该方法首先计算各指标在不同隶属函数条件下的评价信息,而后对每种隶属函数的评判情况进行组合优化,以增加评估结果的可信度。通过定性分析和定量计算,对某型雷达的质量状态进行了模糊综合评判,验证了该评估算法的有效性,对雷达系统操作应用和维修保障具有一定的参考价值。     

矿井通风系统健康评价研究

现有的矿井通风系统健康评价方法大多采用常权权重,评价结果易与实际背离,无法反映系统真实状态,同时选取的指标较多,各指标权重较低,导致部分指标异常对系统整体健康程度的影响难以发现。基于矿井通风系统实际运行状况及健康评价要求,选取21项影响因素作为健康评价指标,构建矿井通风系统健康评价指标体系;综合运用模糊综合评价法、层次分析法、变权理论,对矿井通风系统进行健康评价,即通过层次分析法确定评价指标权重,采用基于隶属度的Hardarmard乘积变权模型对指标权重进行变权计算,基于模糊综合评价法的最大隶属度评定准则确定矿井通风系统健康度。采用该方法对某煤矿通风系统健康度进行评价,结果表明该方法的评价结果与实际情况相符,与基于常权权重的评价方法相比,可根据实际情况调整评价指标权重,使评价结果更加客观,且放大了不健康指标的影响,突出系统安全隐患,从而引起相关人员重视。     

基于灰色关联分析的大学生就业质量评价研究

以分析大学生就业质量指标管理度、提高评价准确性为目标,提出基于灰色关联分析的大学生就业质量评价方法。综合专家评价和相关文献构建大学生就业质量评价指标体系,使用灰色关联分析构建数据矩阵,通过无量纲化的均值化方法处理各个指标量,解决数据矩阵数量化不一致问题;使用层次分析法确认各指标权重;利用处理后的数据构建灰色关联矩阵并计算关联度,灰色关联矩阵与指标权重计算共同实现大学生就业质量综合评价。经实验验证,该方法经计算能够获得关联度结果和权重结果,在综合评价大学生就业质量时具有较高准确率。     

基于核方法的一种新的模糊支持向量机

由于支持向量机对样本中的噪声及孤立点非常敏感,因而在解决非线性、高维数、不确定问题时,使用模糊支持向量机比使用支持向量机的效果要好。在模糊支持向量机中,模糊隶属度函数的建立是关键也是难点。一般,模糊隶属度是在原始空间中根据样本点的相互距离及到类中心的距离创建的。考虑样本间的密切度,在特征空间中利用混合核函数建立一种新的模糊隶属度。通过试验比较多项式核函数、高斯径向基核函数与混合核函数,可看出新方法表现出了它的优越性。     

一种基于遗传算法的模糊中值滤波器优化方法

根据遗传算法可以搜索全局最优的特点,提出了一种基于遗传算法优化模糊隶属函数,从而对带有脉冲噪声的图像进行模糊中值滤波的方法。虽然模糊逻辑可以很好用于图像处理,但它的隶属函数很难准确的选取,通过遗传算法对已知样本图像进行学习,找到最优的隶属函数,然后用该隶属函数对需要处理的噪声图像进行滤波。实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应强。     

一种新颖隶属度函数的模糊支持向量机

传统的支持向量机(SVM)训练含有外部点或噪音数据时,容易产生过拟合(over-fitting)。通过模糊隶属度函数来降低外部点或被污染数据的选择。本文提出了一种新的核隶属度函数,这种新的隶属度函数不仅依赖于每个样本点到类型中心的距离,还依赖于该样本点最邻近的K个其他样本点的距离。实验结果表明了具有该隶属度函数的模糊支持向量机的有效性。     

赋工序完工隶属函数的网络计划模型

文中为处理网络计划模型中工序作业时间的不确定性,提出了用工序完工隶属函数描述作业时间不确定性,并给出了求工程的完工隶属函数的方法,最后说明了利用工程的完工隶属函数进行关键路线分析。     

Fuzzy SVM with a new fuzzy membership function

It is known that with a proper fuzzy membership function, a fuzzy support vector machine can effectively reduce the effects of outliers when solving the classification problem. In this paper, a new fuzzy membership function is proposed to the nonlinear fuzzy support vector machine. The fuzzy membership is calculated in the feature space and is represented by kernels. This method gives good performance on reducing the effects of outliers and significantly improves the classification accuracy and generalization.     

图象分割的自适应模糊阈值法

该文研究了海面舰船图象的模糊阈值分割问题,首先介绍了模糊阈值分割的基本原理,在讨论了隶属函数的分布特性及其窗宽对阈值选取的影响后,提出了一种在预先给定隶属函数的情况下,利用目标－背景对比度自动选取窗宽的方法,并给出了根据目标与摄像机间的相对距离估计目标－背景对比度的算法,其应用于智能电视跟踪系统,对不同距离、不同对比度的海面舰船图象进行了阈值分割实验,结果表明该方法具有较强的场景适应能力。     

The support vector machine based on intuitionistic fuzzy number and kernel function

Fuzzy support vector machine applied a degree of membership to each training point and reformulated the traditional support vector machines, which reduced the effects of noises and outliers for classification. However, the degree of membership only considered the distance from samples to the class center in the sample space, while neglected the situation of samples in the feature space and easily mistook the edge support vectors as noises. To deal with the aforementioned problems, the support vector machine based on intuitionistic fuzzy number and kernel function is proposed. In the high-dimensional feature space, each training point is assigned with a corresponding intuitionistic fuzzy number by the use of kernel function. Then, a new score function of the intuitionistic fuzzy numbers is introduced to measure the contribution of each training point. In the end, the new support vector machine is constructed according to the score value of each training point. The simulation results demonstrate the effectiveness and superiority of the proposed method.     

On Paradox of Fuzzy Modeling: Supervised Learning for Rectifying Fuzzy Membership Function

The paradox of fuzzy modeling is recognized due to the co-existence of its effectiveness of solving uncertain problems in the real world and the skepticism of its reasonability in membership function. In this paper, a revised membership function by means of supervised machine learning is introduced, in which the membership function curve is revised from the learning data of existing samples. It points that the information from supervised machine learning by samples is in the same argument to the statistic data from observation in the probability model. The formulations of supervised fuzzy machine learning by samples for revising the membership function are presented, and satisfactory results by the revised membership function compared with the experimental data are shown. It steps forward in promoting the pragmatic application of fuzzy methods in real world problems.     

基于数学规划的多传感器目标识别方法

针对具有多个特征指标的目标识别问题,提出了基于数学规划的多传感器信息融合方法.该方法利用最大最小隶属度函数将识别系统特征矩阵转化为指标隶属度矩阵,通过求解各目标类型综合隶属度偏差最大的最优规划问题,客观地确定了特征指标的权重,根据综合隶属度给出目标识别方法.该方法较好地避免了特征指标权重选取的主观性缺陷,提高了目标识别结果的客观性和区分程度.算例分析验证了该方法的有效性和实用性.