河北省区域城市化水平综合评价研究

城市化内涵包括经济城市化、人口城市化、生活方式城市化、地域环境城市化等四个方面的内容。从城市化内涵出发，本文构建了反映城市化发展水平的评价指标体系。运用层次分析法，对河北省11个城市的城市化发展水平进行了评价分析。然后通过辅助聚类分析对其进行分类，目的是找出各城市的优势和差距，便于针对性地制定提高城市化水平的对策。     

Elman神经网络训练方法及其在非线性系统辨识中的应用

给出了基于强跟踪滤波器的Elman神经网络训练方法,该方法是一种新的学习方法。Elman网络具有动态特性,可以方便地应用于动态系统辨识;强跟踪滤波具有鲁棒性好、收敛快等优点,将两者结合可以得到很好的辨识效果。     

基于指数型隶属函数的非线性模糊模型的辨识方法

该文给出了一种新的模糊集构成方法。用指数函数构成的模糊集满足测量准则,对指数函数模糊集的凸凹性、多态性进行了深入分析,并将其应用到T-S模糊模型的辨识中。最后,通过仿真试验,选择出最适合的模糊集。     

矿井设计选优决策模型

对矿井的不同设计建立了优选决策的未确知测度模型。在未确知测度空间基础上,根据评价空间的有序性建立评分准则,并对矿井设计方案优劣排序。     

基于分类权与质心驱动的无监督学习算法

为了充分挖掘隐藏在样本向量中的空间信息和知识信息: 用聚类点代替类均值, 把提取指标对聚类所做贡献的量化值定义为指标分类权; 用分类权定义样本点与聚类点的加权距离, 使之作为样本与类之间的相似性度量更具合理性, 即将加权距离转化为样本隶属度. 为了消除序贯算法产生的随机性, 用样本的K类隶属度作为点质量的样本质点组的质心, 修正当前的K类聚类点, 由此建立基于分类权和质心驱动的搜索聚类点的迭代算法. IRIS数据检验结果表明, 新算法的聚类效果与稳定性都优于已有的无监督学习方法.     

大气环境质量评价的未确知测度模型

本文给出大气环境质量评价的未确测度模型.与其它评价模型比较,本模型更加严谨,使评价结果合理、实用.     

模糊数学存在的问题及解决方法

指出模糊数学的问题是没有计算,因为支撑模糊集合转换的不是数学计算而是基于“取大取小”和“If…then”型模糊逻辑的专家系统。解决模糊数学问题的途径是,不借用“取大取小”和“模糊逻辑”等辅助性支撑条件来实现模糊集合转换,而是直接研究基于隶属函数的“不确定性转换”。做法是,用构造隶属函数的方法确定目标在单指标下具有某种状态程度的不确定性,进而用隶属度向量表征目标在单指标下的不确定性状态,并把确定目标在多指标下的不确定状态具体化为实现“指标隶属度到目标隶属度转换”。从分析指标隶属度中包含对目标分类的冗余值入手,通过建立一系列定理、推论揭示隶属度转换的非线性转换机理,由此构建实现隶属度转换的非线性计算方法。     

多指标决策中隶属度转换算法及其应用

隶属度转换涉及了众多应用领域, 但是, 目前已有的隶属度转换算法仍然存在如下问题: 给出的转换算法不能揭示指标隶属度中哪部分对目标分类有用, 从而导致了指标隶属度中原本对目标分类不起作用的冗余数值也被用于计算目标隶属度. 针对已有隶属度转换算法中存在的冗余数据问题, 本文从对目标分类的角度设计了一种滤波器, 可以识别对目标分类不起作用的冗余的指标隶属度和指标隶属度中的冗余数值, 并从指标隶属度中分离出对目标分类起作用的``有效值', 参与计算目标隶属度; 最终建立实现由指标隶属度到目标隶属度转换的一般算法. 应用实例说明了转换的全过程.     

信息概念及其分类

本文论述了消息的含意及消息之间的关系和运算，并由此建立了信息的概念，讨论了不同类型信息的数学表现。     

机构选型的改进多级模糊综合评判

 机构选型多级模糊评判的核心计算是实现隶属度转换；但是,现有隶属度转换方法包含冗余性,表现在指标隶属度中对目标分类不起作用的冗余部分也被用于计算目标隶属度.为此,用基于熵的数据挖掘方法,通过挖掘隐藏在各指标隶属度中关于目标分类的知识信息定义指标区分权；用区分权清除指标隶属度中对目标分类不起作用的冗余数值并提取有效值；有效值经指标重要性权重转化为可比值；用可比值计算目标隶属度实现隶属度转换.由此建立机构选型的改进模糊评判模型.