CN107273361B - 基于广义一般二型模糊集合的词计算方法及其装置 - Google Patents

基于广义一般二型模糊集合的词计算方法及其装置 Download PDF

Info

Publication number
CN107273361B
CN107273361B CN201710476116.6A CN201710476116A CN107273361B CN 107273361 B CN107273361 B CN 107273361B CN 201710476116 A CN201710476116 A CN 201710476116A CN 107273361 B CN107273361 B CN 107273361B
Authority
CN
China
Prior art keywords
value
type
rule
word
univariate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710476116.6A
Other languages
English (en)
Other versions
CN107273361A (zh
Inventor
赵亮
陶平平
宋义轩
周杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201710476116.6A priority Critical patent/CN107273361B/zh
Publication of CN107273361A publication Critical patent/CN107273361A/zh
Application granted granted Critical
Publication of CN107273361B publication Critical patent/CN107273361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及一种基于广义一般二型模糊集合的词计算方法及其装置，该方法包含：构建广义一般二型模糊集合词语模型；建立单变量规则模块，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度，作为权值和规则后件聚合获取中间输出词语语言值；通过约束多目标优化算法获取单变量规则模块权值并和中间输出词语语言值聚合得到最终输出词语语言值；通过分数函数方法排序确定多个待评估对象关系，或计算最终输出词语语言值与已知输出词语语言值接近度选择最大者作为待评估对象实际输出词语语言值。本发明解决由于模糊规则急剧增加带来的“维数灾”问题，有效提高人工智能设备中词计算效率和准确率，具有更加广阔的应用前景。

Description

基于广义一般二型模糊集合的词计算方法及其装置
技术领域
本发明属于智能信息处理技术领域，特别涉及一种基于广义一般二型模糊集合的词计算方法及其装置。
背景技术
人工智能自从诞生之日起已经取得了许多令人瞩目的成就，例如无人机、无人车、无人船、机器人等等。然而，伴随着它的成功，人工智能仍然面临着巨大的局限和挑战-机器模拟的智能还远达不到人类的智能，不能满足实际的需求。究其原因，我们发现当需要处理的信息(感性信息)具有不精确、不确定、非完整等特征时，人工智能所使用的传统的计算范式效果不佳。如何有效的处理感性信息就成为信息和人工智能领域专家面前的一道难题。模糊理论的创始人Zadeh为解决这一问题提出了一种新的计算范式-词计算理论(基于感性信息的计算理论)。本质上，词计算是利用自然语言描述的信息进行推理、计算和决策的方法。它的基本问题之一是如何合理有效的表示自然语言(感性信息)的不确定性。由于模糊逻辑和词计算概念的内在本质的联系，模糊集合成为描述感性信息颗粒度的必然模型。根据模糊集合的复杂程度，不同的学者提出了不同的词计算方法。莫红、王飞跃等采用一型模糊集合提出两类词计算方法。基于模糊扩展原理的I型词计算和基于Mamdani模糊推理的II型词计算。由于他们的方法仅适用于单变量的情况(实际使用时多为多变量的计算)而且一型模糊集合隶属函数一旦确定，它的不确定性就完全消失，所以该方法在实际使用时有很大局限性。近年来，二型模糊集合作为词语模型的词计算方法逐渐受到关注。Mendel、Dongrui Wu等采用区间值二型模糊集合提出了一种新的词计算方法。但是他们所采用的二型模糊集合是一种非常特殊的二型模糊集合，它的次隶属度均等于1(不能描述主隶属度取值的不确定性)而且次隶属函数的支集是单连通的，不确定覆盖域的上下边界隶属函数是连续的。在实际使用时，很多情况下得到的词语(二型模糊集合)都不符合以上的条件，这极大限制了它的应用。H.Hagras提出采用线性一般二型模糊集合的词计算方法，相比于Mendel和Wu的方法，线性一般二型模糊集合的次隶属度的取值不再是1而是与论域和主隶属度都相关的线性函数，而且在词计算中所涉及的词语只包括两个意义相反的形容词。在上述词计算方法中，需要假设副词对形容词的修饰是线性关系，事实上存在大量不符合以上假设的情形，限制词计算方法的实际应用。
发明内容
针对现有技术中的不足，本发明提供一种基于广义一般二型模糊集合的词计算方法及其装置，解决现有技术中词计算应用受限等问题，有效降低词计算误判率，大大提高人工智能设备词计算的效率及准确度。
按照本发明所提供的设计方案，一种基于广义一般二型模糊集合的词计算方法，包含如下内容：
步骤1、根据具体问题，构建其输入、输出词语广义一般二型模糊集合模型；
步骤2、建立各个评估标准的单变量规则模块，对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度将其作为信息聚合算子的权值，和相应规则后件进行聚合计算获取中间输出词语语言值；
步骤3、针对单变量规则模块，根据其权值和相应中间输出词语语言值采用信息聚合计算得到最终输出词语语言值。获取所有f个待评估对象的最终输出词语语言值；
步骤4、对于所有f个最终输出词语语言值，采用分数函数方法进行排序确定多个待评估对象的相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并选取接近度最大的已知输出词语语言值作为最后输出结果。
上述的，所述的步骤1包含如下内容：
步骤11、根据评估标准和评估结果收集区间数据，获取嵌入一型和/或区间值二型模糊集合；
步骤12、根据嵌入一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure BDA0001328291830000021
步骤13、确定输入词语语言值
Figure BDA0001328291830000022
输出词语语言值
Figure BDA0001328291830000023
及对于所有f个待评估对象针对每个评估标准确定实际输入词语语言值，其中，N为评估标准数目，si为输入评估标准词语语言值数目，g为输出评估结果词语语言值数目。
优选的，所述的步骤11中收集的区间数据包含确定区间数据
Figure BDA0001328291830000024
和/或不确定区间数据
Figure BDA0001328291830000025
其中，
Figure BDA0001328291830000026
和
Figure BDA0001328291830000027
为精确值，
Figure BDA0001328291830000028
和
Figure BDA0001328291830000029
为区间数，
Figure BDA00013282918300000210
Figure BDA00013282918300000211
针对确定区间数据，通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数；对于不确定区间数据，两个端点区间数
Figure BDA00013282918300000212
和
Figure BDA00013282918300000213
按照均匀分布原则选取随机端点
Figure BDA00013282918300000214
和
Figure BDA00013282918300000215
得到确定区间数据
Figure BDA00013282918300000216
通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数
Figure BDA00013282918300000217
对于所有m个确定区间数据得到相应的m个嵌入一型模糊集合，采用
Figure BDA00013282918300000218
作为区间值二型模糊集合的不确定覆盖域，其中，
Figure BDA00013282918300000219
和
Figure BDA00013282918300000220
分别表示下、上边界隶属函数。
上述的，所述的步骤12中，根据步骤11获取的嵌入一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，当z＝0时，对应的水平切片为
Figure BDA00013282918300000221
当z＝1/n时，对应的水平切片是n个一型和/或区间值二型模糊集合所有论域元素及其对应的隶属度组成的二维区域并集
Figure BDA00013282918300000222
当z＝2/n时，对应的水平切片是从n个一型和/或区间值二型模糊集合中任选两个求两者论域元素及其隶属度组成二维区域的交集，求所有
Figure BDA00013282918300000223
个交集的并集
Figure BDA00013282918300000224
依次得到z＝3/n，…，z＝1分别对应的水平切片
Figure BDA00013282918300000225
得到广义一般二型模糊集合词语模型，表示为：
Figure BDA0001328291830000031
优选的，所述的步骤2包含：
步骤21、根据广义一般二型模糊集合的距离测度
Figure BDA0001328291830000032
和接近度
Figure BDA0001328291830000033
的关系
Figure BDA0001328291830000034
通过计算实际输入评估标准语言值和相应单变量规则模块模糊规则前件的距离获得接近度
Figure BDA0001328291830000035
步骤22、对于每一单变量规则模块中的所有规则，采用接近度作为前件和实际输入评估标准语言值匹配度，与相应规则后件进行加权平均，计算得到中间输出词语语言值；
步骤23、对于每一待评估对象的N个实际输入评估标准语言值
Figure BDA0001328291830000036
分别计算它们和对应单变量规则模块的中间输出词语语言值
Figure BDA0001328291830000037
遍历f个待评估对象，得到Nf个中间输出词语语言值。
更进一步，所述的步骤21包含：对于实际输入语言评估值和单变量规则模块规则前件对应的水平切片
Figure BDA0001328291830000038
和
Figure BDA0001328291830000039
对应的两个zt水平切片在论域元素xq处的隶属度
Figure BDA00013282918300000310
和
Figure BDA00013282918300000311
分别对其子区间根据中心
Figure BDA00013282918300000312
(λ表示
Figure BDA00013282918300000313
或
Figure BDA00013282918300000314
)的大小按照从小到大的顺序排列，判断
Figure BDA00013282918300000315
和
Figure BDA00013282918300000316
大小，如果两者不等，较小者用它隶属度中最大子区间补足直到两者数量相等；得到隶属度相同大小位置子区间
Figure BDA00013282918300000317
和
Figure BDA00013282918300000318
Figure BDA00013282918300000319
根据两者距离计算两个对应zt水平切片论域元素xq的隶属度距离；论域离散化后元素的数目为nX，对论域所有元素的隶属度距离计算平均值获得对应zt水平切片的距离；根据zt水平切片的距离和对应的权值zt加权平均，得到广义一般二型模糊集合距离，获取接近度
Figure BDA00013282918300000320
优选，所述的步骤22中，对于单变量规则模块规则后件
Figure BDA00013282918300000321
e＝1,2,…,g采用水平切片定理得到它的zt水平切片，将它的论域离散化，对于论域元素ya的隶属度
Figure BDA00013282918300000322
根据子区间中心按从小到大排列顺序；比较单变量规则模块中所有规则后件在(ya,zt)处对应隶属度子区间的数目
Figure BDA0001328291830000041
最大值记为
Figure BDA0001328291830000042
对于子区间数目小于最大值的隶属度用最大子区间补足；对于对应大小位置的隶属度子区间进行加权平均；遍历所有论域元素ya和zt水平切片，a＝1,2,…,nY，t＝0,1,…,n，得到单变量规则模块的中间输出词语语言值。
更进一步，所述的步骤3包含：
步骤31、设定有M组输入评估词语语言值和最终输出词语语言值为
Figure BDA0001328291830000043
所有单变量规则模块对应权值表示为{wt1,wt2,…,wtN}，计算M个实际输出词语语言值和已知输出词语语言值的接近度得到M个N元目标函数
Figure BDA0001328291830000044
通过约束多目标优化算法求解N元目标函数的最大值，从求解结果{wt1 τ,wt2 τ,…,wtN τ}τ＝1 Θ中选取一组最优解{wt1 b,wt2 b,…,wtN b}；
步骤32、针对单变量规则模块，通过步骤31得到规则模块权值和相应中间输出词语语言值计算待评估对象的最终输出词语语言值
Figure BDA0001328291830000045
步骤33、遍历待评估对象，根据它们的中间输出词语语言值
Figure BDA0001328291830000046
和相应权值信息聚合得到最终输出词语语言值
Figure BDA0001328291830000047
一种基于广义一般二型模糊集合的词计算装置，包含：词语模型构建模块、中间输出获取模块、最终输出确定模块及实际问题求解模块，其中，
词语模型构建模块，用于根据具体问题通过其输入、输出词语构建广义一般二型模糊集合词语模型；
中间输出获取模块，用于建立各个评估标准的单变量规则模块，并对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的匹配度，并通过信息聚合计算获取中间输出词语语言值；
最终输出确定模块，针对N个单变量规则模块，根据其权值和中间输出词语语言值通过信息聚合计算得到最终输出词语语言值，遍历f个待评估对象获得它们的最终输出词语语言值；
实际问题求解模块，针对最终输出词语语言值，通过分数函数方法进行排序来确定多个待评估对象相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并通过其选取相应词语作为最后输出结果确定待评估对象实际输出的词语语言值。
上述的词计算中，所述的词语模型构建模块包含：数据收集单元、模型构建单元及语言值确定单元，其中，
数据收集单元，用于根据评估标准收集区间数据，该区间数据包含确定区间数据
Figure BDA0001328291830000048
和/或不确定区间数据
Figure BDA0001328291830000049
并根据区间数据获取一型和/或区间值二型模糊集合，其中，
Figure BDA00013282918300000410
和
Figure BDA00013282918300000411
为精确值，
Figure BDA00013282918300000412
和
Figure BDA00013282918300000413
为区间数，
Figure BDA00013282918300000414
模型构建单元，用于根据一型和/或区间值二型模糊集合构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure BDA00013282918300000415
语言值确定单元，用于确定输入词语语言值、输出词语语言值、和对于所有f个待评估对象针对每个评估标准确定实际输入词语语言值。
本发明的有益效果：
本发明采用广义一般二型模糊集合作为词语模型，能够全面且层次明晰地同时表示收集信息的共性和个体差异，克服了传统词语模型表示的缺陷；通过单变量规则模块连接多变量词计算模型，解决由于输入词语维数较高引起模糊规则急剧增加带来的“维数灾”问题，极大减少词计算过程的时间花销，通过广义一般二型模糊集合词语模型和各个评估标准的单变量规则模块，有效提高人工智能设备中词计算效率及准确率，具有更加广阔的应用前景。
附图说明：
图1为本发明的方法流程示意图；
图2为实施例具体方案流程图；
图3为实施例中构建词语模型流程示意图；
图4为实施例中获取中间输出词语语言值流程示意图；
图5为实施例中获取最终输出词语语言值流程示意图；
图6为本发明的装置示意图；
图7为实施例中词语模型构建模块示意图；
图8为离散论域典型广义一般二型模糊集合示意图；
图9为单变量规则模块示意图；
图10为最终输出词语语言值计算流程示意图。
具体实施方式：
下面结合附图和技术方案对本发明作进一步清楚、完整的说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供一种基于广义一般二型模糊集合的词计算方法参见图1所示，包含如下内容：
01、根据具体问题，通过其输入、输出词语构建广义一般二型模糊集合词语模型；
02、建立各个评估标准的单变量规则模块，对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度作为权值，并通过和规则后件聚合运算获取中间输出词语语言值；
03、针对N个单变量规则模块，根据其权值及中间输出词语语言值通过信息聚合计算得到最终输出词语语言值，遍历所有f个待评估对象计算获得它们的最终输出词语语言值；
04、针对最终输出词语语言值，通过分数函数方法进行排序来确定多个待评估对象相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并通过其选取相应词语作为最后输出结果来确定待评估对象实际输出的词语语言值。
采用广义一般二型模糊集合作为词语模型，能够全面且层次明晰地同时表示收集信息的共性和个体差异，克服了传统词语模型表示的缺陷；通过单变量规则模块连接多变量词计算模型，解决由于输入词语维数较高引起模糊规则急剧增加带来的“维数灾”问题，极大减少词计算过程的时间花销，通过广义一般二型模糊集合词语模型及各个评估标准的单变量规则模块，有效提高人工智能设备中词计算效率及准确率，具有更加广阔的应用前景。
为了使本领域的技术人员更好了解本发明，下面通过更为详细的实施例说明构建广义一般二型模糊集合词语模型，如图2和3所示，包含如下内容：
11、根据评估标准收集区间数据，获取一型和/或区间值二型模糊集合；
12、根据一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure BDA0001328291830000061
13、确定输入词语语言值
Figure BDA0001328291830000062
输出词语语言值
Figure BDA0001328291830000063
和所有f个待评估对象针对每个评估标准确定实际输入词语语言值，其中，N为评估标准数目。
一般二型模糊集合具有描述复杂不确定信息的强大能力，到目前为止，在为数不多的一般二型模糊集合词计算方法中大多采用离散一般二型模糊集合(论域和次隶属函数的支集均为离散的点集；或者是线性一般二型模糊集合(论域连续、次隶属函数是定义在[0,1]的线性连续函数且语言变量的语言值是两个意义相反的形容词)。能够降低数据处理的复杂性和难度，但简化带来的局限使描述不确定信息的能力下降。在上述实施例中采用的广义一般二型模糊集合的次隶属函数的支集不再局限于[0,1]上的单子区间，而是定义在单位区间上的多个互不相交的子区间并集，具体的说，它有三种可能情况：a)所有子区间均未退化为清晰值；b)部分子区间退化为清晰值；c)所有子区间均退化为清晰值，图8展示了离散论域的几种典型广义一般二型模糊集合。
对于每一语言值，收集实验数据，即区间数据，共n个。对于每一区间数据，采用最大熵和最小距离相结合的多目标限制优化或者HM(Hao and Mendel)方法得到一型模糊集合或区间值二型模糊集合；将得到的所有一型和/或区间值二型模糊集合(所有二维区域数据点并集)作为z＝1/n水平切片，接着从n个一型和/或区间值二型模糊集合中任取2个得到Cn 2个二维区域数据点交集的并集作为z＝2/n水平切片，以此类推，从n个一型或区间值二型模糊集合中任取3个、4个…n个一型或区间值二型模糊集合分别得到Cn 3、Cn 4…Cn n个二维区域数据点交集的并集分别作为z＝3/n、4/n…1水平切片，由此得到词计算模型的所有输入、输出词语的语言值(广义一般二型模糊集合)；根据具体问题(例如对多个待评估对象进行排序确定相互关系)，针对每一待评估对象,确定关于每一输入词语的实际评估语言值(广义一般二型模糊集合)，广义一般二型模糊集合的次隶属度表示的意义是对于该词语语言值的共识程度。所以，只有存在p(1<p≤n)个对象对语言值达成共识时，z＝p/n水平切片才存在。
其中，收集的区间数据包含确定区间数据
Figure BDA0001328291830000064
和/或不确定区间数据
Figure BDA0001328291830000065
Figure BDA0001328291830000066
和
Figure BDA0001328291830000067
为精确值，
Figure BDA0001328291830000068
和
Figure BDA0001328291830000069
为区间数，
Figure BDA00013282918300000610
针对确定区间数据，通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数，
Figure BDA00013282918300000611
Figure BDA00013282918300000612
Figure BDA00013282918300000613
Figure BDA00013282918300000614
是pi的标准三角隶属函数，
Figure BDA00013282918300000615
Figure BDA00013282918300000616
和
Figure BDA00013282918300000617
是其α割集左右端点；对于不确定区间数据，从两个端点区间数
Figure BDA0001328291830000071
和
Figure BDA0001328291830000072
按照均匀分布原则选取随机端点
Figure BDA0001328291830000073
和
Figure BDA0001328291830000074
得到确定区间数据
Figure BDA0001328291830000075
通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数
Figure BDA0001328291830000076
对于所有m个确定区间数据得到相应的m个嵌入一型模糊集合，采用
Figure BDA0001328291830000077
作为区间值二型模糊集合的不确定覆盖域，其中，
Figure BDA0001328291830000078
和
Figure BDA0001328291830000079
分别作为下、上边界隶属函数，它们的几何形状可能为多边形。或者采用Hao和Mendel提出的方法得到区间值二型模糊集合标准的不确定覆盖域(论域中存在元素对应的隶属度是单位1)。
更进一步，获取的一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，当z＝0时，对应的水平切片为
Figure BDA00013282918300000710
当z＝1/n时，对应的水平切片是n个一型和/或区间值二型模糊集合所有论域元素及其对应的隶属度组成的二维区域的并集
Figure BDA00013282918300000711
当z＝2/n时，对应的水平切片是从n个一型和/或区间值二型模糊集合中任选两个求两者论域元素及其隶属度组成二维区域的交集，再求所有
Figure BDA00013282918300000712
个交集的并集
Figure BDA00013282918300000713
依次得到z＝3/n，…，z＝1分别对应的水平切片
Figure BDA00013282918300000714
得到广义一般二型模糊集合词语模型，表示为：
Figure BDA00013282918300000715
确定单变量规则模块连接的词计算模型的输入词语语言值
Figure BDA00013282918300000716
输出词语语言值
Figure BDA00013282918300000717
以及对于所有待评估对象(f个)针对所有评估标准确定实际输入词语语言值
Figure BDA00013282918300000718
另一个实施例中，通过各个评估标准的单变量规则模块获取中间输出词语语言值，参见图4所示，包含：
21、根据广义一般二型模糊集合的距离测度
Figure BDA0001328291830000081
和接近度
Figure BDA0001328291830000082
的关系
Figure BDA0001328291830000083
计算实际输入评估标准语言值和单变量规则模块规则前件的接近度
Figure BDA0001328291830000084
22、对于单变量规则模块中的所有规则，采用实际输入评估标准语言值和规则前件的接近度作为权值，与相应规则后件进行加权平均，计算得到中间输出词语语言值；
23、对于每一待评估对象的N个实际输入评估标准语言值
Figure BDA0001328291830000085
分别计算它们和对应单变量规则模块的中间输出词语语言值
Figure BDA0001328291830000086
遍历所有f个待评估对象，得到Nf个中间输出词语语言值。
单变量模糊规则模块连接的多变量模糊推理是将传统的多变量模糊推理改进为各个单变量分别进行推理得到中间输出然后对它们进行加权求和得到最后输出。它的最大优点是可以有效克服当输入变量维数较高时，传统模糊推理的‘维数灾’问题。因为广义一般二型模糊集合是基于水平切片产生的，对于每个水平切片进行计算即可。如图9所示，将论域离散化，对于每个论域元素计算实际输入词语语言值水平切片和单变量规则模块规则前件水平切片对应的隶属值(通常是[0,1]的多个两两互不相交的子区间的并集或它的两种退化形式)的距离，对隶属值按从小到大顺序排序，如果二者区间数目不等，数目较少者用排序最大的区间补齐，对于每对相应区间计算它们的距离然后求它们的平均值。求得所有论域元素对应隶属度的距离后，计算它们的(加权)平均值作为实际输入词语语言值和单变量规则模块规则前件对应水平切片的距离，遍历所有的水平切片计算得到它们的距离后，和它们各自对应的次隶属度(z值)计算加权平均得到实际输入词语和规则前件的距离，单位1减去距离值即为它们的接近度。对于求得的单变量规则模块所有规则的前件(广义一般二型模糊集合)和实际输入词语语言值的接近度(匹配度)归一化后作为权值和规则后件水平切片采用信息聚合算子(加权平均、幂加权均值、加权几何平均等)，对于每一离散论域元素对应的隶属值分别采用相应的运算律计算相应结果得到中间输出词语语言值对应的水平切片。对于每一水平切片分别进行计算，即得对应于该单变量规则模块的中间输出词语语言值。
优选地，计算实际输入评估标准语言值和单变量规则模块规则前件的接近度
Figure BDA0001328291830000087
Figure BDA0001328291830000088
根据广义一般二型模糊集合的距离测度
Figure BDA0001328291830000089
和接近度
Figure BDA00013282918300000810
的关系
Figure BDA00013282918300000811
计算它们二者之间的距离即可，具体计算内容如下：对于实际输入语言评估值和单变量规则模块规则前件对应的水平切片
Figure BDA00013282918300000812
和
Figure BDA00013282918300000813
对应的两个zt水平切片在论域元素xq处的隶属度
Figure BDA00013282918300000814
和
Figure BDA00013282918300000815
分别对其子区间根据中心
Figure BDA0001328291830000091
的大小按照从小到大的顺序排列如下，其中λ表示
Figure BDA0001328291830000092
或
Figure BDA0001328291830000093
Figure BDA0001328291830000094
Figure BDA0001328291830000095
判断
Figure BDA0001328291830000096
和
Figure BDA0001328291830000097
大小，如果两者不等，较小者用它隶属度中最大子区间补足直到两者数量相等，对于得到的隶属度相同位置的子区间
Figure BDA0001328291830000098
和
Figure BDA0001328291830000099
Figure BDA00013282918300000910
如果
Figure BDA00013282918300000911
两者之间的距离表示为：
Figure BDA00013282918300000912
否则
Figure BDA00013282918300000913
计算两个对应zt水平切片论域元素xq的隶属度距离
Figure BDA00013282918300000914
w(l)表示隶属度中两个对应位置子区间的权重；设定论域离散化后元素的数目为nX，则对应的zt水平切片的距离为
Figure BDA00013282918300000915
v(q)表示论域元素xq对应隶属度距离的权重；因为实际输入评估语言值和单变量规则模块规则前件分别包含有n+1个水平切片zt，它们对应的权重是t/n，t＝0,1,…,n。则有：
Figure BDA0001328291830000101
根据上式得到的广义一般二型模糊集合的距离，直接得到它们的接近度
Figure BDA0001328291830000102
更进一步，对于单变量规则模块的所有规则，采用接近度作为前件和实际输入评估语言值的匹配度(激活度)，与相应规则后件进行加权平均计算得到中间输出结果语言值。对于单变量规则模块规则后件
Figure BDA0001328291830000103
e＝1,2,…,si采用水平切片定理得到它的zt水平切片，将它的论域离散化，对于论域元素ya的隶属度
Figure BDA0001328291830000104
按前面所述方法从小到大的排列顺序，即
Figure BDA0001328291830000105
比较单变量规则模块中所有规则后件在(ya,zt)处对应隶属度的子区间数目
Figure BDA0001328291830000106
最大值记为
Figure BDA0001328291830000107
对于子区间数目小于最大值的隶属度用最大区间值补足；对于对应大小位置的隶属度子区间进行加权平均，即
Figure BDA0001328291830000108
r表示zt水平切片论域元素ya处隶属度子区间，
Figure BDA0001328291830000109
单变量规则模块规则前件是
Figure BDA00013282918300001010
对应的规则后件是
Figure BDA00013282918300001011
遍历所有论域元素ya和zt水平切片，a＝1,2,…,nY，t＝0,1,…,n，得到单变量规则模块的中间输出词语语言值。对于每一待评估对象的N个实际输入评估词语语言值
Figure BDA00013282918300001012
采用上述方法分别计算它们和对应单变量规则模块的中间输出词语语言值
Figure BDA00013282918300001013
遍历所有待评估对象(f个)计算得到Nf个中间输出词语语言值。
再一个实施例中，根据每个待评估对象的N个对应单变量规则模块的中间输出词语语言值计算最终输出词语语言值，参见图5所示，包含：
31、针对单变量规则模块，设定有M组已知输入评估语言值和最终输出词语语言值表示为
Figure BDA00013282918300001014
单变量规则模块对应权值表示为{wt1,wt2,…,wtN}，通过N元目标函数表示：M个
Figure BDA00013282918300001015
通过约束多目标优化算法对N元目标函数求解最大值，从Θ组求解结果{wt1 τ,wt2 τ,…,wtN τ}τ＝1 Θ中根据专家知识选取一组最优解{wt1 b,wt2 b,…,wtN b}；
32、针对单变量规则模块，通过中间输出词语语言值和步骤31得到的相应权值聚合计算待评估对象的最终输出词语语言值
Figure BDA0001328291830000111
33、对于所有待评估对象的中间输出词语语言值
Figure BDA0001328291830000112
和相应权值进行信息聚合计算，得到最终输出词语语言值
Figure BDA0001328291830000113
单变量规则模块的中间输出词语表示当该变量(模块)的实际输入评价词语为
Figure BDA0001328291830000114
时，如图10所示，通过该变量和输出变量的模糊推理得到的只和该变量(模块)相关的输出。然后，综合考虑各个变量对最终评估结果的影响情况(例如，用它们各自的不同权值表示)，经过信息聚合得到最后输出结果。确定词计算模型中各个单变量规则模块对应的权值，采用约束多目标优化算法结合专家知识的方法。首先，对于几组已知实际输入和输出词语语言值的情况，以各单变量规则模块对应权值作为待定系数，以单变量规则模块连接的词计算模型的计算输出和已知理想输出的接近度最大为目标，以权值自身应满足的条件作为等式约束(∑i＝1 nwi＝1)和不等式约束(0<wi<1)得到一个约束多目标优化问题，接着运用相应的优化算法(多目标粒子群算法、多目标遗传算法等等)得到相应的权值向量(满足条件的多组解向量)，然后从候选的几组权值向量中根据专家知识选取一组最合理的权值向量作为词计算模型的各个单变量规则模块的权值。运用模糊多元信息聚合算子对单变量规则模块的中间输出词语语言值的水平切片和确定的对应权值根据相应的运算律计算得到最终输出词语对应的水平切片，遍历所有水平切片即得最终输出词语语言值。对每一待评估对象分别进行计算，得到它们各自的最终输出评估词语语言值。
确定词计算模型各个单变量规则模块的权值。对于具体问题，M组输入评估语言值和最终输出词语语言值
Figure BDA0001328291830000115
为确定单变量规则模块对应的权值{wt1,wt2,…,wtN}，有以下限制优化问题：
Figure BDA0001328291830000116
Figure BDA0001328291830000117
Figure BDA0001328291830000118
因此，
Figure BDA0001328291830000119
实际上是以权值wtι，ι＝1,2,…,N为待定参数向量的最终输出词语语言值。然后采用接近度的计算方法得到M个
Figure BDA00013282918300001110
它们是N元目标函数。对于多目标优化问题采用约束多目标优化算法进行求解可以求得满意解{wt1 τ,wt2 τ,…,wtN τ}τ＝1 Θ，再根据具体问题专业认识和经验从中选取一组最优解{wt1 b,wt2 b,…,wtN b}。计算得到各个单变量规则模块对应的权值以后，进一步获得待评估对象的最终输出词语语言值
Figure BDA00013282918300001111
对于所有待评估对象的实际评估词语语言值
Figure BDA0001328291830000121
分别进行计算，得到它们的最终输出词语语言值
Figure BDA0001328291830000122
对于实际输出词语语言值，根据不同的问题，采用不同的方法得到最后的决策结果，具体过程如下所示：
对于确定多个待评估对象的相互关系问题，采用分数函数方法对它们的实际输出词语语言值进行排序。论域离散化，计算zt水平切片论域元素ya处隶属度的分数为
Figure BDA0001328291830000123
ρ(r)表示隶属度子区间对应的权值。
zt水平切片的分数函数
Figure BDA0001328291830000124
θ(a)表示论域不同元素对应隶属度的权值。
最后得到实际输出词语语言值的分数为
Figure BDA0001328291830000125
j＝1,2,…,f。分别计算得到所有待评估对象的实际输出词语语言值的分数，根据它们的高低确定相互关系。或者根据具体的问题对于待评估对象的实际输出词语语言值，计算和已知输出词语语言值
Figure BDA0001328291830000126
接近度，从中选择和它最接近者对应的词语作为最后输出结果。
本发明的词计算方法能够同时且层次分明的描述主观不确定性，同时克服了传统方法采用模糊规则描述对象时出现的‘维数灾难’问题，使得词计算方法具有更加广阔的应用前景。
对应于上述的基于广义一般二型模糊集合的词计算方法实施例，本发明还提供一种基于广义一般二型模糊集合的词计算装置，如图6所示，包含：词语模型构建模块101、中间输出获取模块102、最终输出确定模块103及实际问题求解模块104，其中，
词语模型构建模块101，用于根据具体问题构建其输入、输出词语语言值广义一般二型模糊集合模型；
中间输出获取模块102，用于建立各个评估标准的单变量规则模块，并对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度，并作为权值和规则后件聚合计算获取中间输出词语语言值；
最终输出确定模块103，针对单变量规则模块，根据其权值及中间输出词语语言值通过信息聚合计算得到最终输出词语语言值。遍历f个待评估对象获取其最终输出词语语言值；
实际问题求解模块104，针对最终输出词语语言值，通过分数函数方法进行排序确定多个待评估对象相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并通过其选取相应词语作为最后输出结果确定待评估对象实际输出的词语语言值。
进一步地，词语模型构建模块，如图7所示，包含：数据收集单元1a、模型构建单元1b及语言值确定单元1c，其中，
数据收集单元1a，用于根据评估标准收集区间数据，该区间数据包含确定区间数据
Figure BDA0001328291830000131
和/或不确定区间数据
Figure BDA0001328291830000132
并根据区间数据来获取一型和/或区间值二型模糊集合，其中，
Figure BDA0001328291830000133
和
Figure BDA0001328291830000134
为精确值，
Figure BDA0001328291830000135
和
Figure BDA0001328291830000136
为区间数，
Figure BDA0001328291830000137
模型构建单元1b，用于根据一型和/或区间值二型模糊集合构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure BDA0001328291830000138
语言值确定单元1c，用于确定输入词语语言值、输出词语语言值，和对于所有f个待评估对象针对每个评估标准确定实际输入词语语言值。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于广义一般二型模糊集合的词计算方法，其特征在于，包含如下内容：
步骤1、根据具体问题，通过其输入、输出词语构建广义一般二型模糊集合词语模型；
步骤2、建立各个评估标准的单变量规则模块，对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度，将测量得到的接近度作为权值和规则后件聚合计算获取中间输出词语语言值；
步骤3、针对单变量规则模块，根据约束多目标优化算法获得相应权值和中间输出词语语言值，通过信息聚合计算得到最终输出词语语言值，遍历f个待评估对象获得它们的最终输出词语语言值；
步骤4、针对最终输出词语语言值，通过分数函数方法进行排序确定多个待评估对象相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并通过接近度选取相应词语作为最后输出结果确定待评估对象实际输出的词语语言值；
所述的步骤1包含如下内容：
步骤11、根据评估标准收集区间数据，获取一型和/或区间值二型模糊集合；
步骤12、根据一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure FDA0002484068700000011
步骤13、确定输入词语语言值
Figure FDA0002484068700000012
i＝1,2,…,N，输出词语语言值
Figure FDA0002484068700000013
及对于所有f个待评估对象针对每个评估标准确定实际输入词语语言值，其中，N为评估标准数目。
2.根据权利要求1所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤11中收集的区间数据包含确定区间数据
Figure FDA0002484068700000014
和/或不确定区间数据
Figure FDA0002484068700000015
其中，
Figure FDA0002484068700000016
和
Figure FDA0002484068700000017
为精确值，
Figure FDA0002484068700000018
和
Figure FDA0002484068700000019
为区间数，
Figure FDA00024840687000000110
i＝1,2,…,n；针对确定区间数据，通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数；对于不确定区间数据，从两个端点区间数
Figure FDA00024840687000000111
和
Figure FDA00024840687000000112
按照均匀分布原则选取随机端点
Figure FDA00024840687000000113
和
Figure FDA00024840687000000114
k＝1,2,…,m，得到确定区间数据
Figure FDA00024840687000000115
通过多目标限制优化方法获取一型模糊集合及其标准三角隶属函数
Figure FDA00024840687000000116
对于所有m个确定区间数据得到相应的m个嵌入一型模糊集合，采用
Figure FDA00024840687000000117
作为区间值二型模糊集合的不确定覆盖域，其中，
Figure FDA00024840687000000118
和
Figure FDA00024840687000000119
分别作为下、上边界隶属函数。
3.根据权利要求2所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤12中，根据步骤11获取的一型和/或区间值二型模糊集合，构造广义一般二型模糊集合水平切片，当z＝0时，对应的水平切片为
Figure FDA00024840687000000120
当z＝1/n时，对应的水平切片是n个一型和/或区间值二型模糊集合所有论域元素及其对应的隶属度组成的二维区域并集
Figure FDA00024840687000000121
当z＝2/n时，对应的水平切片是从n个一型和/或区间值二型模糊集合中任选两个求两者论域元素及其隶属度组成二维区域的交集，求所有Cn 2个交集的并集
Figure FDA0002484068700000021
依次得到z＝3/n，…，z＝1分别对应的水平切片
Figure FDA0002484068700000022
得到广义一般二型模糊集合词语模型，表示为：
Figure FDA0002484068700000023
4.根据权利要求3所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤2包含：
步骤21、根据广义一般二型模糊集合的距离测度
Figure FDA0002484068700000024
和接近度
Figure FDA0002484068700000025
的关系
Figure FDA0002484068700000026
计算实际输入评估标准语言值和单变量规则模块规则前件的接近度
Figure FDA0002484068700000027
i＝1,2,…,N，j＝1,2,…,f，h＝1,2,…,si；
步骤22、对于单变量规则模块中的所有规则，采用接近度作为前件和实际输入评估标准语言值匹配度，与相应规则后件进行加权平均，计算得到中间输出词语语言值；
步骤23、对于每一待评估对象的N个实际输入评估标准语言值
Figure FDA0002484068700000028
分别计算它们和对应单变量规则模块的中间输出词语语言值
Figure FDA0002484068700000029
遍历f个待评估对象，得到Nf个中间输出词语语言值。
5.根据权利要求4所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤21包含：对于实际输入语言评估值和单变量规则模块规则前件对应的水平切片
Figure FDA00024840687000000210
和
Figure FDA00024840687000000211
t＝0,1,…,n，对应的两个zt水平切片在论域元素xq处的隶属度
Figure FDA00024840687000000212
Figure FDA00024840687000000213
和
Figure FDA00024840687000000214
分别对其子区间根据中心
Figure FDA00024840687000000215
的大小按照从小到大的顺序排列，λ表示
Figure FDA00024840687000000216
或
Figure FDA00024840687000000217
判断
Figure FDA00024840687000000218
和
Figure FDA00024840687000000219
大小，如果两者不等，较小者用它隶属度中最大子区间补足直到两者数量相等；得到隶属度相同位置子区间
Figure FDA0002484068700000031
和
Figure FDA0002484068700000032
Figure FDA0002484068700000033
根据两者距离计算两个对应zt水平切片论域元素xq的隶属度距离；设定论域离散化后元素的数目为nX，根据论域元素的距离和相应权值的加权平均计算对应zt水平切片的距离；根据zt水平切片的距离和相应权值zt的加权平均，得到广义一般二型模糊集合距离，获取接近度
Figure FDA0002484068700000034
6.根据权利要求5所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤22中，对于单变量规则模块规则后件
Figure FDA0002484068700000035
e＝1,2,…,g采用水平切片定理得到它的zt水平切片，将它的论域离散化，对于论域元素ya的隶属度
Figure FDA0002484068700000036
按从小到大的排列顺序；比较单变量规则模块中所有规则后件在(ya，zt)处对应隶属度子区间的数目
Figure FDA0002484068700000037
最大值记为
Figure FDA0002484068700000038
对于子区间数目小于最大值的隶属度用最大区间值补足；对于对应大小位置的隶属度子区间进行加权平均；遍历论域元素ya和zt水平切片，a＝1,2,…,nY，t＝0,1,…,n，得到单变量规则模块的中间输出词语语言值。
7.根据权利要求1所述的基于广义一般二型模糊集合的词计算方法，其特征在于，所述的步骤3包含：
步骤31、针对单变量规则模块，设定有M组输入评估语言值和最终输出词语语言值表示为
Figure FDA0002484068700000039
单变量规则模块对应权值表示为{wt1,wt2,…,wtN}，通过N元目标函数表示M个
Figure FDA00024840687000000310
通过约束多目标优化算法对N元目标函数进行求解，根据专业结合经验知识从求解结果{wt1 τ,wt2 τ,…,wtN τ}τ＝1 Θ中选取一组最优解{wt1 b,wt2 b,…,wtN b}；
步骤32、针对所有单变量规则模块，通过中间输出词语语言值和步骤31得到的相应单变量规则模块权值信息聚合计算待评估对象的最终输出词语语言值
Figure FDA00024840687000000311
步骤33、对于所有待评估对象的中间输出词语语言值
Figure FDA00024840687000000312
和相应权值进行信息聚合计算，得到最终输出词语语言值
Figure FDA00024840687000000313
8.一种基于广义一般二型模糊集合的词计算装置，其特征在于，基于权利要求1所述的基于广义一般二型模糊集合的词计算方法实现，包含：词语模型构建模块、中间输出获取模块、最终输出确定模块和实际问题求解模块，其中，
词语模型构建模块，用于根据具体问题通过其输入、输出词语构建广义一般二型模糊集合词语模型；
中间输出获取模块，用于建立各个评估标准的单变量规则模块，并对于每一个待评估对象，通过广义一般二型模糊集合接近度，测量其实际输入评估标准语言值和相应单变量规则模块规则前件的接近度，作为权值和相应规则后件进行聚合计算获取中间输出词语语言值；
最终输出确定模块，针对单变量规则模块，根据约束多目标优化算法获得权值和相应中间输出词语语言值通过信息聚合计算得到最终输出词语语言值，并获取所有f个待评估对象的最终输出词语语言值；
实际问题求解模块，针对最终输出词语语言值，通过分数函数方法进行排序来确定多个待评估对象相互关系，或通过计算最终输出词语语言值与已知输出词语语言值接近度并通过其选取相应词语作为最后输出结果确定待评估对象实际输出的词语语言值。
9.根据权利要求8所述的基于广义一般二型模糊集合的词计算装置，其特征在于，所述的词语模型构建模块包含：数据收集单元、模型构建单元和语言值确定单元，其中，
数据收集单元，用于根据评估标准收集区间数据，该区间数据包含确定区间数据
Figure FDA0002484068700000041
和/或不确定区间数据
Figure FDA0002484068700000042
并根据区间数据来获取一型和/或区间值二型模糊集合，其中，
Figure FDA0002484068700000043
和
Figure FDA0002484068700000044
为精确值，
Figure FDA0002484068700000045
和
Figure FDA0002484068700000046
为区间数，
Figure FDA0002484068700000047
i＝1,2,…,n；
模型构建单元，用于根据一型和/或区间值二型模糊集合构造广义一般二型模糊集合水平切片，得到广义一般二型模糊集合词语模型
Figure FDA0002484068700000048
语言值确定单元，用于确定输入词语语言值、输出词语语言值，和对于所有f个待评估对象针对每个评估标准确定实际输入词语语言值。
CN201710476116.6A 2017-06-21 2017-06-21 基于广义一般二型模糊集合的词计算方法及其装置 Active CN107273361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710476116.6A CN107273361B (zh) 2017-06-21 2017-06-21 基于广义一般二型模糊集合的词计算方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710476116.6A CN107273361B (zh) 2017-06-21 2017-06-21 基于广义一般二型模糊集合的词计算方法及其装置

Publications (2)

Publication Number Publication Date
CN107273361A CN107273361A (zh) 2017-10-20
CN107273361B true CN107273361B (zh) 2020-07-03

Family

ID=60069529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710476116.6A Active CN107273361B (zh) 2017-06-21 2017-06-21 基于广义一般二型模糊集合的词计算方法及其装置

Country Status (1)

Country Link
CN (1) CN107273361B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272233A (zh) * 2018-09-21 2019-01-25 长沙理工大学 一种基于二型模糊集合的员工胜任力评估方法
CN109726392B (zh) * 2018-12-13 2023-10-10 井冈山大学 一种基于大数据的智能语言认知信息处理系统及方法
CN111898378B (zh) * 2020-07-31 2023-09-19 中国联合网络通信集团有限公司 政企客户的行业分类方法和装置、电子设备、存储介质
CN118131634B (zh) * 2024-05-08 2024-07-09 成都大学 一种基于混沌系统的广义二型模糊自适应控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364277A (zh) * 2008-08-21 2009-02-11 上海交通大学 基于区间ⅱ型模糊集的t-s模糊模型的建模系统
US9424533B1 (en) * 2011-09-24 2016-08-23 Z Advanced Computing, Inc. Method and system for predicting an outcome of an event

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364277A (zh) * 2008-08-21 2009-02-11 上海交通大学 基于区间ⅱ型模糊集的t-s模糊模型的建模系统
US9424533B1 (en) * 2011-09-24 2016-08-23 Z Advanced Computing, Inc. Method and system for predicting an outcome of an event

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Computing with words for discrete general type-2 fuzzy sets based on a plane;liang zhao等;《 IEEE International Conference on Vehicular Electronics & Safety》;20130615;第268-271页 *
模糊数的排序及多准则模糊决策的Vague集方法;许昌林;《万方学位论文》;20100913;第40,45-47页 *

Also Published As

Publication number Publication date
CN107273361A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107273361B (zh) 基于广义一般二型模糊集合的词计算方法及其装置
Park et al. Extension of the VIKOR method for group decision making with interval-valued intuitionistic fuzzy information
Khoshbin et al. Adaptive neuro-fuzzy inference system multi-objective optimization using the genetic algorithm/singular value decomposition method for modelling the discharge coefficient in rectangular sharp-crested side weirs
Deng Multicriteria analysis with fuzzy pairwise comparison
Thong et al. A new approach to multi-variable fuzzy forecasting using picture fuzzy clustering and picture fuzzy rule interpolation method
Xu An interactive procedure for linguistic multiple attribute decision making with incomplete weight information
Uçal Sarý et al. Fuzzy analytic hierarchy process using type‐2 fuzzy sets: An application to warehouse location selection
Sharma Designing and modeling fuzzy control Systems
Djenouri et al. Fast and accurate deep learning framework for secure fault diagnosis in the industrial internet of things
Puspaningrum et al. A hybrid cuckoo optimization and harmony search algorithm for software cost estimation
Aladag et al. A new seasonal fuzzy time series method based on the multiplicative neuron model and SARIMA
Tembusai et al. K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification
CN110837857A (zh) 工业用电负荷预测方法、系统及其存储介质
Khosravi et al. Prediction interval construction using interval type-2 fuzzy logic systems
Li et al. Dempster–Shafer structure based fuzzy logic system for stochastic modeling
Potekhin et al. Intelligent control algorithms in power industry
Yolcu et al. An enhanced fuzzy time series forecasting method based on artificial bee colony
Aquino et al. A neuro-fuzzy mixing control model for the cooking process of coconut sugar
Yusuf et al. A Novel Hybrid Fuzzy Time Series Approach with Applications to Enrollments and Car Road Accidents
Zahari et al. Evaluation of sustainable development indicators with fuzzy TOPSIS based on subjective and objective weights
Kumar et al. Expected value based ranking of intuitionistic fuzzy variables
Singhal et al. An efficient approach for availability analysis through fuzzy differential equations and particle swarm optimization
Khan et al. Real time prediction of ship motions and attitudes using advanced prediction techniques
Arif et al. Algorithm Apriori Association Rule in Determination of Fuzzy Rule Based on Comparison of Fuzzy Inference System (FIS) Mamdani Method and Sugeno Method
Bačkalić et al. Adaptable fuzzy expert system for ship lock control support

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant