Representation of a Sentence using a Polar Fuzzy Neutrosophic Semantic Net
K. L. University(K L 大学)
语义网可以用来表示句子。语言中的句子包含着极性语义,即肯定语义、中性语义和否定语义。中性论是一个相对较新的科学领域,可以用来数学地表示三元组的概念。这些三位一体包括真理、不确定性和谬误,以及积极性、中立性和消极性。因此,传统的语义网已扩展到本文使用的极模糊中性语义网。在MATLAB中实现了一个极性模糊中性语义网,并用它来描述英语中的一个极性句子。本文提出了一种在计算机存储器中表示极性的方法。因此,极性概念可以应用于机器,如机器人,吸收情感,使机器情感表示成为可能。
2014-05-02 cs.AI
Plithogeny, Plithogenic Set, Logic, Probability, and Statistics
在这本书中,我们介绍了plithogenic集(作为概括的清晰,模糊,直觉模糊,和opensophic集),plithogenic逻辑(作为概括的经典,模糊,直觉模糊,和opensophic逻辑),plithogenic概率(作为概括的经典,不精确,和opensophic概率),和plithogenic统计(作为概括的经典,和opensophic统计)。致岩集是由一个或多个属性来刻画元素的集合,每个属性可以有多个值。一个属性值v有一个对应的(模糊的,直觉模糊的,或直觉模糊的)从属程度d(x,v)的元素x,到集合P,关于一些给定的标准。为了获得更好的精度为plithogenic集,逻辑,概率和更准确的包含(偏序),(模糊,直觉模糊,或直觉模糊)矛盾(相异度)度之间定义的每个属性值和占主导地位的(最重要的)属性值。同形交和并是模糊算子tnorm和tcons的线性组合,而同形补、包含、相等则受属性值矛盾(相异)度的影响。正式定义plithogenic集,逻辑,概率,统计介绍到这本书,其次是plithogenic聚合算子,各种定理与他们有关,后来的例子和应用这些新概念在我们的日常生活。
2018-08-12 cs.AI
Advancing Uncertain Combinatorics through Graphization, Hyperization, and Uncertainization: Fuzzy, Neutrosophic, Soft, Rough, and Beyond
本书通过引入neutrosophic超集等新概念,扩展了图论和集合论在不确定性和超结构中的应用,为组合学和不确定性理论提供了新的研究方向。
2026-02-22 cs.AI cs.DM cs.LG
Shannon Entropy for Neutrosophic Information
Research Center for Electronics and Information Technology, Valahia University(瓦拉希亚大学电子与信息技术研究中心)
本文给出了Shannon熵的一种推广,它适用于人工智能信息.这个扩展使用了一个新的公式来计算两个三元组之间的距离。此外,还对双模糊、直觉模糊和次协调模糊信息给出了具体的结果。
2018-09-24 cs.AI
Margin-aware Fuzzy Rough Feature Selection: Bridging Uncertainty Characterization and Pattern Classification
Department of Electrical and Computer Engineering, University of Alberta(阿尔伯塔大学电气与计算机工程系);Department of Computer Science and Technology, Nanjing University(南京大学计算机科学与技术系);School of Computer, Jiangsu University of Science and Technology(江苏科技大学计算机学院);School of Artificial Intelligence and Computer Science, Nantong University(南通大学人工智能与计算机科学学院)
针对现有模糊粗糙特征选择仅关注降低不确定性却未必提升分类性能的问题,提出同时考虑标签类紧致性与分离性的MAFRFS框架,在15个公开数据集上表现优于现有6种SOTA特征选择算法。
2025-05-21 cs.AI cs.LG
An Application of Neutrosophic Sets to Decision Making
School of Engineering, University of Peloponnese(伯罗奔尼撒大学工程学院)
针对决策者对模糊或定性参数刻画存疑的决策问题,本文将软集表格中的二元元素替换为中智三元组,提出一种新的中智决策方法,并通过足球俱乐部选拔新球员的案例加以说明。
2023-05-16 cs.AI
Certain Bayesian Network based on Fuzzy knowledge Bases
Research Group on Intelligent Machines(智能机器研究组);National School of Engineers(国家工程师学校)
在本文中,我们试图检查之间的权衡模糊逻辑和某些贝叶斯网络,我们提出了结合各自的优势到模糊确定贝叶斯网络(FCBN),模糊随机变量的确定贝叶斯网络。本文论述了不确定性的不同定义和分类、不确定性的来源以及处理不确定性的理论和方法。将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。其目的是提供一种新的方法,结合三种方法:贝叶斯网络,确定性分布和模糊逻辑的不确定性下的决策。在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。
2012-06-05 cs.AI
Ambiguity-Driven Fuzzy C-Means Clustering: How to Detect Uncertain Clustered Records
Isfahan University of Technology(伊斯法罕理工大学)
作为一种著名的聚类算法,模糊C均值(FCM)允许每个输入样本属于一个以上的类,提供了更多的灵活性比非模糊聚类方法。然而,模糊C均值算法的准确性在某些情况下受到噪声记录、弱特征选择和低确定性所导致的误检测的影响。在网络安全和医疗诊断等决策应用领域,错误检测是非常重要的,其中基于这种错误检测的弱决策可能导致灾难性的结果。它们主要是在对一个子集的记录做出决策时出现的,这些记录没有提供足够的证据来做出一个好的决策。在本文中,我们提出了一种方法来检测模糊聚类中的模糊记录,通过引入一个确定性因子,以减少无效检测。这种方法使我们能够将检测到的模糊记录发送到另一种判别方法进行更深入的调查,从而通过降低出错率来提高准确性。与类似的混合方法相比,大多数记录仍然被快速处理并且具有低出错率,这防止了性能损失。在不同领域的多个数据集上的实验结果表明,该方法在出错率上有明显的降低,同时提高了算法的灵敏度。
2014-09-09 cs.AI cs.CV
The Combination of Paradoxical, Uncertain, and Imprecise Sources of Information based on DSmT and Neutro-Fuzzy Inference
不确定的、不精确的、模糊的、甚至矛盾的或高度冲突的信息源的管理和组合,对于发展包括人工推理的可靠的现代信息系统来说,一直是,并且今天仍然是最重要的。在这一章中,我们提出了一个调查,我们最近的理论似是而非的和矛盾的推理,被称为Dezert-Smarandache理论(DSmT)在文献中,开发用于处理不精确,不确定和矛盾的信息来源。我们把重点放在我们的介绍,而不是在DSmT的基础上,并在两个重要的新规则的组合,而不是在浏览特定的应用DSmT文献。几个简单的例子给出了整个演示文稿,以显示这种新方法的效率和通用性。本章的最后一部分涉及的介绍的哲学逻辑,模糊推理及其与DSmT的联系。采用Dsm混合质量组合规则对信息进行融合后,模糊逻辑和推理逻辑成为决策的有用工具。
2004-12-19 cs.AI
Soft Neutrosophic Algebraic Structures and Their Generalization
软集合的研究最早由Molodtsov于1999年提出,以非参数的方式处理不确定性。软集合理论在当时并没有引起研究者的重视,但现在软集合理论已经在数学的许多领域得到了发展。使用软集合理论的代数结构发展非常迅速。在这本书中,我们开发了软代数结构,通过使用软集合和代数结构。在这本书中,我们研究软代数群,软代数半群,软代数环,软代数LA-半群,以及它们的推广。
2014-08-23 cs.AI
Breaking the Chains of Probability: Neutrosophic Logic as a New Framework for Epistemic Uncertainty in Large Language Models
Universidad Bolivariana del Ecuador, Coordinación Académica de Posgrado(巴尔干大学厄瓜多尔分校,研究生院);Universidad de Guayaquil(瓜亚基尔大学);Universidad Bernardo O’Higgins(伯纳多·奥希金斯大学);Mathematics, Physics, and Natural Sciences Division, University of New Mexico(新墨西哥大学数学、物理和自然科学系)
本文提出使用中智逻辑(Truth、Indeterminacy、Falsity三个独立维度)替代传统概率框架,通过实验发现该框架能更丰富地表示LLM的内部状态,并在35%的评估中自发出现超真状态,为透明、可靠和伦理感知的AI系统提供关键步骤。
2026-05-22 cs.AI cs.CL cs.LG
Neutrosophic soft sets with applications in decision making
Çankırı Karatekin University(坎卡勒卡拉泰金大学)
本文首先给出了数学软集上的Maji \cite{maji-2013}的定义和性质。然后,我们给他的研究几个笔记。其次,在Pakistan的\cite{cagman-2014}的基础上,重新定义了仿射软集和仿射软集运算的概念,使其具有更强的功能。利用这些新的定义,我们构造了一种决策方法和一种从方案中选择最优元素集的群决策方法。最后,我们提出的例子表明,该方法可以成功地应用于许多问题,包含不确定性。
2014-06-02 cs.AI
Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks
Universidad de Guayaquil(瓜亚基尔大学);Universidad Bolivariana del Ecuador(厄瓜多尔玻利瓦尔大学);Universidad Bernardo O'Higgins(贝尔纳多·奥希金斯大学)
本研究提出基于中智集分解的集成分类方法,通过四个不确定性指标在轴承故障检测中区分错误与模糊预测,并在CWRU和JNU基准上验证,发现预测熵指标有效而决策分歧贡献有限,融合时频域模型可提升不确定性评估。
2026-10-07 cs.AI cs.LG
Deciding When Not to Decide: Indeterminacy-Aware Intrusion Detection with NeutroSENSE
University of Washington(华盛顿大学)
本文提出中智学增强集成框架 NeutroSENSE,将预测置信度分解为真、假、不确定三个分量,在 IoT-CAD 数据集上实现 97% 准确率,并利用不确定性实现有依据的弃权和针对性审查,提升边缘物联网入侵检测的可信度与可解释性。
2025-06-05 cs.AI cs.CR cs.LG
Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System
Jheronimus Academy of Data Science, Eindhoven University of Technology, Eindhoven, The Netherlands(杰罗尼穆斯数据科学学院,埃因霍温理工大学,埃因霍温,荷兰);Haskoning, Amersfoort, The Netherlands(哈索宁,阿默斯福尔特,荷兰);School of Industrial Engineering, Eindhoven University of Technology(工业工程学院,埃因霍温理工大学)
本文提出一种区间型2神经模糊系统,用于废水处理能耗预测,通过模糊规则结构生成可解释的预测区间,分解不确定性层级,提升决策可靠性。
2026-01-26 cs.AI cs.LG
FISformer: Replacing Self-Attention with a Fuzzy Inference System in Transformer Models for Time Series Forecasting
Computer Engineering Department, Gaziantep University(加扎莱普大学计算机工程系)
FISFormer通过模糊推理机制替代传统注意力机制,提升时间序列预测中对不确定性和非线性依赖的建模能力,实验显示其在准确性、鲁棒性和可解释性上优于现有Transformer变体。
2026-03-23 cs.AI cs.LG
ADNF-Clustering: An Adaptive and Dynamic Neuro-Fuzzy Clustering for Leukemia Prediction
ADNF-Clustering通过自适应动态神经模糊聚类方法,提升白血病预测的准确性和实时性,实现对白血病细胞模式的自适应分析与不确定性建模。
2025-11-28 cs.AI cs.LG
OWA aggregation of multi-criteria with mixed uncertain fuzzy satisfactions
Xi’an Jiaotong University(西安交通大学);University of Electronic Science and Technology of China(电子科技大学)
我们将有序加权平均(OWA)算子应用于多准则决策。针对不同的不确定性,提出了基于测度的优势度方法,以获得不同准则的阶数。然而,这一思想至今尚未在模糊系统中得到应用。在本文中,我们关注的情况下,语言的满意度是模糊的措施,而不是确切的值。本文回顾了OWA算子的概念,讨论了模糊数的序机制。然后,我们结合基于测量的优势,给出每个选项的总体得分。最后通过一个实例说明了整个过程。
2019-01-24 cs.AI
Defuzzify firstly or finally: Dose it matter in fuzzy DEMATEL under uncertain environment?
Southwest University(西南大学);Vanderbilt University(范德堡大学)
决策试验与评估实验室(DEMATEL)方法在实际应用中有着广泛的应用。模糊DEMATEL因其能够有效处理决策中的不确定信息而受到广泛研究。最近,Dytczak和Ginda建议先对模糊数进行去模糊化,然后使用经典的DEMATEL方法来得到最终结果。在这篇简短的论文中,我们证明了在某些情况下它是不合理的。第一步的反模糊化结果与最后一步的反模糊化结果并不一致,看来在模糊DEMATEL中最后一步反模糊化是一种替代方法。
2014-03-20 cs.AI
Modeling Uncertainty and Imprecision in Nonmonotonic Reasoning using Fuzzy Numbers
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达普大学)
为了处理推理中的不确定性,区间值逻辑被发展起来。但是,统一的区间不能捕捉区间中不同值的置信度差异。为了解决这个问题,三角形和梯形模糊数被用作真值集以及传统的区间。在定义于$[0,1]$上的模糊数集合上定义了基于前序的真值和知识序。基于这一增强的认知状态集,开发了一个答案集框架,并适当定义了逻辑连接词。这种框架在规则可能包含例外的非单调环境下,对具有模糊和不确定信息的知识表示和推理是有效的。
2020-01-03 cs.AI
Uncertainty measures for probabilistic hesitant fuzzy sets in multiple criteria decision making
Quchan University of Technology(库昌理工大学);University of Melbourne(墨尔本大学)
本文批判性地回顾了现有的概率犹豫模糊集(PHFS)的熵测度,并证明了这些熵测度在某些情况下不能有效地区分各种不同的PHFS。在续集中,我们开发了一个新的公理化框架的熵措施的概率犹豫模糊元素(PHFEs)考虑两个方面的不确定性与PHFEs被称为模糊性和非特异性。对于每种不确定性,推导出一些公式,允许灵活选择PHFE熵措施。此外,在PHFE熵测度的基础上,我们引入了一些基于熵的距离测度,并将其用于比较分析部分。
2020-11-16 cs.AI
Uncertain and Approximative Knowledge Representation to Reasoning on Classification with a Fuzzy Networks Based System
Institut Préparatoire aux études d'Ingénieur de Monastir(莫纳斯提尔工程师预科学院)
这里描述的方法允许使用模糊对象表示的不精确和不确定的知识。这种表示有很大的实际意义,由于可能实现推理的分类与模糊语义网络为基础的系统。例如,必要的,可能的和用户类之间的区别允许考虑到可能出现在模糊知识库中的异常,并促进用户对象在基础中的集成。这种方法描述了整个实验性人工智能体系结构的理论方面。我们内置的了一个系统,以便为新技术系统的用户提供有效的在线帮助:从自然语言的查询中理解“它是如何工作的”和“如何完成任务”。在我们的模型中,程序语义网络被用来描述一个“理想”的专家的知识,而模糊集被用来描述模糊语义网络中的新手用户的近似和不确定的知识进行干预,以匹配模糊标签的查询与类别,从我们的“理想”的专家。
2012-06-11 cs.AI
Uncertainty in Soft Temporal Constraint Problems:A General Framework and Controllability Algorithms for the Fuzzy Case
University of Padova(帕多瓦大学);SRI International(SRI国际)
在现实生活中的时间场景中,不确定性和偏好往往是必不可少的和共存的方面。我们提出了一个形式主义,定量的时间约束的偏好和不确定性可以定义。我们展示了如何控制性的三个经典概念(即,强,弱,动态),这已经发展为不确定的时间问题,可以推广到处理偏好。在定义了这个一般框架之后,我们专注于偏好遵循模糊方法的问题,并具有确保易处理性的属性。对于这样的问题,我们提出了算法来检查的可控性属性的存在。特别是,我们表明,在这样的设置同时处理的偏好和不确定性不会增加可控性测试的复杂性。我们还开发了一个动态的执行算法,多项式的复杂性,产生时间计划的不确定性,是最佳的模糊偏好。
2011-10-10 cs.AI
An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh(巴里利学院数学系,巴里利(MJP罗希尔坎德大学),乌塔尔 Pradesh);CSIR-Central Electronics Engineering Research Institute, Pilani, Rajasthan(CSIR-中央电子工程研究机构,比兰蒂,拉贾斯坦);CICMR, Regional Medical Research Center, Dibrugarh, India(CICMR,迪布格尔中心医学研究中心,印度);Department of Statistics, Bareilly College, Bareilly, Uttar Pradesh(巴里利学院统计系,巴里利,乌塔尔 Pradesh)
本文提出一种融合模糊逻辑的损失函数,用于解决MRI脑图像分割中的不确定性问题,通过结合分类交叉熵和模糊熵,提升分割性能和模型预测可靠性。
2026-04-13 cs.AI cs.CV cs.LG
Uncertainty Management for Fuzzy Decision Support Systems
University of Houston(休斯顿大学)
本文提出了一种新的模糊规则决策支持系统的不确定性管理方法:领域专家的知识由一组规则表示,这些规则通常涉及模糊和不确定的命题。命题的确定性用区间[a,b]表示,表示命题的概率至少为a,至多为b。介绍了用逻辑连接词“与”、“或”和“不”定义的模糊复合命题的总体确定性的计算方法和技巧。不同的推理模式应用模糊规则使用肯定前件进行了讨论。提供了用于组合已经从相同命题的不同规则接收的证据的不同算法。分析了该方法与其他方法的关系,并对该方法的知识获取和知识表示问题进行了详细讨论。一个基于规则的程序设计语言称为PICASSO,其中的方法是一个理论基础的基本概念,概述。
2013-03-27 cs.AI
Reasoning with fuzzy and uncertain evidence using epistemic random fuzzy sets: general framework and practical models
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Institut universitaire de France(法兰西大学研究院)
提出认知随机模糊集通用理论以统一 Dempster-Shafer 理论与可能性理论,并引入 Gaussian 随机模糊数和向量作为可闭式计算的实用不确定性模型。
2024-05-07 cs.AI stat.ME
On modeling vagueness and uncertainty in data-to-text systems through fuzzy sets
Centro Singular en Investigación en Tecnoloxías da Información (CiTIUS), Universidade de Santiago de Compostela(圣地亚哥-德孔波斯特拉大学信息技术研究中心);University of Aberdeen(阿伯丁大学);Universidade de Santiago de Compostela(圣地亚哥-德孔波斯特拉大学);University of Dundee(邓迪大学)
模糊性和不确定性管理被认为是从非语言数据生成文本的系统(称为数据到文本系统)中尚未解决的挑战之一。在过去的十年中,在模糊语言总结和描述数据的工作已经提出了使用模糊集建模和管理人类语言的不精确性在数据到文本系统的兴趣。然而,尽管在这个方向上的一些研究,还没有一个实际的明确的讨论和理由,模糊集如何有助于数据到文本的建模准确性和不确定性的话和表达式。本文旨在弥合这一差距,回答以下问题:什么是模糊集理论的意义?在数据到文本的上下文中,准确性意味着什么?模糊集理论在哪些方面可以帮助改进数据到文本系统?什么是挑战,研究人员从这两个学科需要解决一个成功的模糊集集成到数据到文本系统?在D2T中,在哪些情况下应避免使用模糊集?为此,我们回顾和讨论了自然语言生成和数据到文本中的模糊性建模的艺术状态,描述了模糊集在数据到文本上下文中的潜在和实际用途,并提供了一些额外的见解,利用基于模糊集的技术的数据到文本系统的工程。
2017-10-27 cs.AI
The State of the Art in Developing Fuzzy Ontologies: A Survey
Shahid Beheshti University(沙希德·贝赫什提大学)
由典型本体支持的概念形式主义可能不足以表示由于领域的概念之间缺乏清晰的边界而导致的不确定性信息。模糊本体论的提出提供了一种方法来处理这种不确定性。本文介绍了在发展模糊本体的艺术状态。该调查是通过研究从一批100篇模糊本体领域的文章中发展模糊本体的约35部作品而产生的。
2018-05-06 cs.AI
Dealing with uncertainty in fuzzy inductive reasoning methodology
U.P.I.I.C.S.A.
本研究的目的是在模糊归纳推理(FIR)方法的背景下,开发一种不确定性策略下的推理。FIR算法是由G.克利尔它是一种基于系统行为而不是结构知识的数据驱动方法。它是一个非常有用的工具,为那些系统的建模和预测,没有以前的结构知识。FIR推理基于从可用数据合成的模式规则。模式规则库的大小可能非常大,使得预测过程相当困难。为了减少模式规则库的大小,可以从模式规则集开始自动提取经典Sugeno模糊规则。Sugeno规则库尽可能多地保留模式规则知识。在这个过程中,一些信息丢失,但鲁棒性大大增加。在预测过程中,可以使用模式规则库或Sugeno模糊规则库。当计算资源使得有可能处理整个模式规则库或当提取的模糊规则由于与原始数据相关联的不确定性而不够准确时,第一选项是期望的。在第二种选择中,预测过程是通过经典的Sugeno推理系统来完成的。如果与数据相关的不确定性很小,则使用Sugeno模糊规则库获得的预测将非常准确。本文提出了一种混合模式/模糊规则的策略来处理不确定性的方式,最好的两个角度。通过所谓的误差模型来识别数据空间中具有较高不确定性的区域。在这些领域的预测过程中,利用混合模式/模糊规则计划,而确定的不确定性较低的地区只使用Sugeno模糊规则库。所提出的策略被应用到一个真正的生物医学系统,即,控制心血管系统的中枢神经系统。
2012-10-19 cs.AI
A Modelling Approach Based on Fuzzy Agents
ESTA, School of Business & Engineering(ESTA 商业与工程学院);IRTES-M3M, University of Technology of Belfort-Montbéliard(贝尔福-蒙贝利亚尔技术大学 IRTES-M3M)
复杂系统的建模主要基于将这些系统分解为自治元素,以及识别和定义这些元素之间可能的相互作用。为此,基于代理的方法是经常提出的建模解决方案。复杂性也可能是由于外部事件或系统内部,其主要特征是不确定性,不精确性,或其感知是主观的(即解释)。由于模糊逻辑为不确定性建模提供了一种解决方案,模糊主体的概念可以同时对复杂性和不确定性进行建模。本文重点介绍了模糊Agent的概念:一个经典的体系结构的Agent重新定义根据模糊的角度。然后提出了一个智能灌溉系统的模糊代理的教学说明。
2013-02-26 cs.AI
A Novel Fuzzy Logic Based Adaptive Supertwisting Sliding Mode Control Algorithm for Dynamic Uncertain Systems
St. Peter’s University(圣彼得大学);Sahyadri College of Engineering and Management(萨亚德里工程与管理学院);PA College of Engineering(PA工程学院)
针对动态不确定系统的控制问题,提出了一种基于模糊逻辑的自适应超扭曲滑模控制器。该控制器综合了二阶滑模控制、模糊逻辑控制和自适应控制的优点。该控制器保证了系统的到达条件、稳定性和鲁棒性。此外,所提出的控制器是非常适合简单的设计和实施。基于Matlab的DC-DC Buck变换器仿真结果表明,该控制器优于一阶滑模模糊逻辑控制器。基于这种比较,所提出的控制器,以获得所需的瞬态响应,而不会引起抖振和稳态条件下的错误。所提出的控制器是能够给鲁棒性的性能方面的拒绝输入电压变化和负载变化。
2012-08-10 cs.AI
A Novel Multicriteria Group Decision Making Approach With Intuitionistic Fuzzy SIR Method
The Hong Kong Polytechnic University(香港理工大学)
优劣排序(SIR)方法是PROMETHEE方法的改进,它能更有效地处理多准则决策(MCDM)问题。直觉模糊集是模糊集的一个重要扩展,它包含了隶属函数和非隶属函数,可以更精确地描述不确定性信息。在现实世界中,决策往往是在不确定的环境下进行的,涉及到多个个体,他们对决策问题的处理有着各自的观点。为了解决不确定群MCDM问题,本文提出了一种新的直觉模糊SIR方法。该方法利用直觉模糊集结算子和SIR排序方法处理不确定信息,将个体意见整合为群体意见,基于多准则进行决策,最后构造特定的决策图。所提出的方法是说明在模拟的群体决策问题相关的供应链管理。
2011-07-06 cs.AI
Generating the Structure of a Fuzzy Rule under Uncertainty
Universidad de Granada(格拉纳达大学)
本文的目的是提出一种方法,用于识别模糊模型中的规则的结构。为此目的,应使用自动柜员机系统(Atchita 1994)。将建议一种获得结构识别的算法(Castro 1995)。规则的最小结构(相对于必须出现在规则中的变量的数量)将通过该算法找到。此外,识别参数应同时获得。将所提出的方法应用于实例分类。所有三种植物都要学习{em Iris Plant Database}。
2013-02-20 cs.AI
A Counterexample to the Forward Recursion in Fuzzy Critical Path Analysis Under Discrete Fuzzy Sets
Villanova University(维拉诺瓦大学)
模糊逻辑是量化与活动持续时间有关的不确定性的另一种方法。向后递归的模糊版本已被证明会产生错误地放大不确定性水平的结果。然而,模糊版本的前向递归已被广泛提出作为一种方法来确定模糊集的关键路线长度。本文直接应用可拓原理导出了模糊关键路线分析中必须满足的一个命题。使用一个反例,它表明,模糊前向递归离散模糊集被用来表示活动持续时间产生的结果是不一致的理论。这个问题被证明是模糊最大值的应用。在文献中提出的几种方法进行了描述,并显示提供的结果是一致的扩展原则。
2016-05-09 cs.AI
Belief functions induced by random fuzzy sets: A general framework for representing uncertain and fuzzy evidence
Université de technologie de Compiègne(贡比涅技术大学);CNRS UMR 7253 Heudiasyc(法国国家科学研究中心联合研究单位7253 赫迪亚西克实验室);Shanghai University(上海大学);UTSEUS(上海大学中欧工程技术学院);Institut universitaire de France(法兰西大学研究院)
我们重温扎德的概念,“第二类证据”,并表明它提供了基础的一般理论的认知随机模糊集,概括了Dempster-Shafer理论的信念函数和可能性理论。从这个角度来看,Dempster-Shafer理论处理随机集生成的信念函数,而可能性理论处理模糊集诱导的信念函数。更一般的理论使我们能够代表和组合的证据,是不确定的和模糊的。我们证明了这种形式主义的统计推断的应用,并表明,它使得有可能调和的可能性解释的可能性与贝叶斯推断。
2020-10-16 cs.AI math.ST stat.TH
Uncertain Linear Logic via Fibring of Probabilistic and Fuzzy Logic
从一个简单的语义命题,计数观测的基础上,它表明,概率和模糊逻辑对应于两个不同的启发式假设的组合的命题的证据基础是目前不可用。这两种不同的启发式假设导致两组不同的公式,用于通过格运算传播定量真值。结果表明,这两组公式为线性逻辑中的乘法和加法算子集提供了一个自然的基础。然后,线性逻辑的标准规则作为底层语义的结果出现。线性逻辑作为“资源逻辑”的概念在这里通过“证据守恒”原则来体现--线性逻辑中对弱化和收缩的限制有助于避免证据的重复计算(超出通过使用启发式真值价值函数而引起的任何重复计算)。
2020-09-28 cs.AI
Fuzzy finite element model updating using metaheuristic optimization algorithms
University of Johannesburg(约翰内斯堡大学);Swansea University(斯旺西大学)
本文采用一种基于模糊逻辑的非概率方法对有限元模型进行修正。模型修正技术利用实测数据来提高结构数值模型的精度。然而,测量数据被实验噪声污染,并且由于参数的随机性,模型不准确。这种偶然的不确定性是不可约的,可能会降低有限元模型修正过程的精度。然而,可以使用不确定性量化方法来识别更新参数中的不确定性。本文将模态参数的不确定性定义为模糊隶属函数,将模型修正过程定义为每个α截层的优化问题。为了确定更新后的参数的隶属函数,目标函数的定义和最小化,使用两个元启发式优化算法:蚁群优化(ACO)和粒子群优化(PSO)。通过一个结构算例,验证了粒子群算法和蚁群算法的模糊模型修正策略的精度。并将模糊有限元模型修正结果与贝叶斯模型修正结果进行了比较。
2017-01-03 cs.AI
A Comparison of Non-stationary, Type-2 and Dual Surface Fuzzy Control
第一型模糊逻辑常用于控制系统中。然而,这种方法有时被证明是过于限制,无法适应存在的不确定性。在本文中,我们比较类型1模糊控制与其他几种模糊方法在一系列的不确定条件下。区间型2和非平稳模糊控制器进行了比较,随着“双表面”2型控制,命名为由于利用从标准区间型2系统产生的下限和上限值。我们调整1型控制器,然后从1型系统的隶属函数和足迹的不确定性,并评估它们使用模拟的自主航行问题与不同的环境不确定性。我们表明,虽然这些更复杂的控制器可以产生更好的性能比1型控制器,这是不能保证的,不确定性的足迹(FOU)的大小的选择有很大的影响,这种相对性能。
2013-07-03 cs.AI cs.NE
A Fuzzy Logic Prompting Framework for Large Language Models in Adaptive and Uncertain Tasks
本文提出一种基于模糊逻辑和最近发展区的模块化提示框架,通过边界提示与控制模式使LLMs无需微调即可自适应调节行为,在智能辅导等任务中提升了脚手架质量与教学一致性。
2025-08-08 cs.AI
KANFIS: A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning
School of Information Science and Engineering, Lanzhou University, China(信息科学与工程学院,兰州大学);School of Computing and Information Technology, University of Wollongong, Australia(计算与信息科技学院,沃林戈大学);Department of Data Science and Artificial Intelligence, Monash University, Australia(数据科学与人工智能系,墨尔本大学)
KANFIS通过结合模糊推理与加法函数分解,提供了一种紧凑且可解释的神经符号框架,能够有效处理不确定性并提升模型的可解释性。
2026-09-29 cs.AI
A fuzzy relation-based extension of Reggia's relational model for diagnosis handling uncertain and incomplete information
Institut de Recherche en Informatique de Toulouse(图卢兹计算机科学研究所);C.N.R.S.(法国国家科学研究中心);Universite Paul Sabatier(保罗·萨巴蒂埃大学)
用于诊断的关系模型基于对病症和表现之间的关联的直接描述。这种类型的模型已经被Reggia和他的同事们在80年代后期专门使用和开发,作为接近诊断问题的基本出发点。本文提出了一种新的关系模型,其中包括Reggia的模型作为一个特殊的情况下,它允许一个更有表现力的表示的意见和与疾病相关的表现。该模型区分,i)肯定不存在的表现和(尚未)观察到的表现,以及ii)不能由给定疾病引起的表现和我们不知道是否可以或不能由这种疾病引起的表现。这种新的模型,它可以处理不确定性的非概率的方式,是基于可能性理论和所谓的双重模糊集,以前介绍的作者。
2013-03-06 cs.AI
Survey of Various Fuzzy and Uncertain Decision-Making Methods
本文综述了考虑不确定性的多准则决策方法,分类了任务导向的体系结构,总结了问题设置、权重获取及跨准则结构,并对比了不同解决方案,提供了选择方法的指导。
2026-03-16 cs.AI cs.CE cs.CY
Quantifying Uncertainty in Risk Assessment using Fuzzy Theory
Old Dominion University(奥多明尼昂大学)
风险专家正试图更好地理解风险,并使用复杂的模型进行风险评估,而许多风险尚未得到很好的理解。由于缺乏经验数据以及复杂的因果关系和结果关系,很难估计某些风险类型的风险程度。传统的风险模型是基于经典集合论的。相比之下,模糊逻辑模型是建立在模糊集理论上的,对于分析知识不足或数据不准确的风险是有用的。模糊逻辑系统有助于使大规模风险管理框架更加简单。对于没有适当概率模型的风险,模糊逻辑系统可以帮助建立因果关系模型,评估风险暴露程度,以一致的方式对关键风险进行排名,并考虑可用数据和专家意见。此外,在模糊逻辑系统中,一些规则明确地解释了模型因素之间的连接、依赖和关系。这有助于确定风险缓解解决方案。资源可用于降低风险,风险敞口水平非常高,对冲成本相对较低。模糊集和模糊逻辑模型可以与贝叶斯和其他类型的方法识别和决策模型一起使用,包括人工神经网络和决策树模型。这些开发的模型有可能解决困难的风险评估问题。本研究探讨了模糊逻辑模型可用于改善风险评估和风险决策的领域。我们将讨论在风险评估中使用模糊逻辑系统的方法、框架和过程。
2020-09-20 cs.AI math.OC
Shannon entropy for intuitionistic fuzzy information
Research Center for Electronics and Information Technology(电子与信息技术研究中心);Valahia University(瓦拉几亚大学)
本文将Shannon模糊熵推广到直觉模糊熵。首先给出了一个新的直觉模糊信息距离和相似度计算公式。然后,我们构建了信息特征,如得分,确定性和不确定性的措施。引入了护送模糊信息的概念。然后,利用护送模糊信息,得到了直觉模糊信息的Shannon公式.应该强调的是,直觉模糊信息的香农熵验证了直觉模糊不确定性的四个定义条件。它的两个组成部分的措施也被确定:模糊性(模糊性)和不完整性(无知)。
2018-07-06 cs.AI cs.IT math.IT
Structured Multi-Criteria Evaluation of Large Language Models with Fuzzy Analytic Hierarchy Process and DualJudge
St. Petersburg State University(圣彼得堡国立大学);ITMO University(ITMO大学)
本文提出基于模糊层次分析法的结构化评估方法,通过引入置信度感知的模糊AHP扩展,提升对大型语言模型评估的准确性与稳定性,提出DualJudge框架实现直观与 deliberative评估的互补。
2026-04-04 cs.AI
Renewable Energy Sources Selection Analysis with the Maximizing Deviation Method
Istanbul University-Cerrahpaşa(伊斯坦布尔大学-塞拉赫帕沙)
本研究提出一种结合区间值费马泰模糊集与偏差最大化方法的优化模型,用于在不确定环境下确定特征权重,并应用于可再生能源来源选择,兼顾技术与管理政治影响。
2025-09-06 cs.AI
A Fuzzy Directional Distance Measure
University of Nottingham(诺丁汉大学);Loughborough University(拉夫堡大学)
两个模糊集之间的距离度量是模糊集理论中的一个基本工具,然而,目前文献中的距离度量使用一个明确的值来表示模糊集之间的距离。将实值距离测度发展为模糊距离测度,更好地反映了模糊集合中的不确定性,并提出了模糊方向距离测度,说明了模糊集合之间的变化方向。一个乘法的版本,探索了一个完整的最大分配是计算上难以处理的,所以提供了一个中间的解决方案。
2014-09-03 cs.AI
A New Type-II Fuzzy Logic Based Controller for Non-linear Dynamical Systems with Application to a 3-PSP Parallel Robot
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
本文提出一种基于类型-II 模糊逻辑的控制器,用于非线性动力学系统,应用于3-PSP并联机器人,以应对不确定性问题。
2016-12-05 cs.AI cs.SY eess.SY
A Hypervolume Based Approach to Rank Intuitionistic Fuzzy Sets and Its Extension to Multi-criteria Decision Making Under Uncertainty
Istanbul Technical University(伊斯坦布尔理工大学)
本文证明了非线性距离函数下直觉模糊集距离排序假设的缺陷,提出基于超体积的排序方法及多准则决策扩展HVAS,并应用于土耳其能源评估与TOPSIS等方法比较。
2022-12-25 cs.AI math.LO
Fuzzy Logic in Narrow Sense with Hedges
Hanoi University of Mining and Geology(河内矿业地质大学)
经典逻辑有一个严重的局限性,因为它不能处理人类推理的大多数模式都陷入的不确定性和不确定性问题。为了在模糊、不精确和不确定的情况下为人类的知识表示和推理提供基础,模糊逻辑必须具有处理语言模糊限制语的能力,而语言模糊限制语在模糊谓词的修改中起着非常重要的作用。本文用Novak等人提出的分级语法对狭义模糊逻辑进行了扩展,有很多对冲连接词。在一种情况下,每个对冲没有任何对偶对冲。在另一种情况下,每个对冲都可以有自己的双重对冲。所得到的逻辑也具有Pavelka式的完备性
2016-08-29 cs.AI cs.LO
Conformance Checking of Fuzzy Logs against Declarative Temporal Specifications
Free University of Bozen-Bolzano(波尔扎诺自由大学);University of Bologna(博洛尼亚大学);University of Edinburgh(爱丁堡大学)
针对事件数据带不确定性的场景,研究模糊日志与声明式时态规则的一致性检查问题,定义模糊版LTLf、将检查转化为该逻辑的验证问题,并给出基于PyTorch的高效概念验证实现。
2024-06-17 cs.AI cs.LO
Type-2 fuzzy reliability redundancy allocation problem and its solution using particle swarm optimization algorithm
South Asian University(南亚大学)
提出了一类模糊多目标可靠性冗余分配问题(FMORRAP),该问题在第2类模糊不确定性下,使系统可靠性最大化,同时使系统费用最小化.在建议的配方,高阶不确定性(如参数,制造,环境和设计师的不确定性)与系统建模与区间2型模糊集(IT 2 FS)。区间2型隶属函数(IT 2 MF)的不确定性足迹通过捕获来自多个系统专家的多个意见来容纳这些不确定性。我们考虑IT 2 MF来表示子系统的可靠性和成本,根据其配置,使用可拓原理进一步聚合以评估总系统可靠性和成本,即,串联并联和并联串联。我们提出了一种基于粒子群优化(PSO)的新的解决方法来解决FMORRAP。为了证明两个配方,即,串联并联FMORRAP和并联串联FMORRAP的适用性,我们进行了实验模拟各种数值数据集。决策者/系统专家为目标(系统可靠性和成本)分配不同的重要性,这些偏好由权重集表示。最优结果从我们的解决方案的方法,和帕累托最优前沿建立使用这些不同的权重集。实施遗传算法(GA),比较我们提出的解决方案所获得的结果。对粒子群算法和遗传算法进行了统计分析,发现基于粒子群算法的Pareto解优于遗传算法。
2020-05-02 cs.AI cs.NE math.OC
Integrating Fuzzy and Ant Colony System for Fuzzy Vehicle Routing Problem with Time Windows
Maharishi Markandeswar University(玛哈日希·马尔坎德什瓦尔大学)
本文研究了行程时间不确定的模糊VRPTW问题。可信度理论是用来模拟的问题,并指定一个偏好指数,在该指数下,它是希望的旅行时间,以达到客户落入他们的时间窗口。我们提出了基于模糊和蚁群系统的进化算法来解决这个问题,同时保持约束。计算结果的某些基准问题具有短和长的时间范围,以显示该算法的有效性。不同的偏好指数之间的比较已经获得,以帮助用户在作出适当的决定。
2014-11-14 cs.AI cs.CE cs.NE