基于Tversky参数化的犹豫模糊集相似性测度研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (14): 54-61.

基于Tversky参数化的犹豫模糊集相似性测度研究

彭定洪1，2，聂军1

1.昆明理工大学质量发展研究院，昆明 650093
2.哈尔滨理工大学管理学院，哈尔滨 150040

出版日期:2016-07-15 发布日期:2016-07-18

Research about similarity measure of hesitant fuzzy set based on Tversky’s parameterized model

PENG Dinghong1，2, NIE Jun1

1.Institute of Quality Development, Kunming University of Science and Technology, Kunming 650093, China
2.School of Management, Harbin University of Science and Technology, Harbin 150040, China

Online:2016-07-15 Published:2016-07-18

摘要/Abstract

摘要： 针对传统的犹豫模糊集相似性测度对原始数据信息处理不全面的问题，提出一种基于Tversky参数化比率相似性模型的犹豫模糊集相似性测度函数，分析其差异化系数在不同需求情况下的转换形式，并运用于犹豫模糊信息的聚类分析。新的相似性测度函数一方面可避免因添加或取特定的值而导致原始数据信息不准确，另一方面通过对差异化系数的赋值，得出多组可供比较的相似性结果，体现出相似性测度函数良好的动态性和数值的精确性。

关键词: 犹豫模糊Tversky相似性测度, 犹豫模糊集, Tversky参数化比率相似性模型, 聚类分析

Abstract: Since former hesitant fuzzy similarity measure function cannot calculate the original data completely, this paper proposes a new kind of hesitant fuzzy similarity measure based on Tversky’s parameterized ratio model of similarity. Then it analyzes the conversion form of differential coefficient under the condition of different demand. And it also applies the hesitant fuzzy similarity measure to cluster analysis based on hesitant fuzzy information. The new similarity measure can avoid the inaccuracy of?the raw data information caused?by adding or taking specific values. By assigning to the differential coefficient, it also can obtain many groups of comparable results, and the results can reflect the well dynamics and numerical accuracy of the new similarity measure.

Key words: hesitant fuzzy Tversky similarity measure, hesitant fuzzy set, Tversky’s parameterized ratio model of similarity, cluster analysis

彭定洪1，2，聂军1. 基于Tversky参数化的犹豫模糊集相似性测度研究[J]. 计算机工程与应用, 2016, 52(14): 54-61.

PENG Dinghong1，2, NIE Jun1. Research about similarity measure of hesitant fuzzy set based on Tversky’s parameterized model[J]. Computer Engineering and Applications, 2016, 52(14): 54-61.

[1]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[2]	张俊芳，周礼刚，张春芳，徐鑫，肖箭. 区间Pythagorean犹豫模糊连续熵及灰色关联度的应用[J]. 计算机工程与应用, 2021, 57(15): 207-214.
[3]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[4]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[5]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[6]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[7]	马京晖，潘巍，王茹. 基于K-means聚类的三维点云分类[J]. 计算机工程与应用, 2020, 56(17): 181-186.
[8]	苏梦珂，孔祥智. 直觉对偶犹豫模糊集在多属性群决策中的应用[J]. 计算机工程与应用, 2020, 56(17): 273-278.
[9]	蒋世豪，江洪. 基于GDAL的遥感图像变化检测技术[J]. 计算机工程与应用, 2020, 56(16): 169-175.
[10]	贾露，张德生，吕端端. 物理学优化的密度峰值聚类算法[J]. 计算机工程与应用, 2020, 56(13): 47-53.
[11]	陈胜发，贾瑞玉. 基于残差和密度网格的簇心自确认聚类算法[J]. 计算机工程与应用, 2020, 56(12): 149-155.
[12]	黄建新，袁杰. 三维空间机器人主动嗅觉烟羽源自主定位策略[J]. 计算机工程与应用, 2020, 56(12): 223-230.
[13]	马庆功. 区间犹豫模糊M-对称平均及其群决策模型[J]. 计算机工程与应用, 2020, 56(11): 156-163.
[14]	雍巧玲，衣俊艳. 具有动态特性的聚类弹性网络算法研究[J]. 计算机工程与应用, 2019, 55(8): 102-109.
[15]	周小领1，马庆功2. 概率犹豫模糊算法及其网络舆情预测模型选择[J]. 计算机工程与应用, 2019, 55(4): 179-184.