基于参数化散度的费马模糊集相似性度量新方法及其在决策中的应用研究
《CMES - Computer Modeling in Engineering and Sciences》:A Unified Parametric Divergence Operator for Fermatean Fuzzy Environment and Its Applications in Machine Learning and Intelligent Decision-Making
【字体:
大
中
小
】
时间:2025年12月10日
来源:CMES - Computer Modeling in Engineering and Sciences
编辑推荐:
为解决费马模糊集(FFS)在相似性度量中忽略犹豫度信息、现有测度区分度不足的问题,研究人员开展了参数化散度算子的构建及其性质研究。通过引入包含隶属度、非隶属度和犹豫度的三参数结构,并设计可调节参数δ的通用散度框架,该研究推导出满足非负性、对称性等数学性质的散度公式。结果表明该算子能退化为χ2散度等经典形式,且通过数值算例验证其相比传统方法具有更高灵敏度。这项工作为FFS理论提供了新的度量工具,对复杂环境下的多属性决策具有重要意义。
在智能决策、模式识别等前沿领域,如何精准量化不确定性信息间的差异一直是核心难题。传统的模糊集理论在处理高度不确定信息时渐显乏力,而2019年提出的费马模糊集(Fermatean fuzzy sets, FFS)因其宽松的约束条件(隶属度μ与非隶属度ν只需满足μ3+ ν3≤ 1)成为处理复杂不确定性的利器。然而,现有FFS相似性度量方法存在明显局限:多数测度仅利用隶属度与非隶属度信息,忽略了表征认知不确定性的关键指标——犹豫度;部分测度对微小差异不敏感,可能导致决策偏差;更棘手的是,不同场景下对差异的敏感度需求各异,但缺乏可灵活调节的通用度量框架。
为突破这些瓶颈,发表在《CMES - Computer Modeling in Engineering and Sciences》的研究提出了一种参数化散度算子。该研究通过数学推导构建了同时整合隶属度(Φ)、非隶属度(Λ)和犹豫度(Ξ)的三维散度模型,其中参数δ可动态调整测度对极端值的敏感程度。通过严格的数学证明,新算子被证实满足非负性、对称性、同一性等公理化要求,且当δ取特定值时可退化为χ2散度等经典形式。数值实验表明,包含犹豫度的算子比传统二参数测度的区分度提高48.3%,且参数变化可有效捕捉不同决策偏好下的差异感知。
本研究采用公理化方法构建测度体系,首先通过指数函数组合三个维度信息建立基础散度形式Dδ,再利用Jensen-Shannon散度的对称化思想构造最终算子DL(δ)。通过微分学与凸分析论证其数学性质,并选取典型数值案例进行对比验证。所有推导均基于FFS的立方运算性质(如犹豫度计算Ξ = (1 - μ3- ν3)1/3),确保理论严谨性。
研究将每个FFS元素表示为三维向量(μ3(oi), ν3(oi), π3(oi)),基于Csiszár f-散度框架设计核心公式。当δ?{0,1}时,算子通过加权指数项(μ?3)δ(μ??3)1-δ捕捉分布差异,并引入线性修正项保证非负性。对称化处理采用双方向散度均值,使DL(δ)(?,??)恒等于DL(δ)(??,?)。
通过函数凸性分析证明当δ∈(0,1)时基础散度非负,利用Jensen不等式推导出δ>1时的下界保障。同一性验证表明当?=??时所有项相互抵消,反之若散度为零可反推两集合全等。特别地,当δ=2时代数化简可精确转化为χ2散度形式,证实新算子的包容性。
以?={?0.5,0.3?}和??={?0.6,0.2?}为例,计算包含犹豫度的D(0.5)=0.0391,而不含犹豫度的版本仅为0.0360,差异显著度提升8.61%。非对称性案例显示δ=0.6时D(0.6)(?,??)=0.3204而D(0.6)(??,?)=0.3885,参数变化成功反映方向敏感性差异。
该研究通过理论创新与实验验证,构建了首个可调节参数化的FFS散度测度体系。其重要意义在于:数学层面统一了多种经典散度形式,为模糊集理论提供新工具;应用层面通过参数δ实现"风险规避-风险中性"等决策偏好的灵活适配,为医疗诊断、金融风险评估等需要精细区分不确定性的场景提供支持。未来工作可探索参数自适应机制以及与TOPSIS等多属性决策方法的集成应用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号