模糊評價演算法

Ⅰ 求助模糊綜合評價中定量指標隸屬度向量

你這個問法太籠統了，不知道你是不是想問最後的模糊矩陣復合運算的方法，通常是使用(.，+)模型，建議看一下關於模糊綜合評價方法的原理。

模糊綜合評價是應用模糊變換原理，考慮與評價對象相關的各種因素，對其所作的綜合評價。

其基本原理是
（1）根據評價的標准構造多個隸屬函數，
（2）通過評測指標在各個隸屬函數中對應的程度不同（即隸屬度不同），可以形成一個模糊關系矩陣。
（3）構造權重系數矩陣。
（4）將權重系數模糊矩陣和模糊關系矩陣通過模糊運算，最終就可以得到綜合指標對各個評價等級的隸屬度矩陣。

通常根據最大隸屬度原則，在最後的隸屬度矩陣中，綜合指標對哪個評價等級的隸屬度更高，那麼我們就將其所要評價的目標定為該評價等級。

下面是一個模糊綜合決策的實例，用的是典型的演算法，僅供參考。

Ⅱ 模糊是什麼意思

模煳 【móhu】

(1) 輪廓模煳不清：模煳人影

(2)強調難以辨認：字跡已經模煳了

Ⅲ 模糊推理演算法與隸屬函數有什麼關系

模糊推理演算法與隸屬函數的關系：隸屬函數 是計算模糊評判結果的重要值。
模糊推理演算法是指通過對現實對象的分析，處理數據並構建模糊型數學模型。用隸屬關系將數據元素集合靈活成模糊集合，確定隸屬函數，進行模糊統計多依據經驗和人的心理過程，它往往是通過心理測量來進行的，它研究的是事物本身的模糊性。

Ⅳ 模糊綜合評價法的名詞解釋

模糊綜合評價法是一種基於模糊數學的綜合評價方法。模糊綜合評價法根據模糊數學的隸屬度理論把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。它具有結果清晰，系統性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。

一般步驟：

1、模糊綜合評價指標的構建

模糊綜合評價指標體系是進行綜合評價的基礎，評價指標的選取是否適宜，將直接影響綜合評價的准確性。進行評價指標的構建應廣泛涉獵與該評價指標系統行業資料或者相關的法律法規。

2、採用構建好權重向量

通過專家經驗法或者AHP層次分析法構建好權重向量。

3、構建隸屬矩陣

建立適合的隸屬函數從而構建好隸屬矩陣。

4、隸屬矩陣和權重的合成

採用適合的合成因子對其進行合成，並對結果向量進行解釋。

Ⅳ 模糊檢測演算法

模糊檢測一般用於多張圖片的模糊度辨別。這里介紹的是基於拉普拉斯運算元的模糊檢測演算法。對於該演算法的原理講解過後，我們就會發現其實圖片的尺寸大小也會引起相應值的變化。因此此類演算法最好是對於同一類圖片進行處理，如連拍照片等。一般而言，我們會設置一個閾值來判別圖片是否模糊。當然這個閾值同樣要根據適應的場景來調整。廢話不多說，接下來介紹演算法。
該演算法的流程很簡單：

Ⅵ 模糊C均值聚類演算法（FCM）

【嵌牛導讀】FCM演算法是一種基於劃分的聚類演算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。模糊C均值演算法是普通C均值演算法的改進，普通C均值演算法對於數據的劃分是硬性的，而FCM則是一種柔性的模糊劃分。

【嵌牛提問】FCM有什麼用？

【嵌牛鼻子】模糊C均值聚類演算法

【嵌牛正文】

聚類分析是多元統計分析的一種，也是無監督模式識別的一個重要分支，在模式分類、圖像處理和模糊規則處理等眾多領域中獲得最廣泛的應用。它把一個沒有類別標記的樣本按照某種准則劃分為若乾子集，使相似的樣本盡可能歸於一類，而把不相似的樣本劃分到不同的類中。硬聚類把每個待識別的對象嚴格的劃分某類中，具有非此即彼的性質，而模糊聚類建立了樣本對類別的不確定描述，更能客觀的反應客觀世界，從而成為聚類分析的主流。

模糊聚類演算法是一種基於函數最優方法的聚類演算法，使用微積分計算技術求最優代價函數，在基於概率演算法的聚類方法中將使用概率密度函數，為此要假定合適的模型，模糊聚類演算法的向量可以同時屬於多個聚類，從而擺脫上述問題。 模糊聚類分析演算法大致可分為三類：

1）分類數不定，根據不同要求對事物進行動態聚類，此類方法是基於模糊等價矩陣聚類的，稱為模糊等價矩陣動態聚類分析法。

2）分類數給定，尋找出對事物的最佳分析方案，此類方法是基於目標函數聚類的，稱為模糊C 均值聚類。

3）在攝動有意義的情況下，根據模糊相似矩陣聚類，此類方法稱為基於攝動的模糊聚類分析法。

我所學習的是模糊C 均值聚類演算法，要學習模糊C 均值聚類演算法要先了解慮屬度的含義，隸屬度函數是表示一個對象x 隸屬於集合A 的程度的函數，通常記做μA (x)，其自變數范圍是所有可能屬於集合A 的對象（即集合A 所在空間中的所有點），取值范圍是[0,1]，即0<=μA (x)<=1。μA (x)=1表示x 完全隸屬於集合A ，相當於傳統集合概念上的x ∈A 。一個定義在空間X={x}上的隸屬度函數就定義了一個模糊集合A ，或者叫定義在論域X={x}上的模糊子集A 。對於有限個對象x 1，x 2，……，x n 模糊集合A 可以表示為：A ={(μA (x i ), x i ) |x i ∈X } (6.1)

有了模糊集合的概念，一個元素隸屬於模糊集合就不是硬性的了，在聚類的問題中，可以把聚類生成的簇看成模糊集合，因此，每個樣本點隸屬於簇的隸屬度就是[0，1]區間裡面的值。

FCM 演算法需要兩個參數一個是聚類數目C ，另一個是參數m 。一般來講C 要遠遠小於聚類樣本的總個數，同時要保證C>1。對於m ，它是一個控制演算法的柔性的參數，如果m 過大，則聚類效果會很次，而如果m 過小則演算法會接近HCM 聚類演算法。演算法的輸出是C 個聚類中心點向量和C*N的一個模糊劃分矩陣，這個矩陣表示的是每個樣本點屬於每個類的隸屬度。根據這個劃分矩陣按照模糊集合中的最大隸屬原則就能夠確定每個樣本點歸為哪個類。聚類中心表示的是每個類的平均特徵，可以認為是這個類的代表點。從演算法的推導過程中我們不難看出，演算法對於滿足正態分布的數據聚類效果會很好。

通過實驗和演算法的研究學習，不難發現FCM演算法的優缺點：

首先，模糊c 均值泛函Jm 仍是傳統的硬c 均值泛函J1 的自然推廣。J1 是一個應用很廣泛的聚類准則，對其在理論上的研究已經相當的完善，這就為Jm 的研究提供了良好的條件。

其次，從數學上看，Jm與Rs的希爾伯特空間結構(正交投影和均方逼近理論) 有密切的關聯，因此Jm 比其他泛函有更深厚的數學基礎。

最後，FCM 聚類演算法不僅在許多鄰域獲得了非常成功的應用，而且以該演算法為基礎，又提出基於其他原型的模糊聚類演算法，形成了一大批FCM類型的演算法，比如模糊c線( FCL) ，模糊c面(FCP) ，模糊c殼(FCS) 等聚類演算法，分別實現了對呈線狀、超平面狀和「薄殼」狀結構模式子集(或聚類) 的檢測。

模糊c均值演算法因設計簡單，解決問題范圍廣，易於應用計算機實現等特點受到了越來越多人的關注，並應用於各個領域。但是，自身仍存在的諸多問題，例如強烈依賴初始化數據的好壞和容易陷入局部鞍點等，仍然需要進一步的研究。

Ⅶ 模糊綜合評判裡面的綜合評判值怎麼算

模糊綜合評價法

模糊綜合評價法（fuzzy comprehensive evaluation method）

什麼是模糊綜合評價法

模糊綜合評價法是一種基於模糊數學的綜合評標方法。該綜合評價法根據模糊數學的隸屬度理論把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。它具有結果清晰,系統性強的特點,能較好地解決模糊的、難以量化的問題,適合各種非確定性問題的解決。

模糊綜合評價法的術語及其定義

為了便於描述，依據模糊數學的基本概念，對模糊綜合評價法中的有關術語定義如下：

1．評價因素（F）：系指對招標項目評議的具體內容（例如，價格、各種指標、參數、規范、性能、狀況，等等）。

為便於權重分配和評議，可以按評價因素的屬性將評價因素分成若干類（例如，商務、技術、價格、伴隨服務，等），把每一類都視為單一評價因素，並稱之為第一級評價因素（F1）。第一級評價因素可以設置下屬的第二級評價因素（例如，第一級評價因素「商務」可以有下屬的第二級評價因素：交貨期、付款條件和付款方式，等）。第二級評價因素可以設置下屬的第三級評價因素（F3）。依此類推。

2．評價因素值（Fv）：系指評價因素的具體值。例如，某投標人的某技術參數為120，那麼，該投標人的該評價因素值為120。

3．評價值（E）：系指評價因素的優劣程度。評價因素最優的評價值為1（採用百分制時為100分）；欠優的評價因素，依據欠優的程度，其評價值大於或等於零、小於或等於1（採用百分制時為100分），即0≤E≤1（採用百分制時0≤E≤100）。

4．平均評價值（Ep）：系指評標委員會成員對某評價因素評價的平均值。

平均評價值（Ep）＝全體評標委員會成員的評價值之和÷評委數

5．權重（W）：系指評價因素的地位和重要程度。

第一級評價因素的權重之和為1；每一個評價因素的下一級評價因素的權重之和為1 。

6．加權平均評價值（Epw）：系指加權後的平均評價值。

加權平均評價值（Epw）＝平均評價值（Ep）×權重（W）。

7．綜合評價值（Ez）：系指同一級評價因素的加權平均評價值（Epw）之和。綜合評價值也是對應的上一級評價因素的值。

模糊綜合評價法的特點

模糊綜合評價法的最顯著特點是：

一、相互比較。以最優的評價因素值為基準，其評價值為1；其餘欠優的評價因素依據欠優的程度得到響應的評價值。

二、可以依據各類評價因素的特徵，確定評價值與評價因素值之間的函數關系（即：隸屬度函數）。確定這種函數關系（隸屬度函數）有很多種方法，例如，F統計方法，各種類型的F分布等。當然，也可以請有經驗的評標專家進行評價，直接給出評價值。

模糊綜合評價法的一個應用案例

財政部文件《財政部關於加強政府采購貨物和服務項目價格評審管理的通知》（財庫[2007]2號）中規定：

「綜合評分法中的價格分統一採用低價優先法計算，即滿足招標文件要求且投標價格最低的投標報價為評標基準價，其價格分為滿分。其他投標人的價格分統一按照下列公式計算：

投標報價得分=（評標基準價／投標報價）×價格權值×100」

我們可以看到，上述規定有如下特徵：

1．相互比較。將投標價格最優的設置為評標基準價，其評價值為1（採用百分制時，為100分）；其它的投標報價均與該評標基準價比較，得出響應的評價值（分值）。

評價值（投標報價得分）＝評標基準價÷投標報價（如果採用百分制，×100）。注意，這里得出的是加權前的評價值（分值）。

2．評價值與評價因素值之間的關系是函數關系（在這里用的是反比例函數關系，如果有更科學更合理的函數關系，也可用其它函數關系）。

說明：在這里，價格是評價（標）因素；投標人的具體投標報價稱為評價因素值；對投標人的投標報價計算得分稱為評價值。

實際上，財政部的上述規定在有意無意中應用了模糊數學的基本概念，是模糊綜合評價法的應用。世界銀行咨詢服務評標也應用該方法。

既然評價因素「價格」可以採用這種評價方法，其它的評價因素也可以採用這種評價方法。

---------------------

----------------------

模糊綜合評判演算法 C語言版本

2008-01-05 22:24

本演算法評價集個數為5，評價因子個數為6，採用超標加權法計算權重，線性降半階隸屬函數

#include <stdio.h>

#define MatrixRows 5
#define MatrixCols 6
double CalculateAverage(int m,double a[MatrixRows][MatrixCols]) //計算平均值,m表示第m列的平均值
{
double myResult;
int i;

myResult=0;
for(i=0;i<MatrixRows;i++)
{
myResult+=a[i][m];
}
myResult=myResult/MatrixRows;

// printf("%lf ",myResult);

return myResult;
}

double EWeight(int m,double a[MatrixRows][MatrixCols],double b[MatrixCols]) //計算權重數組E,m為第m列的權重值
{
double Aver[MatrixCols] ; //m個含水層同一評價因子的平均值
double EResult; //計算權重結果
double ETotal; //歸一劃權重和
int i;
for(i=0;i<MatrixCols;i++)
{
Aver[i]=CalculateAverage(i,a);
}
ETotal=0;
for(i=0;i<MatrixCols;i++)
{
ETotal+=(b[i]/Aver[i]);
}

EResult=(b[m]/Aver[m])/ETotal;
return EResult;
}

double Sort(int m,int n,double a[MatrixRows][MatrixCols])
{
double b[MatrixRows][MatrixCols]; //排序後的結果,對數組的每一個列中的四個數字進行從小到大排列
int i,j,k; //不可以直接對a[MatrixRows][MatrixCols]進行排序,因為是數組是傳地址計算
for(i=0;i<MatrixRows;i++) //
for(j=0;j<MatrixCols;j++)
b[i][j]=a[i][j];

for(j=0;j<MatrixCols;j++)
{
for(i=0;i<MatrixRows-1;i++)
for(k=i;k<MatrixRows;k++)
{
if(b[i][j]>b[k][j]) //排序
{
double tmp;
tmp=b[i][j];
b[i][j]=b[k][j];
b[k][j]=tmp;
}
}
}
return b[m][n];
}

double Lishu(int m,int n,double a[MatrixRows][MatrixCols],double b[MatrixCols]) //計算當前樣本b[MatrixCols]對各個評價因子的隸屬度
{
double c[MatrixRows][MatrixCols]; //排序後的結果
double LSDResult[MatrixCols][MatrixRows]; //隸屬度計算結果,即評價集與評價因子的關系矩陣
int i,j,k;
for(i=0;i<MatrixRows;i++)
for(j=0;j<MatrixCols;j++)
{
c[i][j]=Sort(i,j,a); //排序
}
for(j=0;j<MatrixCols;j++)
{
for(i=0;i<MatrixRows;i++)
{
for(k=0;k<MatrixRows;k++)
{
if(a[i][j]==c[k][j])
{
if(k==0)
{
if(b[j]<c[k][j])
LSDResult[j][i]=1;
if(b[j]>=c[k][j]&&b[j]<c[k+1][j])
LSDResult[j][i]=((c[k+1][j]-b[j])/(c[k+1][j]-c[k][j]));
if(b[j]>=c[k+1][j])
LSDResult[j][i]=0;
}
if(k==1||k==2||k==3)
{
if(b[j]<c[k-1][j])
LSDResult[j][i]=0;
if(b[j]>=c[k-1][j]&&b[j]<c[k][j])
LSDResult[j][i]=((b[j]-c[k-1][j])/(c[k][j]-c[k-1][j]));
if(b[j]>=c[k][j]&&b[j]<c[k+1][j])
LSDResult[j][i]=((c[k+1][j]-b[j])/(c[k+1][j]-c[k][j]));
if(b[j]>=c[k+1][j])
LSDResult[j][i]=0;
}
if(k==4)
{
if(b[j]<c[k-1][j])
LSDResult[j][i]=0;
if(b[j]>=c[k-1][j] && b[j]<c[k][j])
LSDResult[j][i]=((b[j]-c[k-1][j])/(c[k][j]-c[k-1][j]));
if(b[j]>=c[k][j])
LSDResult[j][i]=1;
}
}
}

}
}
return LSDResult[m][n];
}

double FuzzyEvalution(int x,int m,int n,double a[MatrixRows][MatrixCols],double b[MatrixCols])
{
double E[MatrixCols]; //超標加權法計算權重
double R[MatrixCols][MatrixRows]; //評價集與評價因子關系矩陣
double FEResult[MatrixRows];//最終計算對各個評價集的隸屬度
int i,j;
for(i=0;i<MatrixCols;i++)
for(j=0;j<MatrixRows;j++)
{
R[i][j]=Lishu(i,j,a,b); //函數參數a[MatrixRows][MatrixCols]，得到的計算結果為MatrixCols X MatrixRows矩陣
}
for(i=0;i<MatrixCols;i++)
{
E[i]=EWeight(i,a,b);
}

for(i=0; i<MatrixRows;i++)
{
FEResult[i]=0;
for(j=0;j<MatrixCols;j++)
{
FEResult[i]+=E[j]*R[j][i];
}
}

return FEResult[x];
}

void main()
{
double a[MatrixRows][MatrixCols]; //保存評價集標注值
double b[MatrixCols]; //保存待測出水點水樣的值
double myResult[MatrixRows]; //保存計算結果
double myweight[MatrixCols]; //計算權重的結果
double mysort[MatrixRows][MatrixCols]; //排序結果
double myLiShuDu[MatrixCols][MatrixRows];//評判集和評判因子的關系矩陣
int i,j;
//////////////////////////////////////////////////////////////////////////
printf("請輸入評判集標准值: ");
for(i=0;i<MatrixRows;i++)
{
printf("請輸入評判集 %d 的標准值: ",i+1);
for(j=0;j<MatrixCols;j++)
{
scanf("%lf",&a[i][j]);
}
}

printf("評判集標准值輸出： ");
for(i=0;i<MatrixRows;i++)
{
for(j=0;j<MatrixCols;j++)
printf("%lf, ",a[i][j]);
printf(" ");
}

printf("請輸入出水點水樣的值: ");
for(i=0;i<MatrixCols;i++)
{
scanf("%lf",&b[i]);
}
////////////////////////////////////////////////////////////////////////////
for(i=0;i<MatrixCols;i++) //計算權重數組
{
myweight[i]=EWeight(i,a,b);
}
printf("輸出一維數組權重值: ");
for(j=0;j<MatrixCols;j++) //輸出權重一維數組
printf("%lf ",myweight[j]);
/////////////////////////////////////////////////////////////////////////

for(i=0;i<MatrixRows;i++) //計算a[MatrixRows][MatrixCols]每一列中的四個數字排序（為計算隸屬函數，隸屬度准備）
{
for(j=0;j<MatrixCols;j++)
{
mysort[i][j]=Sort(i,j,a);
}
}
printf("輸出a[MatrixRows][MatrixCols]每一列中的四個數字排序後的結果: ");
for(i=0;i<MatrixRows;i++) //輸出a[MatrixRows][MatrixCols]每一列中的四個數字排序後的結果
{
for(j=0;j<MatrixCols;j++)
{
printf("%lf, ",mysort[i][j]);
}
printf(" ");
}
/////////////////////////////////////////////////////////////////////////
printf("評判集和評判因子的關系矩陣: ");
for(i=0;i<MatrixCols;i++)
for(j=0;j<MatrixRows;j++)
{
myLiShuDu[i][j]=Lishu(i,j,a,b);
}
for(i=0;i<MatrixCols;i++)
{
for(j=0;j<MatrixRows;j++)
{
printf("%lf, ",myLiShuDu[i][j]);
}
printf(" ");
}
/////////////////////////////////////////////////////////////////////////
for(i=0;i<MatrixRows;i++)
{
myResult[i]=FuzzyEvalution(i,MatrixRows,MatrixCols,a,b); //模糊綜合評判
}
printf("以下為運算結果: ");
for(i=0;i<MatrixRows;i++)
{
printf("%lf, ",myResult[i]);
}
}

Ⅷ 什麼是模糊預測演算法啊

模糊預測控制演算法

Fuzzy Prediction Control Algorithm

翟春艷 李書臣

摘 要：模糊預測控制(FPC)是近年來發展起來的新型控制演算法,是模糊控制與預測控制相結合的產物.文章在預測控制的模型預測、滾動優化、反饋校正機理下,對模糊預測控制模型及其優化控制演算法作了歸納,並對模糊預測控制今後的發展進行了展望.

模糊表的一部分，就是個數組，多少個輸入就做個幾維數組就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊輸出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊輸入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 輸入功能函數
{
{ // velocity: VSLOW
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xFF,
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xF6,
0xED, 0xE4, 0xDB, 0xD2, 0xC9, 0xC0, 0xB7, 0xAE, 0xA5, 0x9C, 0x93, 0x8A, 0x81,
0x78,
173
0x6F, 0x66,
0x5D, 0x54, 0x4B, 0x42, 0x39, 0x30, 0x27, 0x1E, 0x15, 0x0C, 0x03, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00
}

http://www.newcyber3d.com/cds/ch_cd05/intro_cga.htm