模糊评价算法

Ⅰ 求助模糊综合评价中定量指标隶属度向量

你这个问法太笼统了，不知道你是不是想问最后的模糊矩阵复合运算的方法，通常是使用(.，+)模型，建议看一下关于模糊综合评价方法的原理。

模糊综合评价是应用模糊变换原理，考虑与评价对象相关的各种因素，对其所作的综合评价。

其基本原理是
（1）根据评价的标准构造多个隶属函数，
（2）通过评测指标在各个隶属函数中对应的程度不同（即隶属度不同），可以形成一个模糊关系矩阵。
（3）构造权重系数矩阵。
（4）将权重系数模糊矩阵和模糊关系矩阵通过模糊运算，最终就可以得到综合指标对各个评价等级的隶属度矩阵。

通常根据最大隶属度原则，在最后的隶属度矩阵中，综合指标对哪个评价等级的隶属度更高，那么我们就将其所要评价的目标定为该评价等级。

下面是一个模糊综合决策的实例，用的是典型的算法，仅供参考。

Ⅱ 模糊是什么意思

模煳 【móhu】

(1) 轮廓模煳不清：模煳人影

(2)强调难以辨认：字迹已经模煳了

Ⅲ 模糊推理算法与隶属函数有什么关系

模糊推理算法与隶属函数的关系：隶属函数 是计算模糊评判结果的重要值。
模糊推理算法是指通过对现实对象的分析，处理数据并构建模糊型数学模型。用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性。

Ⅳ 模糊综合评价法的名词解释

模糊综合评价法是一种基于模糊数学的综合评价方法。模糊综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。

一般步骤：

1、模糊综合评价指标的构建

模糊综合评价指标体系是进行综合评价的基础，评价指标的选取是否适宜，将直接影响综合评价的准确性。进行评价指标的构建应广泛涉猎与该评价指标系统行业资料或者相关的法律法规。

2、采用构建好权重向量

通过专家经验法或者AHP层次分析法构建好权重向量。

3、构建隶属矩阵

建立适合的隶属函数从而构建好隶属矩阵。

4、隶属矩阵和权重的合成

采用适合的合成因子对其进行合成，并对结果向量进行解释。

Ⅳ 模糊检测算法

模糊检测一般用于多张图片的模糊度辨别。这里介绍的是基于拉普拉斯算子的模糊检测算法。对于该算法的原理讲解过后，我们就会发现其实图片的尺寸大小也会引起相应值的变化。因此此类算法最好是对于同一类图片进行处理，如连拍照片等。一般而言，我们会设置一个阈值来判别图片是否模糊。当然这个阈值同样要根据适应的场景来调整。废话不多说，接下来介绍算法。
该算法的流程很简单：

Ⅵ 模糊C均值聚类算法（FCM）

【嵌牛导读】FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。

【嵌牛提问】FCM有什么用？

【嵌牛鼻子】模糊C均值聚类算法

【嵌牛正文】

聚类分析是多元统计分析的一种，也是无监督模式识别的一个重要分支，在模式分类、图像处理和模糊规则处理等众多领域中获得最广泛的应用。它把一个没有类别标记的样本按照某种准则划分为若干子集，使相似的样本尽可能归于一类，而把不相似的样本划分到不同的类中。硬聚类把每个待识别的对象严格的划分某类中，具有非此即彼的性质，而模糊聚类建立了样本对类别的不确定描述，更能客观的反应客观世界，从而成为聚类分析的主流。

模糊聚类算法是一种基于函数最优方法的聚类算法，使用微积分计算技术求最优代价函数，在基于概率算法的聚类方法中将使用概率密度函数，为此要假定合适的模型，模糊聚类算法的向量可以同时属于多个聚类，从而摆脱上述问题。 模糊聚类分析算法大致可分为三类：

1）分类数不定，根据不同要求对事物进行动态聚类，此类方法是基于模糊等价矩阵聚类的，称为模糊等价矩阵动态聚类分析法。

2）分类数给定，寻找出对事物的最佳分析方案，此类方法是基于目标函数聚类的，称为模糊C 均值聚类。

3）在摄动有意义的情况下，根据模糊相似矩阵聚类，此类方法称为基于摄动的模糊聚类分析法。

我所学习的是模糊C 均值聚类算法，要学习模糊C 均值聚类算法要先了解虑属度的含义，隶属度函数是表示一个对象x 隶属于集合A 的程度的函数，通常记做μA (x)，其自变量范围是所有可能属于集合A 的对象（即集合A 所在空间中的所有点），取值范围是[0,1]，即0<=μA (x)<=1。μA (x)=1表示x 完全隶属于集合A ，相当于传统集合概念上的x ∈A 。一个定义在空间X={x}上的隶属度函数就定义了一个模糊集合A ，或者叫定义在论域X={x}上的模糊子集A 。对于有限个对象x 1，x 2，……，x n 模糊集合A 可以表示为：A ={(μA (x i ), x i ) |x i ∈X } (6.1)

有了模糊集合的概念，一个元素隶属于模糊集合就不是硬性的了，在聚类的问题中，可以把聚类生成的簇看成模糊集合，因此，每个样本点隶属于簇的隶属度就是[0，1]区间里面的值。

FCM 算法需要两个参数一个是聚类数目C ，另一个是参数m 。一般来讲C 要远远小于聚类样本的总个数，同时要保证C>1。对于m ，它是一个控制算法的柔性的参数，如果m 过大，则聚类效果会很次，而如果m 过小则算法会接近HCM 聚类算法。算法的输出是C 个聚类中心点向量和C*N的一个模糊划分矩阵，这个矩阵表示的是每个样本点属于每个类的隶属度。根据这个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类。聚类中心表示的是每个类的平均特征，可以认为是这个类的代表点。从算法的推导过程中我们不难看出，算法对于满足正态分布的数据聚类效果会很好。

通过实验和算法的研究学习，不难发现FCM算法的优缺点：

首先，模糊c 均值泛函Jm 仍是传统的硬c 均值泛函J1 的自然推广。J1 是一个应用很广泛的聚类准则，对其在理论上的研究已经相当的完善，这就为Jm 的研究提供了良好的条件。

其次，从数学上看，Jm与Rs的希尔伯特空间结构(正交投影和均方逼近理论) 有密切的关联，因此Jm 比其他泛函有更深厚的数学基础。

最后，FCM 聚类算法不仅在许多邻域获得了非常成功的应用，而且以该算法为基础，又提出基于其他原型的模糊聚类算法，形成了一大批FCM类型的算法，比如模糊c线( FCL) ，模糊c面(FCP) ，模糊c壳(FCS) 等聚类算法，分别实现了对呈线状、超平面状和“薄壳”状结构模式子集(或聚类) 的检测。

模糊c均值算法因设计简单，解决问题范围广，易于应用计算机实现等特点受到了越来越多人的关注，并应用于各个领域。但是，自身仍存在的诸多问题，例如强烈依赖初始化数据的好坏和容易陷入局部鞍点等，仍然需要进一步的研究。

Ⅶ 模糊综合评判里面的综合评判值怎么算

模糊综合评价法

模糊综合评价法（fuzzy comprehensive evaluation method）

什么是模糊综合评价法

模糊综合评价法是一种基于模糊数学的综合评标方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,适合各种非确定性问题的解决。

模糊综合评价法的术语及其定义

为了便于描述，依据模糊数学的基本概念，对模糊综合评价法中的有关术语定义如下：

1．评价因素（F）：系指对招标项目评议的具体内容（例如，价格、各种指标、参数、规范、性能、状况，等等）。

为便于权重分配和评议，可以按评价因素的属性将评价因素分成若干类（例如，商务、技术、价格、伴随服务，等），把每一类都视为单一评价因素，并称之为第一级评价因素（F1）。第一级评价因素可以设置下属的第二级评价因素（例如，第一级评价因素“商务”可以有下属的第二级评价因素：交货期、付款条件和付款方式，等）。第二级评价因素可以设置下属的第三级评价因素（F3）。依此类推。

2．评价因素值（Fv）：系指评价因素的具体值。例如，某投标人的某技术参数为120，那么，该投标人的该评价因素值为120。

3．评价值（E）：系指评价因素的优劣程度。评价因素最优的评价值为1（采用百分制时为100分）；欠优的评价因素，依据欠优的程度，其评价值大于或等于零、小于或等于1（采用百分制时为100分），即0≤E≤1（采用百分制时0≤E≤100）。

4．平均评价值（Ep）：系指评标委员会成员对某评价因素评价的平均值。

平均评价值（Ep）＝全体评标委员会成员的评价值之和÷评委数

5．权重（W）：系指评价因素的地位和重要程度。

第一级评价因素的权重之和为1；每一个评价因素的下一级评价因素的权重之和为1 。

6．加权平均评价值（Epw）：系指加权后的平均评价值。

加权平均评价值（Epw）＝平均评价值（Ep）×权重（W）。

7．综合评价值（Ez）：系指同一级评价因素的加权平均评价值（Epw）之和。综合评价值也是对应的上一级评价因素的值。

模糊综合评价法的特点

模糊综合评价法的最显着特点是：

一、相互比较。以最优的评价因素值为基准，其评价值为1；其余欠优的评价因素依据欠优的程度得到响应的评价值。

二、可以依据各类评价因素的特征，确定评价值与评价因素值之间的函数关系（即：隶属度函数）。确定这种函数关系（隶属度函数）有很多种方法，例如，F统计方法，各种类型的F分布等。当然，也可以请有经验的评标专家进行评价，直接给出评价值。

模糊综合评价法的一个应用案例

财政部文件《财政部关于加强政府采购货物和服务项目价格评审管理的通知》（财库[2007]2号）中规定：

“综合评分法中的价格分统一采用低价优先法计算，即满足招标文件要求且投标价格最低的投标报价为评标基准价，其价格分为满分。其他投标人的价格分统一按照下列公式计算：

投标报价得分=（评标基准价／投标报价）×价格权值×100”

我们可以看到，上述规定有如下特征：

1．相互比较。将投标价格最优的设置为评标基准价，其评价值为1（采用百分制时，为100分）；其它的投标报价均与该评标基准价比较，得出响应的评价值（分值）。

评价值（投标报价得分）＝评标基准价÷投标报价（如果采用百分制，×100）。注意，这里得出的是加权前的评价值（分值）。

2．评价值与评价因素值之间的关系是函数关系（在这里用的是反比例函数关系，如果有更科学更合理的函数关系，也可用其它函数关系）。

说明：在这里，价格是评价（标）因素；投标人的具体投标报价称为评价因素值；对投标人的投标报价计算得分称为评价值。

实际上，财政部的上述规定在有意无意中应用了模糊数学的基本概念，是模糊综合评价法的应用。世界银行咨询服务评标也应用该方法。

既然评价因素“价格”可以采用这种评价方法，其它的评价因素也可以采用这种评价方法。

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

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

模糊综合评判算法 C语言版本

2008-01-05 22:24

本算法评价集个数为5，评价因子个数为6，采用超标加权法计算权重，线性降半阶隶属函数

#include <stdio.h>

#define MatrixRows 5
#define MatrixCols 6
double CalculateAverage(int m,double a[MatrixRows][MatrixCols]) //计算平均值,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]) //计算权重数组E,m为第m列的权重值
{
double Aver[MatrixCols] ; //m个含水层同一评价因子的平均值
double EResult; //计算权重结果
double ETotal; //归一划权重和
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]; //排序后的结果,对数组的每一个列中的四个数字进行从小到大排列
int i,j,k; //不可以直接对a[MatrixRows][MatrixCols]进行排序,因为是数组是传地址计算
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]) //计算当前样本b[MatrixCols]对各个评价因子的隶属度
{
double c[MatrixRows][MatrixCols]; //排序后的结果
double LSDResult[MatrixCols][MatrixRows]; //隶属度计算结果,即评价集与评价因子的关系矩阵
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]; //超标加权法计算权重
double R[MatrixCols][MatrixRows]; //评价集与评价因子关系矩阵
double FEResult[MatrixRows];//最终计算对各个评价集的隶属度
int i,j;
for(i=0;i<MatrixCols;i++)
for(j=0;j<MatrixRows;j++)
{
R[i][j]=Lishu(i,j,a,b); //函数参数a[MatrixRows][MatrixCols]，得到的计算结果为MatrixCols X MatrixRows矩阵
}
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]; //保存评价集标注值
double b[MatrixCols]; //保存待测出水点水样的值
double myResult[MatrixRows]; //保存计算结果
double myweight[MatrixCols]; //计算权重的结果
double mysort[MatrixRows][MatrixCols]; //排序结果
double myLiShuDu[MatrixCols][MatrixRows];//评判集和评判因子的关系矩阵
int i,j;
//////////////////////////////////////////////////////////////////////////
printf("请输入评判集标准值: ");
for(i=0;i<MatrixRows;i++)
{
printf("请输入评判集 %d 的标准值: ",i+1);
for(j=0;j<MatrixCols;j++)
{
scanf("%lf",&a[i][j]);
}
}

printf("评判集标准值输出： ");
for(i=0;i<MatrixRows;i++)
{
for(j=0;j<MatrixCols;j++)
printf("%lf, ",a[i][j]);
printf(" ");
}

printf("请输入出水点水样的值: ");
for(i=0;i<MatrixCols;i++)
{
scanf("%lf",&b[i]);
}
////////////////////////////////////////////////////////////////////////////
for(i=0;i<MatrixCols;i++) //计算权重数组
{
myweight[i]=EWeight(i,a,b);
}
printf("输出一维数组权重值: ");
for(j=0;j<MatrixCols;j++) //输出权重一维数组
printf("%lf ",myweight[j]);
/////////////////////////////////////////////////////////////////////////

for(i=0;i<MatrixRows;i++) //计算a[MatrixRows][MatrixCols]每一列中的四个数字排序（为计算隶属函数，隶属度准备）
{
for(j=0;j<MatrixCols;j++)
{
mysort[i][j]=Sort(i,j,a);
}
}
printf("输出a[MatrixRows][MatrixCols]每一列中的四个数字排序后的结果: ");
for(i=0;i<MatrixRows;i++) //输出a[MatrixRows][MatrixCols]每一列中的四个数字排序后的结果
{
for(j=0;j<MatrixCols;j++)
{
printf("%lf, ",mysort[i][j]);
}
printf(" ");
}
/////////////////////////////////////////////////////////////////////////
printf("评判集和评判因子的关系矩阵: ");
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); //模糊综合评判
}
printf("以下为运算结果: ");
for(i=0;i<MatrixRows;i++)
{
printf("%lf, ",myResult[i]);
}
}

Ⅷ 什么是模糊预测算法啊

模糊预测控制算法

Fuzzy Prediction Control Algorithm

翟春艳 李书臣

摘 要：模糊预测控制(FPC)是近年来发展起来的新型控制算法,是模糊控制与预测控制相结合的产物.文章在预测控制的模型预测、滚动优化、反馈校正机理下,对模糊预测控制模型及其优化控制算法作了归纳,并对模糊预测控制今后的发展进行了展望.

模糊表的一部分，就是个数组，多少个输入就做个几维数组就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊输出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊输入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 输入功能函数
{
{ // 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