基于白化权函数的区间灰数关联度模型

根据区间灰数空间映射思想,引入白化权函数来表征区间灰数的分布信息。定义灰形和灰心分别来描述白化权函数与区间灰数围成的封闭几何图形及其几何重心;定义灰圆和灰径分别来表示以灰心为圆心且与灰形具有相同面积的标准圆及其半径。在此基础上,以灰心序列的横、纵坐标序列为对象,以灰径的离差为权重,依照邓氏关联度原理构造了一个基于白化权函数的区间灰数关联度模型。并针对一种最为典型的白化权函数,具体导出了区间灰数关联度的计算公式。最后,通过一个供应商选择的实例验证了模型的科学性和可行性。基于白化权函数的区间灰数关联度在资源勘探、机器故障诊断、产品品质评价及供应商选择等方面有着广泛的应用前景。     

基于案例推理的直觉模糊决策方法

目前大多数决策方法的定权问题仅依靠决策矩阵而忽略了决策背景。针对上述问题,将案例推理方法融入到直觉模糊决策问题。首先根据直觉模糊数的内涵构建一种相似度公式,将案例推理模型跟相似度测度结合求得最优权重以及分类半径,进而进行择优排序。最后通过案例分析详细说明了本文方法的优势之处:根据决策数据又考虑专家意见,使得决策结果与现实情况更加一致,并提出一种解决面向直觉模糊决策问题的新思路。     

基于区间灰数的灰色定权聚类

针对灰色定权聚类模型中白化权函数转折点只能为实数的情况,提出了当转折点为区间灰数时的白化权函数构造方法与计算过程。首先定义了区间灰数的标准化方法,将区间灰数的标准化形式带入实数型白化权函数,给出了区间灰数型白化权函数的表达式。然后分别对区间灰数型白化权函数中分段曲线只有一端为区间灰数和分段曲线两端均为区间灰数的情况进行讨论,得出两种情况下区间灰数型白化权函数值,并给出了区间灰数型典型白化权函数的四个转折点均为区间灰数的一般表达式。最后将该模型应用于许昌市民营企业核心竞争力的聚类评价中,取得了良好的结论。     

杂合灰色聚类与变精度粗糙模糊集的概率决策方法及应用

在基于粗糙集理论或扩展粗糙集理论的不确定性决策中,仅由数据集无法获得决策表,同时由于决策属性呈现模糊性,以致于难以获取概率决策规则。针对这一类决策问题,基于灰色定权聚类与优势粗糙集变精度方法,本文构建了一种的杂合决策方法。该方法首先利用中心点三角白化权函数的灰色定权聚类方法将包含不同量纲指标的知识表示系统生成多属性决策表,而后运用变精度粗糙模糊集进行决策分析,生成概率决策规则,最后以区域关键技术的选择为例,表明该模型的可行性与实用性。     

企业经营效果系统评价方法研究

本文结合企业生产经营实际，运用层次分析法建立了企业经营效果系统评价的思路和方法，从而补充了比率法的不足，为客观地综合评价企业经营效果提出了统一的科学尺度．     

局部环上典型群的非双曲型

引入域上典型群的生成问题所得的成果；对局部环R上典型群生成问题研究，构造度量函数及一平延，为局部环R上典型群向域F上的典型群导入，给出典型群的非双曲型．     

大数幂剩余的二进制冗余数Montgomery算法

介绍了大数幂剩余的Montgomery算法,提出了基于二进制冗余数的大数幂剩余Montgomery算法模型。理论分析表明,采用二进制冗余数可减少乘法的进位传播,同时使算法的迭代步数减少17.2%。进一步提高了大数幂剩余的运算速度。     

聚并苯和氯代聚并苯同系分子的总能量与同系序数的相关性研究

聚并苯和氯代聚并苯同系分子的总能量与同系序数之间满足下列相关方程ET=aN b,N =2n 1 ,R≈ 1 ,N为同系序数 ,n是苯环的结构单元数 .本文的计算值与文献值吻合 .     

基于粗集理论的PPP项目风险评价研究

能否正确识别PPP项目管理中存在的风险以及对风险的重要性作出评价关乎PPP项目的成败。为了解决PPP项目管理中的这类问题,通过定性方法德尔菲法对广东某条高速公路的PPP项目风险进行识别并且加以分析,首先提出基础设施PPP项目中存在的风险因素,然后采取定量方法基于层次分析法的模糊综合评价法结合粗集理论进行模糊定量分析,从而对PPP项目风险进行评估和预测。最后得出模糊综合评价法在PPP风险评估的优越性以及此PPP项目的风险系数。     

Measuring the complexity of generalized linear hierarchical models

Measuring a statistical model's complexity is important for model criticism and comparison. However, it is unclear how to do this for hierarchical models due to uncertainty about how to count the random effects. The authors develop a complexity measure for generalized linear hierarchical models based on linear model theory. They demonstrate the new measure for binomial and Poisson observables modeled using various hierarchical structures, including a longitudinal model and an areal‐data model having both spatial clustering and pure heterogeneity random effects. They compare their new measure to a Bayesian index of model complexity, the effective number p_D of parameters (Spiegelhalter, Best, Carlin & van der Linde 2002); the comparisons are made in the binomial and Poisson cases via simulation and two real data examples. The two measures are usually close, but differ markedly in some instances where p_D is arguably inappropriate. Finally, the authors show how the new measure can be used to approach the difficult task of specifying prior distributions for variance components, and in the process cast further doubt on the commonly‐used vague inverse gamma prior.