模糊复Choquet积分的测度的确定问题

模糊复Choquet积分的测度确定问题目前采用的方法是依靠经验评断给出,该方法简单快捷,但带有很大的主观性,人为因素很大。在前人基础上,将粒子群的群优化方法思想引入到测度的确定中,给出解决测度确定问题的一种方法,为模糊复Choquet积分的测度确定解决取得了较为理想的结果。     

模糊积分分类器中的自适应模糊测度

与其他分类器相比较,模糊积分分类器具有可以表示特征属性间交互作用的特性.确定合适的模糊测度是其关键因素之一.模糊测度的确定方法主要有2种:专家给定和从历史数据学习获得.由于模糊测度自身的复杂性,模糊测度主要是从数据中学习得到.为了能够更好地利用特征属性在样例空间体现出的局部特征,提出了一种用人工神经网络实现自适应模糊测度的方法.使得模糊测度可以随着输入样例的不同而变化,及时反映出在对样例进行分类过程中各特征属性的重要性和属性间的交互作用的不同,从而提高分类性能.实验证明该方法有效,可行.     

复模糊值Choquet模糊积分

在复数域上的复模糊测度与复模糊值模糊测度的基础上，给出了复数域上的复区间值函数及复模糊值函数，进而定义了复数域上的复值模糊可测函数及复模糊值模糊可测函数，最终，定义了复数域上的复模糊值Choquet模糊积分，同时研究了该积分的一些基本性质．     

确定gλ模糊测度的多分类器系统学习算法

模糊测度是非负的集函数且有非可加性,以模糊积分作为决策方法的多分类器系统在进行决策之前首先要确定模糊测度,因此它在整个多分类器系统中起着重要的作用,对整个系统的性能有很大的影响.根据Choquet模糊积分的数值计算过程和gλ模糊测度的特殊结构,提出了一种基于Choquet模糊积分的gλ模糊密度的调整方法.对该方法进行了理论分析和证明,并通过数值实验验证了该方法是可行的,在多分类器系统的构建过程中为模糊测度的确定提供了一种有效的方法,具有一定的实用性.     

集值函数关于模糊测度Choquet积分的表示和积分原函数性质

研究了集值函数关于模糊测度Choquet积分的分析性质: 讨论了集值函数Choquet积分的计算方法, 给出了集值函数Choquet积分的表示定理和Radon-Nikodym性质, 并且对集值函数Choquet积分的原函数进行了刻划。最后, 对集值函数关于模糊测度Choquet积分定义进行了改进, 提出了集值函数 “上方函数” 和 “下方函数” 概念, 实现了对集值函数关于模糊测度的Choquet积分的控制。     

基于极速学习的Choquet模糊积分分类器

在交互环境下,模糊积分分类器具有良好的分类性能.如何确定在属性集幂集上定义的模糊测度是模糊积分分类器中的一个关键问题.当属性的个数增加时,计算复杂度呈指数级增长.为了解决这一问题,借鉴极速学习机算法中权重向量随机确定的思想,提出了ELM-Choquet模糊积分分类器.实验结果表明,和Choquet模糊积分分类器相比,该算法具有较优的分类性能.     

模糊测度与模糊积分的应用

引用了模糊测度与模糊积分的概念 ,在分析三种模糊积分关系及表示方法的基础上 ,将模糊测度、模糊积分用于综合评价及其它实际问题。     

基于最优测度的Choquet积分

研究了基于一个单调测度的最优测度的Choquet,称它为Choquet 最优积分,它可以被认为是Choquet 积分的最优形式.这一类积分对应了一个逐步淘汰不符合资格成员并逐次进行最优核算的模型,它可用于管理问题的最优安排与度量.我们讨论了这一类积分的基本性质,介绍了它与其它非线性积分的关系,并给出了积分实际应用的例子.     

Choquet积分与Sugeno积分的不等式关系

模糊测度是经典测度的推广,适用于存在交互作用环境下的综合评价问题.而勒贝格积分也相应地被模糊积分所代替,Choquet积分和Sugeno积分是多指标决策中应用较多的2种模糊积分.针对综合评价问题,Choquet积分和Sugeno积分存在一种不等式关系,对其进行证明,并讨论其在应用问题中的作用.     

Choquet模糊积分的粗糙性及信息融合

在分析现有模糊积分理论的基础上 ,提出了Choquet上、下模糊积分的概念和粗糙区间数的积分形式 ,给出了Choquet模糊积分的粗糙特性 ,建立了基于粗糙Choquet模糊积分形式和信息融合方法 .该方法在存在各种外界干扰因素的多传感器融合环境中 ,可以较好地实现区间数传感器的选择和融合 .所给Cho quet上、下模糊积分是经典Choquet模糊积分在粗糙意义下的扩展形式 ,能处理粗糙区间数数据源和信息系统的对象 .模拟实例验证了融合方法的有效性     

关于集值模糊Choquet积分性质的进一步讨论

集值模糊Choquet积分是Choquet积分、集值Choquet积分和模糊Choquet积分的重要推广,本文进一步讨论了集值模糊Choquet积分的性质,并修正了张风霜文章《集值模糊Choquet积分的广义性质》的不严密之处.     

Sugeno型模糊复值积分及其在分类器融合中的应用

给出的模糊复值积分、Sugeno型模糊复值积分概念,研究了其基本性质;将其作为一种新的算法应用于分类问题中,对应用中的细节问题进行研究,并用1个实例对其算法进行验证,结果显示该方法具有良好的分类效果。     

一种基于模糊积分的图像最优融合方法

为极大保留多光谱、高分辨率遥感影像融合时的光谱信息和空间分辨率信息,提出一种基于模糊积分的图像最优融合方法。综合光谱信息和空间分辨率2个单因素指标,在IHS（Intensity Hue Saturation）空间,对强度分量,的高频部分利用多分辨率小波融合方法进行影像的高频细节特征融合,低频部分选取光谱信息和空间分辨率评价指标作为融合权系数求优指标,进行像素级最优融合,实验结果证明本方法是有效的。     

基于一种推广的Choquet积分的回归模型

为了处理属性间带有不确定值交互作用的实际问题,提出了一种推广的Choquet积分,给出了一种基于此积分的回归模型,最后给出了用粒子群算法确定模型中回归参数的算法.由于粒子群算法具有快速收敛等优点,保证了本文提出算法的快速求解和有效性.     

Lebesgue-Stieltjes型模糊Choquet积分的定义及其基本性质

利用Lebesgue-Stieltjes测度,给出了Lebesgue-Stieltjes型模糊Choquet积分的定义,讨论了该积分的主要性质及收敛性定理,得到了单调收敛定理、法都引理和控制收敛定理等。     

Fuzzy积分的注记

给出了ｆｕｚｚｙ积分的一些重要性质，特别是给出了一个逐项积分定理：若（Ｘ，σ，μ）是ｆｕｚｚｙ测度空间，μ满足ｆｕｚｚｙ可加性，ｈｎ（ｘ）；Ｘ→［０，１］（ｎ＝１，２，…）是σ可测函数，则有     

基于模糊积分融合的复杂场景下人体行为识别

利用局部特征描述符来表征视频中一系列关键点的方法已被广泛应用于识别复杂场景下的人体行为,但这些关键点之间隐含的结构化的位置关系目前并未得到有效表征.为此,文中首先采用尺度不变的关键点的检测子和3D-Harris检测子检测视频样本中的局部关键点,结合已有的局部特征描述符和形状描述符来表征关键点位置之间结构化的信息,然后利用bag-of-features模型来计算这些特征的分布,再通过模糊积分对这些局部特征进行有效融合,并给出具体的算法描述.在具有复杂场景的YouTube数据集下的实验表明,所提出的局部特征表征方法能够更有效地表征复杂场景中的人体行为,模糊积分融合方法可有效进行决策层融合.     

复Fuzzy测度与复Fuzzy积分

提出复Ｆｕｚｚｙ测度、复Ｆｕｚｚｙ可测函数及复Ｆｕｚｚｙ积分等概念，并讨论了其性质与收敛定理。