含有L-R模糊数的DEA-DA模糊识别模型与算法研究

论文摘要

实际工程问题中,由于测量误差、噪音,经济环境的随机性及质量因素的影响导致了模糊环境的产生,由于系统模糊性而产生的数据的不确定性导致系统辨识的精度降低,目前模糊环境下的系统辨识问题还没有得到很好的解决。本论文将模糊数学,运筹学,计算机科学等多学科原理与方法进行集成,基于对DEA-DA的模糊模式识别方法的理论研究,建立含有L-R模糊数的DEA-DA模式识别模型,并通过模型的灵敏度分析验证模型的鲁棒性,实现对模糊系统的高精度有效辨识。模型构建将采用模糊数学、运筹学和多元统计分析方法的集成,利用混合整数规划和多目标规划实现模型的计算机算法。该模型与方法的研究在非均一评价模型研究领域,尤其是在多指标,多特征,多单元的模糊识别领域几乎尚未有人研讨,对于解决模糊环境下的模式识别问题具有重要的应用价值。利用基于DEA-DA的模糊模式识别算法与计算机的结合,可以应用于经济预测和预警、工程模糊识别与诊断、人工智能、知识处理及数据挖掘领域,具有重要的理论价值和应用前景。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 国内外研究现状及研究意义
• 1.3 研究内容、技术路线及方法
• 第二章 DEA-DA 模型与方法的概述
• 2.1 DEA（DATA ENVELOPMENT ANALYSIS）方法综述
• 2.2 DEA 方法的基本模型
• 2.3 判别分析方法（DA 方法）
• 2.4 DEA 加性模型形成的DEA-DA 模型
• 2.5 本章小结
• 第三章 模糊DEA-DA 模型的建立
• 3.1 系统的不确定性
• 3.2 L-R 模糊数及其运算
• 3.3 本章小结
• 第四章 模糊DEA-DA 模型的灵敏度分析
• 4.1 数据扰动后的模糊DEA-DA 灵敏度分析
• 4.2 增加决策单元的模糊DEA-DA 灵敏度分析
• 4.3 本章小结
• 第五章 算法的计算机实现
• 5.1 实现工具选择
• 5.2 DEA-DA 模型算法的计算机实现及数值算例
• 5.3 FDEA-DA 模型的计算机实现
• 5.4 算法
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献