决策者可以通过间隔估值的Q-RONG Orthopair模糊集（IVQ-ROF）来评估更灵活，该模糊套装（IVQ-ROF）提供模糊决策更多的应用空间。同时，Choquet Integralses非添加性集合功能（模糊测量）直接描述属性之间的交互。特别是，属性之间存在大量实际问题。因此，本文提出了相关运营商和组决策 - 制作方法基于间隔值Q-RONG Orthopair模糊Set Choquet Integral.dirst，intervalglued Q-rung orthopair模糊Choquet整体平均运算符（IVQ-rofca）和间隔值q-rung orthopair模糊choquet整体几何算子（ IVQ-ROFCG）被致敏感，并证明了它们的基本性质。繁多，开发了基于IVQ-ROFCA和IVQ-ROFCG的几个运算符。然后，开发了一种基于IVQ-ROFCA的组决策方法，可以解决归因于属性之间的相互作用的决策。最后，通过实施高血压警告管理系统，结果显示了运营商和组决策 - 本文提出的制造方法可以处理复杂的决策情况，决策结果与医生的诊断结果一致.OREOVER，与其他运营商结果的比较表明，建议的运营商和组决策方法表明是正确且有效的，决策结果不会受到Q值的变化的影响。

本文为多属性多目标组决策提供了一种具有未知权重和属性的权重的新工具。基于Ager运营商和具有未知权重的评论员的批评方法，提出了间隔值的广义正交模糊组决策方法。该方法集成了Yager运算符，评论家，WASPA和间隔值广义正交模糊组。它的优点是允许决策者更大的自由，避免由于决策者的体重而偏差，并产生准确的评估。该研究包括：扩展间隔值广义测量方法，以进行相似性测量和决策方法的比较和应用;开发新的评分功能，用于比较间隔值广义正交模糊数以及进一步的现有研究。建议的间隔值加权平均运算符（IVQ-ROFYWA）和YAGR加权几何平均算子（IVQ-ROFYWG）用于信息聚集。批评批评者结合了评论家和黄蜂的优势，这不仅在单一决定中工作，而且还担任集团决定的基础。关于决策者的重量矩阵的深入研究克服了整个决定的缺点，并重视决策者的信息聚集。最后，组决策算法用于高血压风险管理。结果与决策者的意见一致。实践和案例分析证明了本文提出的方法的有效性。与此同时，它与其他操作员和决策方法进行比较，证明该方法有效可行。

已经提出了概率语言学期来处理提供的语言评估中的概率分布。但是，由于它具有一些基本缺陷，决策者通常很难获得合理的语言评估对团体决策的信息。此外，权重信息在动态信息融合和决策过程中起着重要作用。但是，有很少的研究方法可以随时间确定动态属性权重。在本文中，我提出了双模糊概率间隔语言术语集（DFPilts）的概念。首先，模糊语义集成，DFPilts定义，其偏好关系，定义了一些基本算法和聚合运算符。然后，开发了一种具有网络的模糊语言马尔可夫矩阵。然后，开发了一种基于距离测量和信息熵的权重确定方法，从而减少DFPilpr的不一致并获得基于组共识的集体优先级向量。最后，开发了基于聚合的方法，以及来自财务风险的最佳投资情况用于说明DFPilts和决策方法在多标准决策中的应用。

The Interval-valued intuitionistic fuzzy sets (IVIFSs) based on the intuitionistic fuzzy sets combines the classical decision method is in its research and application is attracting attention. After comparative analysis, there are multiple classical methods with IVIFSs information have been applied into many practical issues. In this paper, we extended the classical EDAS method based on cumulative prospect theory (CPT) considering the decision makers (DMs) psychological factor under IVIFSs. Taking the fuzzy and uncertain character of the IVIFSs and the psychological preference into consideration, the original EDAS method based on the CPT under IVIFSs (IVIF-CPT-MABAC) method is built for MAGDM issues. Meanwhile, information entropy method is used to evaluate the attribute weight. Finally, a numerical example for project selection of green technology venture capital has been given and some comparisons is used to illustrate advantages of IVIF-CPT-MABAC method and some comparison analysis and sensitivity analysis are applied to prove this new methods effectiveness and stability.

犹豫不决的模糊语言偏好关系（HFLPR）是有意义的，因为它为不确定性提供了意见表达的有效方法。为了提高HFLPR决策理论，本文介绍了一种基于可接受的一致性和共识测量与HFLPRS组决策的算法，涉及（1）定义犹豫不决的模糊语言几何一致性指数（HFLGCI）并提出过程对于HFLPR的一致性检查和不一致的不一致; （2）根据原始个人HFLPRS与整体完美HFLPR之间的相似性衡量组共识，然后建立共识的程序，确保包括决策者重量的确定。提出的两项程序的收敛性和单调性已被证明。进一步进行一些实验以研究所定义的HFLGCI的临界值，并进行比较分析以显示所提出的算法的有效性。给出了有关风险投资指导基金的绩效评估的案例，以说明所提出的算法的可用性。作为我们工作的应用，最终为决策者提供了在线决策门户，以利用所提出的算法来解决决策问题。

Ranking intuitionistic fuzzy sets with distance based ranking methods requires to calculate the distance between intuitionistic fuzzy set and a reference point which is known to have either maximum (positive ideal solution) or minimum (negative ideal solution) value. These group of approaches assume that as the distance of an intuitionistic fuzzy set to the reference point is decreases, the similarity of intuitionistic fuzzy set with that point increases. This is a misconception because an intuitionistic fuzzy set which has the shortest distance to positive ideal solution does not have to be the furthest from negative ideal solution for all circumstances when the distance function is nonlinear. This paper gives a mathematical proof of why this assumption is not valid for any of the non-linear distance functions and suggests a hypervolume based ranking approach as an alternative to distance based ranking. In addition, the suggested ranking approach is extended as a new multicriteria decision making method, HyperVolume based ASsessment (HVAS). HVAS is applied for multicriteria assessment of Turkey's energy alternatives. Results are compared with three well known distance based multicriteria decision making methods (TOPSIS, VIKOR, and CODAS).

One of the weaknesses of classical (fuzzy) rough sets is their sensitivity to noise, which is particularly undesirable for machine learning applications. One approach to solve this issue is by making use of fuzzy quantifiers, as done by the vaguely quantified fuzzy rough set (VQFRS) model. While this idea is intuitive, the VQFRS model suffers from both theoretical flaws as well as from suboptimal performance in applications. In this paper, we improve on VQFRS by introducing fuzzy quantifier-based fuzzy rough sets (FQFRS), an intuitive generalization of fuzzy rough sets that makes use of general unary and binary quantification models. We show how several existing models fit in this generalization as well as how it inspires novel ones. Several binary quantification models are proposed to be used with FQFRS. We conduct a theoretical study of their properties, and investigate their potential by applying them to classification problems. In particular, we highlight Yager's Weighted Implication-based (YWI) binary quantification model, which induces a fuzzy rough set model that is both a significant improvement on VQFRS, as well as a worthy competitor to the popular ordered weighted averaging based fuzzy rough set (OWAFRS) model.

本文提出了一个基于对MCDM问题的概率解释的贝叶斯框架，并涵盖了几种众所周知的多准则决策（MCDM）方法。由于贝叶斯模型的灵活性，该拟议的框架可以以统计优雅的方式解决MCDM中的几个长期存在的基本挑战，包括小组决策问题和标准相关性。同样，该模型可以在决策者（DMS）的偏好（例如正常和三角形分布以及间隔偏好）的偏好（DMS）中适应不同形式的不确定性。此外，开发了一个概率混合模型，该模型可以将DMS分为几个详尽的类别。概率排名方案也是针对标准和替代方案设计的，它标识了一个标准/替代方案比基于DM（S）偏好更重要的程度。该实验在几个数字示例上验证了所提出的框架的结果，并与其他方法相比突出了其显着特征。

模糊推理引擎是模糊系统的最重要组成部分之一，可以使用模糊逻辑推理方法从输入空间和模糊规则库中获得一些有意义的输出。为了提高多输入单输出（MISO）模糊系统中模糊推理引擎的计算效率，本文旨在研究基于模糊含义的三种误差模糊层次结构推理引擎，从而满足了带有聚集功能的进口法（lia）。首先，我们发现一些聚集函数具有众所周知的模糊含义，以使它们满足（LIA）。对于给定的聚集函数，然后表征满足（LIA）（LIA）的模糊含义。最后，我们在应用上述理论发展的错误模糊系统中构建了三个模糊的层次推理引擎。

多级分类的理论分析已经证明，现有的多级分类方法可以在测试集上具有高分类精度的分类器训练，而当实例在培训和测试集中具有相同分布的训练和测试集时，并且可以进行足够的实例，并且可以是足够的实例。收集在训练集中。但是，尚未解决一个多级分类的限制：在仅可用观察值时，如何提高多类分类问题的分类准确性。因此，在本文中，我们提出了一个新颖的框架，以解决一个新的现实问题，称为多级分类，具有不精确的观察结果（MCIMO），我们需要在其中培训一个具有模糊性观察的分类器。首先，我们基于模糊的Rademacher复杂性对MCIMO问题进行了理论分析。然后，基于支持向量机和神经网络的两种实用算法被构建以解决拟议的新问题。关于合成和现实世界数据集的实验验证了我们的理论分析的合理性以及所提出的算法的疗效。

当成员函数还以部分排序的集合（晶格）为单位时，更精确地将模糊数字的概念推广到有限的部分订购元素集的情况下，更精确地是晶格。扎德（Zadeh）的扩展原理用于确定模糊数字函数的成员资格，以纠正此概括。还提出了平均价值概念的类似物。考虑了在认知图中使用部分有序值与专家评估的比较。

基于规则的分类器，其提取诱导规则的子集，以便在保留可辨别信息的同时有效地学习/挖掘，在人工可解释的人工智能中起着至关重要的作用。但是，在这个大数据的时代，整个数据集上的规则感应是计算密集的。到目前为止，据我们所知，报道了没有针对加速规则诱导的已知方法。这是首先要考虑减少规则感应规模的加速技术的研究。我们提出了一种基于模糊粗略理论的规则感应的加速器;加速器可以避免冗余计算并加速规则分类器的构建。首先，提出基于一致程度的规则感应方法，称为基于一致的基于值（CVR），并用作加速的基础。其次，我们引入了一个被称为关键集的压实的搜索空间，其只包含更新诱导规则所需的关键实例，以减少值。关键集的单调性可确保我们的加速器的可行性。第三，基于密钥集设计了规则感应加速器，从理论上保证将与未被插布的版本的结果相同的结果。具体地，键集的等级保存属性可确保通过加速器和未燃道的方法实现的规则感应之间的一致性。最后，广泛的实验表明，所提出的加速器可以比未被基于规则的分类器方法更快地执行，特别是在具有许多实例的数据集上。

Fuzzy logic has been proposed in previous studies for machine diagnosis, to overcome different drawbacks of the traditional diagnostic approaches used. Among these approaches Failure Mode and Effect Critical Analysis method(FMECA) attempts to identify potential modes and treat failures before they occur based on subjective expert judgments. Although several versions of fuzzy logic are used to improve FMECA or to replace it, since it is an extremely cost-intensive approach in terms of failure modes because it evaluates each one of them separately, these propositions have not explicitly focused on the combinatorial complexity nor justified the choice of membership functions in Fuzzy logic modeling. Within this context, we develop an optimization-based approach referred to Integrated Truth Table and Fuzzy Logic Model (ITTFLM) that smartly generates fuzzy logic rules using Truth Tables. The ITTFLM was tested on fan data collected in real-time from a plant machine. In the experiment, three types of membership functions (Triangular, Trapezoidal, and Gaussian) were used. The ITTFLM can generate outputs in 5ms, the results demonstrate that this model based on the Trapezoidal membership functions identifies the failure states with high accuracy, and its capability of dealing with large numbers of rules and thus meets the real-time constraints that usually impact user experience.

启发式评级估计方法使决策者能够根据现有的排名数据和专家比较做出决定。在这种方法中，预先知道选定替代方案的排名值，而这些值必须针对其余的值计算。他们的计算可以使用添加剂或乘法方法进行。两种方法都假定计算中涉及的成对比较集完成。在本文中，我们展示了如何扩展这些算法，以使专家不需要对所有替代方案进行成对比较。由于专家的工作缩短，提出的改进方法将降低决策程序的成本，并促进并缩短收集决策数据的阶段。

对不确定性的深入了解是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被大大利用，以解决处理高维数据所涉及的复杂问题。但是，在ML/DL中，推理和量化不同类型的不确定性的探索少于其他人工智能（AI）领域。特别是，自1960年代以来，在KRR上已经研究了信仰/证据理论，以推理并衡量不确定性以提高决策效率。我们发现，只有少数研究利用了ML/DL中的信念/证据理论中的成熟不确定性研究来解决不同类型的不确定性下的复杂问题。在本调查论文中，我们讨论了一些流行的信念理论及其核心思想，这些理论涉及不确定性原因和类型，并量化它们，并讨论其在ML/DL中的适用性。此外，我们讨论了三种主要方法，这些方法在深度神经网络（DNN）中利用信仰理论，包括证据DNN，模糊DNN和粗糙的DNN，就其不确定性原因，类型和量化方法以及其在多元化问题中的适用性而言。域。根据我们的深入调查，我们讨论了见解，经验教训，对当前最新桥接信念理论和ML/DL的局限性，最后是未来的研究方向。

在时间序列预测的各种软计算方法中，模糊认知地图（FCM）已经显示出显着的结果作为模拟和分析复杂系统动态的工具。 FCM具有与经常性神经网络的相似之处，可以被分类为神经模糊方法。换句话说，FCMS是模糊逻辑，神经网络和专家系统方面的混合，它作为模拟和研究复杂系统的动态行为的强大工具。最有趣的特征是知识解释性，动态特征和学习能力。本调查纸的目标主要是在文献中提出的最相关和最近的基于FCCM的时间序列预测模型概述。此外，本文认为介绍FCM模型和学习方法的基础。此外，该调查提供了一些旨在提高FCM的能力的一些想法，以便在处理非稳定性数据和可扩展性问题等现实实验中涵盖一些挑战。此外，具有快速学习算法的FCMS是该领域的主要问题之一。

人类具有使用语言信息（LI）的固有能力，即使它含糊不清和不精确。提出了用单词（CWW）计算来授予人类这种能力的计算系统。从各种CWW方法论的许多出版物中可以明显看出对CWW领域的兴趣。这些方法使用不同的方法来建模LI的语义。但是，据我们所知，有关这些方法论的文献大多是分散的，并没有为感兴趣的研究人员提供有关这些方法的概念和实用性的全面但温和的指南。因此，为了介绍基础和最先进的CWW方法论，我们以一种简洁但易于理解的方式提供了简洁但广泛的覆盖范围。我们认为，我们对CWW方法的高质量审查和介绍的简单性对于研究人员来说非常有用，尤其是那些首次开始使用CWW的人。我们还提供未来的研究指示，为有兴趣和积极进取的研究人员提供基础。

时间序列加工是风力涡轮机健康监测的重要方面。尽管在这一领域进展，但新方法仍有空间来提高建模质量。在本文中，我们提出了两种新方法来分析风力涡轮机健康。这两种方法都基于抽象概念，使用模糊集实现，概述并汇总了底层的原始数据。通过观察概念的变化，我们推断涡轮机健康的变化。分析分别进行不同的外部条件（风速和温度）。我们提取代表相对低，中等和高功率生产的概念。第一种方法旨在评估相对较高和低功率生产的降低或增加。使用回归式模型执行此任务。第二种方法评估提取的概念的整体漂移。大漂移表明电力生产过程及时经历波动。使用语言标签标记概念，从而用改善的解释性功能配备了我们的模型。我们应用了提出的方法来处理描述四种风力涡轮机的公开数据。仿真结果表明，所有风力涡轮机的老化过程在所有风力涡轮机中都不均匀。

当在条件属性上以某种方式相关的实例时，发生预测问题的不一致不会遵循决策属性的相同关系。例如，在具有单调性约束的序数分类中，当在条件属性上占据另一个实例的实例已经分配给更糟糕的决策类时，会发生它。它通常出现在由不完全知识（缺少属性）或通过数据生成期间发生的随机效果引起的数据的扰动（在决策属性值的评估中的不稳定性）引起的数据中的扰动。可以使用符号方法如粗糙集理论等象征方法处理和涉及优化方法的统计/机器学习方法，处理相对于清晰的预购关系（表达实例之间的差异或实例之间的无漏能格）不一致。模糊粗糙集也可以被视为对模糊关系处理不一致的象征性方法。在本文中，我们介绍了一种新的机器学习方法，用于对模糊预订关系进行不一致处理。新颖的方法是由用于清脆关系的现有机器学习方法的激励。我们为IT提供统计基础，并开发可用于消除不一致的优化程序。本文还证明了重要的财产，并载有这些程序的教学例子。

驾驶方式总结了反映车辆运动的不同驾驶行为。这些行为可能表明倾向于执行更风险的操作，消耗更多的燃料或能源，打破交通规则或仔细驾驶。因此，本文使用Interval-2类型模糊推理系统提出了驾驶风格的识别，并具有多个专家决策，以将驾驶员分类为平静，中等和激进。该系统接收到输入具有车辆运动的纵向和侧向运动参数。处理噪声数据时，类型2模糊集比Type-1模糊集更强大，因为它们的成员资格功能也是模糊集。此外，在构建模糊的规则基础时，多种专家方法可以减少偏见和不精确，该模糊规则基金会存储模糊系统的知识。使用描述性统计分析评估了所提出的方法，并将其与聚类算法和1型模糊推理系统进行了比较。结果表明，与其他算法相比，与2型模糊推理系统分类的驾驶方式相关的较低运动学概况的趋势与其他算法相比，这与专家意见的汇总采用了更保守的方法。