[论文解读] Fuzzy Interval Matrices, Neutrosophic Interval Matrices and their Applications

Kandasamy, W. B. Vasantha, Florentín Smarandache|ArXiv.org|Sep 4, 2006

Cognitive Science and Mapping参考文献 148被引用 26

一句话总结

本文引入了模糊区间矩阵、中性模糊区间矩阵以及模糊中性模糊区间矩阵作为处理不确定、不精确及多专家数据的新型数学工具。提出了如FCIM、FRIM和IBAM等多专家模型，展示了其在马尔可夫链、列昂蒂耶夫经济模型以及工程、医学和社会科学等实际问题中的应用，重点聚焦于无监督数据和不确定性下的专家共识。

ABSTRACT

The new concept of fuzzy interval matrices has been introduced in this book for the first time. The authors have not only introduced the notion of fuzzy interval matrices, interval neutrosophic matrices and fuzzy neutrosophic interval matrices but have also demonstrated some of its applications when the data under study is an unsupervised one and when several experts analyze the problem. Further, the authors have introduced in this book multiexpert models using these three new types of interval matrices. The new multi expert models dealt in this book are FCIMs, FRIMs, FCInMs, FRInMs, IBAMs, IBBAMs, nIBAMs, FAIMs, FAnIMS, etc. Illustrative examples are given so that the reader can follow these concepts easily. This book has three chapters. The first chapter is introductory in nature and makes the book a self-contained one. Chapter two introduces the concept of fuzzy interval matrices. Also the notion of fuzzy interval matrices, neutrosophic interval matrices and fuzzy neutrosophic interval matrices, can find applications to Markov chains and Leontief economic models. Chapter three gives the application of fuzzy interval matrices and neutrosophic interval matrices to real-world problems by constructing the models already mentioned. Further these models are mainly useful when the data is an unsupervised one and when one needs a multi-expert model. The new concept of fuzzy interval matrices and neutrosophic interval matrices will find their applications in engineering, medical, industrial, social and psychological problems. We have given a long list of references to help the interested reader.

研究动机与目标

• 开发一种新的数学框架，利用模糊和中性模糊区间矩阵对数据中的不确定性进行建模。
• 解决在涉及多位专家的决策过程中，面对无监督或不精确数据的挑战。
• 将传统矩阵模型（如马尔可夫链、列昂蒂耶夫模型）扩展至处理区间值和不确定信息。
• 提出如FCIM、FRIM、IBAM和FAIM等新型多专家模型，以实现不确定性下的集体决策。
• 提供一个自包含的理论基础，辅以图示示例和详尽参考文献，便于实际应用。

提出的方法

• 引入模糊区间矩阵（FIMs），即以模糊区间作为元素的矩阵，用于表示不确定或不精确的数据。
• 通过在区间边界内引入真值度、不确定度和假值度，定义中性模糊区间矩阵（NIMs），以增强不确定性建模能力。
• 通过将模糊集与中性模糊逻辑相结合，提出模糊中性模糊区间矩阵（FNIMs），以实现多维不确定性的表达。
• 开发多专家模型，如FCIM（模糊认知区间矩阵）和IBAM（区间双矩阵模型），以整合多个来源的判断。
• 通过将标准方程适配至区间和中性模糊框架，将这些模型应用于马尔可夫链和列昂蒂耶夫投入产出模型等实际系统。
• 利用图示数值示例验证所提模型在复杂决策环境中的一致性与适用性。

实验结果

研究问题

• RQ1 如何系统性地将区间值模糊集与中性模糊逻辑结合，以对数据中的不确定性进行建模？
• RQ2 模糊区间矩阵与中性模糊区间矩阵的结构与代数性质是什么？
• RQ3 当数据为无监督或不精确时，如何利用基于区间的矩阵形式化多专家决策？
• RQ4 传统模型（如马尔可夫链和列昂蒂耶夫模型）如何通过模糊与中性模糊区间矩阵得到扩展？
• RQ5 这些新型矩阵在工程、医学、工业及社会科学问题中的实际应用有哪些？

主要发现

• 本文成功引入模糊区间矩阵作为一类新矩阵，能够通过区间值模糊数表示不确定数据。
• 中性模糊区间矩阵被证明能有效建模不确定与不一致信息，通过在区间内整合真值度、不确定度与假值度。
• 所提出的多专家模型（如FCIM、IBAM、FAIM）能够在不确定性下实现专家意见的结构化聚合，提升决策的鲁棒性。
• 在马尔可夫链与列昂蒂耶夫经济模型中的应用表明，扩展框架在不确定性下仍能保持关键的动力学与均衡特性。
• 通过图示示例验证了该框架的可行性与可解释性，其在医学诊断与工业规划等实际场景中具有应用潜力。
• 本书提供了完整的304页理论基础，辅以详尽参考文献，为不确定性建模领域的研究人员建立了一个自包含的资源。