Нелинейные строгие меры расстояния и сходства для интуиционистских нечетких множеств с применением к классификации образов и медицинской диагностике
Научные отчеты, том 13, Номер статьи: 13918 (2023) Цитировать эту статью
77 Доступов
Подробности о метриках
В этой статье мы предлагаем новый тип нелинейных строгих мер расстояния и сходства для интуиционистских нечетких множеств (IFS). Предлагаемые нами методы не только обладают хорошими свойствами, но и устраняют недостатки, предложенные Махантой и Пандой (Int J Intell Syst 36(2):615–627, 2021), в которых, например, их значение расстояния \(d_{_ {\textrm{MP}}}(\langle \mu , \nu \rangle , \langle 0, 0\rangle )\) всегда равно максимальному значению 1 для любого интуиционистского нечеткого числа \(\langle \mu , \ nu \rangle \ne \langle 0, 0\rangle \). Чтобы решить эти проблемы в Mahanta и Panda (Int J Intell Syst 36(2):615–627, 2021), мы устанавливаем нелинейную параметрическую меру расстояния для IFS и доказываем, что она удовлетворяет аксиоматическому определению строгих интуиционистских нечетких расстояний и сохраняет все Преимущества дистанционных мер. В частности, предложенная нами мера расстояния может эффективно различать разные IFS с высокой нерешительностью. Между тем, мы получаем, что двойственная мера подобия и индуцированная энтропия предложенной нами меры расстояния удовлетворяют аксиоматическим определениям строгой интуиционистской меры нечеткого подобия и интуиционистской нечеткой энтропии. Наконец, мы применяем предложенные нами меры расстояния и сходства для классификации шаблонов, принятия решений о выборе подходящей антивирусной маски для лица от COVID-19 и решения проблем медицинской диагностики, чтобы проиллюстрировать эффективность новых методов.
Заде1 ввел концепцию нечетких множеств (FS), используя функцию от вселенной дискурса до [0, 1], которая называлась функцией принадлежности, для описания важности элемента во вселенной дискурса. Теория нечетких множеств Заде применялась в различных областях2,3,4. Однако ФС могут справиться только с ситуацией, содержащей два противоположных ответа. Ему не удается справиться с ситуацией с нерешительным/нейтральным состоянием «то и то». В качестве средства защиты Атанасов5 обобщил нечеткое множество Заде, предложив концепцию интуиционистских нечетких множеств (IFS), характеризующихся функцией принадлежности и функцией непринадлежности, удовлетворяющей условию, что их сумма в каждой точке меньше или равна 1. Поскольку затем IFS широко применялись в различных областях, таких как принятие решений по множественным атрибутам (MADM)6,7,8,9,10,11, медицинская диагностика12,13,14,15, сходство с распознаванием образов16,17,18, 19 и кластерный анализ16,20,21,22.
Будучи парой двойственных концепций, интуиционистская нечеткая (IF) мера расстояния (IFDisM) и мера сходства IF (IFSimM) полезны для измерения различий IFS в ситуациях IF. Аксиоматические определения IFDisM и IFSimM были впервые даны Вангом и Синем23. Шмидт24 рассмотрел IFDisM и IFSimM и разделил их на два типа IFS в соответствии с двухмерным (2D) и трехмерным (3D) представлениями. Однако Ву и др.25 использовали несколько примеров, чтобы показать, что многие существующие 3D IFDisM и IFSimM, включая Евклидовы DisM и SimM24, Minkowski DisM и SimM26,27, не удовлетворяют аксиоматическим определениям IFDisM и IFSimM. Бурильо и Бустинс28 представили 2D Hamming IFDisM. Гжегожевский29, Хунг и Янг30 представили несколько новых IFSimM и IFDisM, основанных на метрике Хаусдорфа. Ван и Xin23 получили новый IFDisM путем объединения 2D Hamming IFDisM28 и 2D Hausdorff IFDisM29. Хван и Ян31 представили новый IFSimM через нижние, верхние и средние нечеткие множества. Xiao32 получил 3D IFDisM на основе расхождения Дженсена-Шеннона и продемонстрировал, что он лучше, чем IFDisM в 33,34,35,36. Однако Ву и др.37 привели несколько примеров, иллюстрирующих, что DisM Сяо не удовлетворяет аксиоматическому определению IFDisM. Между тем, Ву и др.37 сначала представили концепции строгого IFDisM, а затем получили новый строгий IFDisM посредством расхождения Дженсена-Шеннона, чтобы более эффективно сравнивать и различать IFN и IFS.