Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Un nuevo medida de similitud de conjuntos neutrosóficos univaluados basada en la distancia de Manhattan modificada y sus aplicaciones
Un conjunto neutrosófico de valor único (SVN) contiene tres parámetros, que pueden describir bien tres aspectos de una cosa objetiva. Sin embargo, la mayoría de las medidas de similitud previas de conjuntos SVN a menudo se encuentran con ejemplos contraintuitivos. La distancia de Manhattan es una distancia conocida, que se ha aplicado en reconocimiento de patrones, análisis de imágenes, redes de sensores inalámbricos ad-hoc, etc. Con el fin de desarrollar medidas de distancia adecuadas, se construye una nueva medida de distancia de conjuntos SVN basada en la distancia de Manhattan modificada, y también se propone una nueva medida de similitud basada en la distancia. Luego se presentan algunas aplicaciones de la medida de similitud propuesta. Primero, se introduce un algoritmo de reconocimiento de patrones. Luego se propone un método de toma de decisiones de múltiples atributos, en el cual se desarrolla un método de ponderación al construir un modelo óptimo basado en la medida de similitud propuesta. Además, también se propone un algoritmo de agrupamiento. Se utilizan algunos ejemplos para ilustrar estos métodos.
Autores: Zeng, Yanqiu; Ren, Haiping; Yang, Tonghua; Xiao, Shixiao; Xiong, Neal
Idioma: Inglés
Editor: MDPI
Año: 2022
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Yanqiu Zeng, Haiping Ren, Tonghua Yang, Shixiao Xiao y Neal Xiong para la revista Electronics, Vol. 11, Núm. 6. Publicación de MDPI. Contacto: electronics@mdpi.com
Un conjunto neutrosófico de valor único (SVN) contiene tres parámetros, que pueden describir bien tres aspectos de una cosa objetiva. Sin embargo, la mayoría de las medidas de similitud previas de conjuntos SVN a menudo se encuentran con ejemplos contraintuitivos. La distancia de Manhattan es una distancia conocida, que se ha aplicado en reconocimiento de patrones, análisis de imágenes, redes de sensores inalámbricos ad-hoc, etc. Con el fin de desarrollar medidas de distancia adecuadas, se construye una nueva medida de distancia de conjuntos SVN basada en la distancia de Manhattan modificada, y también se propone una nueva medida de similitud basada en la distancia. Luego se presentan algunas aplicaciones de la medida de similitud propuesta. Primero, se introduce un algoritmo de reconocimiento de patrones. Luego se propone un método de toma de decisiones de múltiples atributos, en el cual se desarrolla un método de ponderación al construir un modelo óptimo basado en la medida de similitud propuesta. Además, también se propone un algoritmo de agrupamiento. Se utilizan algunos ejemplos para ilustrar estos métodos.
Descripción
Un conjunto neutrosófico de valor único (SVN) contiene tres parámetros, que pueden describir bien tres aspectos de una cosa objetiva. Sin embargo, la mayoría de las medidas de similitud previas de conjuntos SVN a menudo se encuentran con ejemplos contraintuitivos. La distancia de Manhattan es una distancia conocida, que se ha aplicado en reconocimiento de patrones, análisis de imágenes, redes de sensores inalámbricos ad-hoc, etc. Con el fin de desarrollar medidas de distancia adecuadas, se construye una nueva medida de distancia de conjuntos SVN basada en la distancia de Manhattan modificada, y también se propone una nueva medida de similitud basada en la distancia. Luego se presentan algunas aplicaciones de la medida de similitud propuesta. Primero, se introduce un algoritmo de reconocimiento de patrones. Luego se propone un método de toma de decisiones de múltiples atributos, en el cual se desarrolla un método de ponderación al construir un modelo óptimo basado en la medida de similitud propuesta. Además, también se propone un algoritmo de agrupamiento. Se utilizan algunos ejemplos para ilustrar estos métodos.