رتبه‌بندی عدد زد با استفاده از روش خوشه‌بندی بهینه (CZ-number)

سعید جعفری ¹ ( گروه مهندسی برق، واحد بوشهر، دانشگاه آزاد اسلامی واحد بوشهر، ایران. )
مجتبی نجفی ² ( گروه مهندسی برق، واحد بوشهر، دانشگاه آزاد اسلامی واحد بوشهر، ایران. )
نقی مودبی پیرکلاهچاهی ³ ( گروه مهندسی برق، واحد بوشهر، دانشگاه آزاد اسلامی واحد بوشهر، ایران. )
نجمه چراغی شیرازی ⁴ ( گروه مهندسی برق، واحد بوشهر، دانشگاه آزاد اسلامی واحد بوشهر، ایران. )

تاریخ ارسال : 1402/03/16 تاریخ تایید : 1402/06/18

کلید واژه: امکانی-احتمالاتی, خوشه‌بندی بدون نظارت, عدد زد, عددCZ, فازی.,

چکیده مقاله :

استفاده از مفاهیم جدید در مدل‌سازی عدم قطعیتها توسط کلمات زبان طبیعی، در سالهای اخیر مورد توجه قرار گرفته است. مفهوم عدد زد یکی از این مفاهیم است که توسط دکتر زاده در سال 2011 مطرح گردید. هدف از عدد زد مدل‌سازی جملات غیردقیق زبان طبیعی توسط یک جفت اعداد فازی (A,B) است که اولین مؤلفه این عدد نشان‌دهنده امکان رخداد و مؤلفه دوم نشان‌دهنده احتمال رخداد عدد اول است. امروزه یکی از چالش‌های مهم عدد زد در بین محققان، نحوه تشکیل اولیه ساختار مؤلفه اول و مؤلفه دوم است، درصورتی‌که محققان راه‌کارهای نامناسبی در تشکیل این مؤلفه‌ها مورد استفاده قرار دهند، این عامل باعث می‌گردد که نتایج نهایی به‌درستی محاسبه نگردد. این ضعف در تصمیم‌گیری‌های گروهی با حجم اطلاعات بالا بیشتر نمایان می‌گردد. به‌منظور رفع این مشکل، نویسندگان این مقاله، خوشه‌بندی بهینه دیتاهای جمع‌آوری شده را پیشنهاد می‌نمایند. راهکار پیشنهادی باعث می‌گردد که مؤلفه‌های اول و دوم عدد زد به شکل هدفمند تشکیل گردد. به‌منظور صحت سنجی روش پیشنهادی، نتایج به‌دست‌آمده از روش پیشنهادی با روش فازی مقایسه میگردد.

چکیده انگلیسی :

In recent years, modeling uncertainties through natural language has attracted growing attention, with Z-numbers, introduced by Zadeh in 2011, being a key concept. A Z-number consists of two fuzzy components: the first represents the possibility of an event’s occurrence, while the second expresses the probability of that occurrence. A major challenge in applying Z-numbers lies in properly structuring these two components; inappropriate strategies can lead to inaccurate results, especially in group decision-making contexts with large data volumes. To address this, the paper proposes an optimal clustering approach for structuring the components of Z-numbers more systematically and purposefully. This method enhances the accuracy of Z-number modeling by reducing errors in component formation. The effectiveness of the proposed approach is validated through a comparison with conventional fuzzy methods, demonstrating improved performance in handling uncertainty.

تازه های تحقیق:

استفاده از روش یادگیری بدون نظارت در انتخاب بهینه از نظرات متخصص.
اثربخشی روش پیشنهادی در انتخاب نظرات بهینه متخصصان در شرایط مجموعه داده‌های بزرگ و پیچیده نظرات متخصص.
تعیین نقاط بهینه به‌منظور تعیین نقاطی که فواصل Z را تشکیل می‌دهد.
استفاده از هر روش یا الگوریتم برای خوشه‌بندی بدون نظارت از نقاط تشکیل‌دهنده عدد زد.

منابع و مأخذ:

[1] A. L. Zadeh, "Fuzzy sets," Information and control, vol. 8, no. 3, pp. 338-353, 1965, doi: 10.1016/S0019-9958(65)90241-X.
[2] A. P. Dempster, "A generalization of Bayesian inference," Journal of the Royal Statistical Society, Series B (Methodological) , vol. 30, no. 2, pp. 205-232, doi: 10.1111/j.2517-6161.1968.tb00722.x.
[3] G. Shafer, “A mathematical theory of evidence turns 40,” International Journal of Approximate Reasoning, vol. 79, pp. 7-25, 2016, doi: 10.1016/j.ijar.2016.07.009.
[4] M. J. Mendel and J.R. Bob, "Type-2 fuzzy sets made simple," IEEE Transactions on fuzzy systems, vol. 10, no. 2, pp. 117-127, 2002, doi: 10.1109/91.995115.
[5] G. Ulutagay and V. Kreinovich, “Density-Based Fuzzy Clustering as a First Step to Learning Rules: Challenges and Solutions,” in Advance Trends in Soft Computing: Proceedings of WCSC , 2013, San Antonio, Texas, USA , pp. 357-372, doi: 10.1007/978-3-319-03674-8.
[6] Y. Wang et al., "Pairwise constraints-based semi-supervised fuzzy clustering with multi-manifold regularization," Information Sciences, vol. 638, p. 118994, 2023, doi: 10.1016/j.ins.2023.118994.
[7] L. Guo et al., "Pixel and region level information fusion in membership regularized fuzzy clustering for image segmentation," Information Fusion , vol. 92, pp. 479-497, 2023, doi: 10.1016/j.inffus.2022.12.008.
[8] F. Xiao, "A multiple-criteria decision-making method based on D numbers and belief entropy," International Journal of Fuzzy Systems , vol. 21, no. 4, pp. 1144-1153, 2019, doi: 10.1007/s40815-019-00620-2.
[9] J. Pérez-Ortega et al., "POFCM: A Parallel Fuzzy Clustering Algorithm for Large Datasets," Mathematics , vol. 11, no. 8, 2023, doi: 10.3390/math11081920.
[10] L. Wang, C. Guonan and C. Xinye, "Fuzzy clustering optimal k selection method based on multi-objective optimization," Soft Computing, vol. 27, no. 3, pp. 1289-1301, 2023, doi: 10.1007/s00500-022-07727-z.
[11] Y. Tian, L. Liu, X. Mi and B. Kang, “ZSLF: A new soft likelihood function based on Z-numbers and its application in expert decision system,” IEEE Trans. Fuzzy Syst., vol. 29, no. 8, pp. 2283–2295, Aug. 2021, doi: 10.1109/TFUZZ.2020.2997328.
[12] R. Cerqueti and R. Mattera, "Fuzzy clustering of time series with time-varying memory," International Journal of Approximate Reasoning, vol. 153, pp. 193-218, 2023, doi: 10.1016/j.ijar.2022.11.021.
[13] A. R. Rajeswari et al., "A trust-based secure neuro fuzzy clustering technique for mobile ad hoc networks," Electronics , vol. 12, no. 274, 2023, doi: 10.3390/electronics12020274.
[14] R. Cheng, B. Kang and J. Zhang, "An Improved Method of Converting Z-number into Classical Fuzzy Number," 33rd Chinese Control and Decision Conference (CCDC), Kunming, China, 2021, pp. 3823-3828, doi: 10.1109/CCDC52312.2021.9601658.
[15] A. R. Aliev, A. V. Alizadeh and O. H. Huseynov, "The arithmetic of discrete Z-numbers," Information Sciences, vol. 290 , pp. 134-155, 2015, doi: 10.1016/j.ins.2014.08.024.
[16] F. Liu et al., "Evaluating Internet hospitals by a linguistic Z-number-based gained and lost dominance score method considering different risk preferences of experts," Information Sciences, vol. 630, pp. 647-668, 2023, doi: 10.1016/j.ins.2023.02.061.
[17] F. Teng et al., "Probabilistic linguistic Z number decision-making method for multiple attribute group decision-making problems with heterogeneous relationships and incomplete probability information," International Journal of Fuzzy Systems, vol. 24, no. 1, pp. 1-22, 2022, doi: 10.1007/s40815-021-01161-3.
[18] R. Jafari, W. Yu and X. Li, "Numerical solution of fuzzy equations with Z-numbers using neural networks," Intelligent Automation & Soft Computing, pp. 1-7, 2017, doi: 10.1080/10798587.2017.1327154.
[19] S. Massanet, J. V. Riera and J. Torrens, "A new vision of Zadeh’s Z-numbers," International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems. Cham: Springer International Publishing, vol. 47, 2016, doi: 10.1007/978-3-319-40581-0_47.
[20] A. R. Aliev et al., "Z‐number‐based linear programming." International Journal of Intelligent Systems , vol. 30, no. 5, pp. 563-589, 2015, doi: 10.1002/int.21709.
[21] D. Wu et al., "A new medical diagnosis method based on Z-numbers," Applied Intelligence , vol. 48, pp. 854-867, 2018, doi: 10.1007/s10489-017-1002-4.
[22] R. Cheng, J. Zhang and B. Kang, "Ranking of Z-Numbers Based on the Developed Golden Rule Representative Value," in IEEE Transactions on Fuzzy Systems, vol. 30, no. 12, pp. 5196-5210, Dec. 2022, doi: 10.1109/TFUZZ.2022.3170208.
[23] A. R. Aliev et al., "Eigensolutions of partially reliable decision preferences described by matrices of Z-numbers," International Journal of Information Technology & Decision Making, vol. 19, no. 06, pp. 1429-1450, 2020, doi: 10.1142/S0219622020010063.
[24] R. Banerjee and K. P. Sankar, "A machine-mind architecture and Z*-numbers for real-world comprehension," Pattern Recognition and Big Data, pp. 805-842, 2017, doi: 10.1142/9789813144552_0026.
[25] Q. Liu et al., "On the negation of discrete z-numbers," Information Sciences, vol. 537, pp. 18-29, 2020, doi: 10.1016/j.ins.2020.05.106.
[26] https://hourlypricing.comed.com/live-prices/?date=20230310.