基于归一化2型三角模糊数求解模糊方程组的替代方法

《Fuzzy Information and Engineering》：An Alternative Approach to Solve Fuzzy System of Equations using Normalized Type 2 Triangular Fuzzy Numbers

　　

技术进步和人工智能（Artificial Intelligence， AI）引发了安全担忧，其中人脸识别是一种特别有效的安全措施。由于其敏感性和潜在的模糊性，选择最佳的人脸识别软件需要一种全面的决策方法，以确保最高级别的安全性。本研究的主要目的是引入一种新的理论框架，称为复杂图像模糊软集（Complex Picture Fuzzy Soft Set， CPFS-set），它通过结合软集（Soft Set）和复杂图像模糊集（Complex Picture Fuzzy Set）的灵活性，来管理基于信息的不确定性、周期性和模糊性。研究人员用数值示例对基本概念（如类型和集合运算）进行了数学检验，以阐明这些思想。研究人员开发了一个基于鲁棒算法的智能决策支持机制，以说明使用CPFS-set进行人脸识别软件评估的构建和计算阶段。这种综合分析有助于利益相关者基于实证数据和严格的评估做出明智的决策。

**论文解读**

**研究背景与问题**

技术的快速发展正在改变我们的世界，使流程更智能、更高效、更互联。然而，随着技术的进步，安全系统正变得越来越脆弱。各种锁系统被用于保护家庭、企业、银行和不同类型的建筑或储物柜。由于技术进步，这些安全系统已变得不那么安全。尽管如此，人脸识别安全系统在近年来变得越来越重要。在现有文献中，已经详细讨论了人脸识别的重要性、人脸识别技术及其未来。如今，许多不同的软件和技术可用于人脸识别，这些技术可用于组织的安全目的。然而，由于人脸识别中存在的不确定性，选择最佳技术非常关键且具有挑战性。这些不确定性源于每个人脸识别相关的多个属性。为了克服这些挑战，需要对属性及其相关因素进行全面分析。

经典集合论在处理不确定性方面存在局限。扎德（Zadeh）将经典集合论扩展到模糊集（Fuzzy Set）论以处理不确定性和模糊性。阿塔纳索夫（Atanassov）通过引入直觉模糊集（Intuitionistic Fuzzy Set）扩展了模糊集理论。随后，库恩（Cuong）和克雷诺维奇（Kreinovich）提出了图像模糊集（Picture Fuzzy Set）的概念，这是对直觉模糊集的扩展。拉莫特（Ramot）等人提出了复模糊集（Complex Fuzzy Set）的概念，将隶属函数从实值函数扩展到复值函数。阿尔库里（Alkouri）等人提出了复直觉模糊集（Complex Intuitionistic Fuzzy Set）。阿克拉姆（Akram）等人通过引入复图像模糊集（Complex Picture Fuzzy Set）推广了复直觉模糊集的概念。

莫洛佐夫（Molodtsov）提出了软集（Soft Set）理论这一创新概念，它是模糊集理论的扩展。恰格曼（?a?man）等人结合了软集理论和模糊集理论，提出了模糊软集（Fuzzy Soft Set）理论。马吉（Maji）提出了直觉模糊软集（Intuitionistic Fuzzy Soft Set）。杨（Yang）等人通过引入图像模糊软集（Picture Fuzzy Soft Set）扩展了直觉模糊软集的概念。

复模糊软集（Complex Fuzzy Soft Set）是处理涉及不确定性、不精确性以及周期性或振荡行为问题的重要数学工具，特别是在决策制定和数据分析中。库马尔（Kumar）和巴贾杰（Bajaj）、阿克拉姆等人以及阿什加尔（Asghar）等人分别将复模糊软集的概念扩展到复直觉模糊软集、复毕达哥拉斯模糊软集和复费马模糊软集。复杂图像模糊软集（CPFS-set）是一个强大的数学模型，旨在处理高度不确定、模糊和多维的信息，特别是在正隶属度、中隶属度和负隶属度与周期性或方向性行为共存的情况下。通过整合图像模糊集、软集和复数的优势，这种结构为建模复杂的决策场景提供了一种更精细和更现实的方法。

在决策制定和数据分析中，处理不确定性和模糊性是一个重大挑战。模糊集通过允许元素具有不同程度的隶属度来帮助解决这个问题。然而，随着现实问题变得更加复杂、庞大和精密，需要能够准确表示人类推理和感知细微差别的模型。这导致了高级模糊集理论的发展，例如直觉模糊集、毕达哥拉斯模糊集和软集。这些理论增强了我们处理复杂性的能力，但每种结构都有其局限性。构建CPFS-set的动机在于：图像模糊软集是一种混合数学模型，它集成了图像模糊集和软集的概念，旨在克服这两种方法固有的局限性。在图像模糊软集的结构中，论域的每个元素与三个函数相关联：真隶属度、假隶属度和中隶属度。需要注意的是，这三个函数值的总和被限制在闭区间[0， 1]内，这表明这些函数的值是相互依赖的。

CPFS-set的结构能够更全面地表示不确定性，尤其是在中隶属度很重要的情况下。当真隶属度值增加时，假隶属度、中隶属度或两者必须减少，以保持总和在单位区间内。这种相互依赖性说明了一个现实的场景，即对某一方面（真）确定性的增加，固有地会减少其他方面（假和中）的可能性。图像模糊软集结构是一种用于处理不确定性和模糊性的混合数学工具，但目前仅限于实数域。为了扩展该框架并有效处理幅度和相位项，有必要发展CPFS-set。

开发CPFS-set的动机源于在不确定性建模中平衡相互依赖性和独立性之间权衡的需要。CPFS-set中的相互依赖性提供了一种受约束且更相互关联的表示，这在决策场景中尤其有益，因为一方面确定性的增加自然会影响其他方面。这种方法更准确地反映了现实世界的情况，即对一个领域信心的增加往往会导致对其他领域怀疑或中立性的减少。

在本研究中，研究人员提出了CPFS-set的结构，用于克服现有模型未解决的局限性。

**主要技术方法**

研究人员为构建和应用CPFS-set模型，主要采用了以下关键方法：
1. **CPFS-set的数学定义与运算**：基于对现有模糊集、软集及其扩展理论（如模糊集、图像模糊集、软集、模糊软集、图像模糊软集）的回顾，研究人员给出了CPFS-set的正式数学定义。该定义使用复值函数来表示正、负、中三个隶属度，并规定了其幅度和相位的约束条件。研究人员进一步定义了CPFS-set之间的基本集合运算，包括子集关系、并集、交集和补集，并通过数值示例进行了说明。
2. **基于CPFS-set的决策算法**：研究人员设计了一个用于多属性决策的分步算法。该算法首先根据决策者的意见构建CPFS-set，并将其转换为矩阵形式。然后，算法从该矩阵中提取核心矩阵，并将其分解为幅度矩阵和相位矩阵。接着，分别计算幅度和相位矩阵的最大、最小决策值和得分值。最后，计算幅度和相位得分值的算术平均值，并根据该平均值对备选方案进行排序，平均值最高者为最优选择。
3. **模型应用与验证方法**：研究人员将该算法应用于一个具体案例——人脸识别软件的选择。案例中设定了四个备选软件和四个评估属性（准确性、识别速度、隐私性、可扩展性与兼容性）。研究人员通过模拟决策者意见构建了每个软件的CPFS-set矩阵，并应用上述算法计算各软件的平均得分，从而确定最优软件。为验证算法的稳定性和有效性，研究人员还进行了敏感性分析（使用几何平均、调和平均、方差、标准差等统计工具）和比较分析（与基于复中智软集和复直觉模糊软集的现有算法进行比较）。

**研究结果**

**2.1 基础知识**：本节回顾了模糊集、图像模糊集、软集、模糊软集和图像模糊软集的基本定义，为理解CPFS-set奠定了基础。

**2.2 CPFS-set的概念**：研究人员提出了CPFS-set的正式定义（定义6），并给出了一个数值示例（示例1）来说明如何构建CPFS-set矩阵。随后，定义了CPFS-set的子集关系（定义7）、并集（定义8）、交集（定义9）和补集（定义10）运算，并通过示例（示例2）展示了这些运算的具体计算过程。

**2.3 CPFS-set在决策制定中的应用**
* **2.4 问题陈述**：阐述了在组织中选择人脸识别软件所面临的挑战，指出由于涉及多个属性（如准确性、速度、隐私等），需要一种全面的多属性决策方法。
* **2.5 基于CPFS-set的算法**：详细描述了用于人脸识别软件选择的六步算法流程，并提供了算法的图形表示。
* **2.6 案例研究**：将算法应用于一个具体案例。SOFTPUB公司需要在四款人脸识别软件（Clearview AI C₁、Microsoft Azure Face API C₂、Amazon Rekognition C₃、Face++ C₄）中进行选择。一个四人专家小组根据四个属性（准确性、识别速度、隐私性、可扩展性与兼容性）进行评估。研究人员模拟了专家意见，为每款软件构建了CPFS-set矩阵，并应用算法计算了各自的平均得分值：M(C₁) = 2.60865， M(C₂) = 2.66201， M(C₃) = 1.98521， M(C₄) = 2.31480。排序结果为M(C₂) > M(C₁) > M(C₄) > M(C₃)，因此Microsoft Azure Face API被选为最佳软件。
* **2.7 敏感性分析**：为评估所提算法的稳定性，研究人员使用了几何平均、调和平均、方差和标准差等统计工具代替算术平均进行计算。结果表明，使用不同统计工具得到的得分值排序与算术平均得到的排序一致，证明了算法的稳定性。
* **2.8 比较分析**：研究人员将所提算法与基于复中智软集和复直觉模糊软集的现有算法进行了比较。通过将同一案例应用于这些现有模型，发现各算法得出的最优选择（C₂）是一致的，且所提算法中C₂的得分值相对更高，从而验证了所提算法的有效性和优越性。

**讨论与结论**

**结论部分翻译**：
本文通过使用复值函数而非实值函数，将图像模糊软集的概念从实数域扩展到复平面。在引入CPFS-set之后，研究人员通过示例研究了它们的基本性质，如并集、交集和补集。然后，利用CPFS-set的矩阵表示，为多属性决策模型提出了一个逐步算法。接下来，该算法被用于一个现实场景，即根据多个标准选择人脸识别软件。本文还包括使用方差、标准差、几何平均和调和平均等统计指标进行的全面稳定性分析。在稳定性分析之后，提供了所提算法与现有算法之间全面的表格和图形比较。未来的研究将侧重于改进和拓宽CPFS-set框架，使其在更多样化的环境中更具适用性。将CPFS-set与深度学习（Deep Learning）和机器学习（Machine Learning）等其他先进计算技术相结合，可以实现更复杂和灵活的安全解决方案。此外，将该框架应用于人脸识别以外的领域，如网络安全、生物特征认证和智能监控系统，可能会极大地改进安全协议。进一步的研究可以探讨所提算法在大型现实应用中的可扩展性和效率，确保其能够处理大型数据集和复杂的决策场景。本研究的一些局限性包括：所提模型仅应用于一个特定的现实场景（人脸识别软件选择），这可能限制了其在更广泛的决策环境中的普适性。此外，虽然使用复值函数增强了模型的数学丰富性，但可能会给实际用户带来计算复杂性和可解释性方面的挑战。