XiaoMi-AI文件搜索系统
World File Search System模糊
广义的对称Fermatean中性粒细胞模糊矩阵
建议引用推荐引用Anandhkumar，M。; A. Bobin; S. M. Chithra；和V. Kamalakannan。“广义的对称的Fermatean中性粒细胞模糊矩阵”。中性粒细胞和系统70，1（2024）。https://digitalrepository.unm.edu/nss_journal/vol70/iss1/7
使用模糊逻辑估算伊朗的社会资本指数
a。伊朗Sanandaj的库尔德斯坦大学经济系b。 经济学，发展和规划系，塔尔比亚特大学，伊朗德黑兰 *通讯作者，电子邮件：z.mozaffari@uok.ac.ac.ir文章历史记录：收到：2022年3月13日，修订：2022年7月19日，2022年7月19日，接受：2022年8月23日出版商：Tehran大学出版商：Tehran University of Tehran Press。 ©作者。 摘要本文旨在估算伊朗的社会资本水平及其趋势水平，并从1988 - 2019年确定伊朗社会资本的主要组成部分和变量。 通过分析社会资本的理论和经验基础，三个主要组成部分（犯罪参与意识）和相关的社会资本被考虑用于计算社会资本指数。 然后，使用Mamdani模糊推理系统和模糊方法，估计了社会资本指数。 对该指数趋势的回顾表明，在研究期间，直到2001年的研究期间，增长显着，因此，在2001年，该指数估计为0.67。 但是，从2001年到2019年，下降趋势发生了不同的波动，因此在2018年，该指数在研究期间的最低水平进行了检查。 社会资本减少的原因之一可能是由于从农村到城市地区移民的趋势不断增长，犯罪率的提高。 此外，根据先前研究的方法，更准确地评估了社会资本指数的估计，使用Dagum方法对社会资本进行了估计。 JEL分类：Z13，D83，C22。 1。伊朗Sanandaj的库尔德斯坦大学经济系b。经济学，发展和规划系，塔尔比亚特大学，伊朗德黑兰 *通讯作者，电子邮件：z.mozaffari@uok.ac.ac.ir文章历史记录：收到：2022年3月13日，修订：2022年7月19日，2022年7月19日，接受：2022年8月23日出版商：Tehran大学出版商：Tehran University of Tehran Press。©作者。摘要本文旨在估算伊朗的社会资本水平及其趋势水平，并从1988 - 2019年确定伊朗社会资本的主要组成部分和变量。通过分析社会资本的理论和经验基础，三个主要组成部分（犯罪参与意识）和相关的社会资本被考虑用于计算社会资本指数。然后，使用Mamdani模糊推理系统和模糊方法，估计了社会资本指数。对该指数趋势的回顾表明，在研究期间，直到2001年的研究期间，增长显着，因此，在2001年，该指数估计为0.67。但是，从2001年到2019年，下降趋势发生了不同的波动，因此在2018年，该指数在研究期间的最低水平进行了检查。社会资本减少的原因之一可能是由于从农村到城市地区移民的趋势不断增长，犯罪率的提高。此外，根据先前研究的方法，更准确地评估了社会资本指数的估计，使用Dagum方法对社会资本进行了估计。JEL分类：Z13，D83，C22。1。这种方法的结果表明，根据投入变量和社会资本的决定因素的状态，模糊估计提供了对社会资本的更准确和适当的估计。关键词：意识，犯罪，模糊逻辑，参与，社会资本。引言社会资本是现代社会经济和社会研究中目前讨论的概念。可以说，社会资本通常比物理和人力资本更重要，因为如果不存在，其他首都将不会有效。社会资本在各个领域都具有关键作用，对它的各种态度反映了这一资本在生活的各个方面的重要地位，这一点通过对这个问题的越来越多的研究证明了这一点（Zugravu-Soilita等人，2021年）。根据世界银行的说法，社会资本是由社会机构，人际关系和规范对数量和质量的影响
基于事件的图像去模糊粗到精融合网络
事件驱动的图像去模糊是一种创新方法，涉及输入从事件相机获取的事件以及模糊帧以促进去模糊过程。与传统相机不同，事件驱动成像中的事件相机表现出低延迟特性并且不受运动模糊的影响，从而显著提高了图像去模糊的效果。在本文中，我们提出了一种开创性的基于事件的由粗到细的图像去模糊网络CFFNet。与现有的去模糊方法相比，我们的方法结合了事件数据，从单个帧生成多个粗帧，然后进一步将它们细化为清晰的图像。我们引入了一个事件图像融合块（EIFB）来粗融合事件和图像，在不同的时间点生成粗帧。此外，我们提出了一个双向帧融合块（BFFB）来对粗帧进行精细融合。CFFNet 通过从粗到细的全面融合过程有效地利用了事件数据的时空信息。在 GoPro 和 REBlur 数据集上的实验结果表明，我们的方法在图像去模糊任务中达到了最先进的性能。
riotfuzzer：伴侣应用程序辅助远程模糊，以检测物联网设备中的漏洞
由于物联网（IoT）系统的体系结构和外围设备的多样性，BlackBox Fuzzing脱颖而出是发现IoT设备漏洞的主要选择。现有的黑盒模糊工具通常依靠伴侣应用来生成有效的模糊数据包。但是，现有方法在依靠基于云的通信的模糊设备方面遇到了绕过云服务器端验证的挑战。此外，他们倾向于将精力集中在Android Companion应用程序中的Java组件上，从而限制了它们在评估非java组件（例如基于JavaScript的Mini-Apps）方面的有效性。在本文中，我们介绍了一种新颖的黑盒模糊方法，名为Riot-Fuzzer，旨在借助伴侣应用程序远程发现物联网设备的脆弱性，尤其是那些由JavaScript基于JavaScript的Mini-Mini-Apps功能启用的全合一应用程序启动的应用程序。我们的方法利用基于文档的控制命令提取，用于突变点识别的混合分析和侧向通道引导的模糊来有效解决模糊IoT设备的挑战。我们将Riotfuzzer应用于突出平台上的27个物联网，并发现了11个漏洞。所有这些都得到了相应的供应商的认可。8已由供应商确认，并已分配4个CVE ID。我们的实验结果还表明，侧通道引导的模糊可以显着提高发送到IoT设备的模糊数据包的效率，平均增加76.62％，最大增加362.62％。
基于模糊逻辑控制器的G2V和V2G技术，用于三个阶段bi-
在两个阶段的双向电池充电器中有两个阶段。第一步（BUCK转换器）由AC/DC转换器组成，该转换器使电能够从网格流向内部DC链接。如果需要，它也可以保持在Unity功率因子上。第二步（调节电池电压和电流的“ boost转换器”）由DC/DC转换器组成。此外，此设置可以调整反应能力。v2g是用于描述从电动电气电池到网格的活动电流流动的术语。应管理电动电池电池的充电过程，以在G2V和V2G过程中保持电网中的功率标准。但是，当电动汽车变得越来越普遍时，电动汽车电池将保留大量能量，从而产生朝另一个方向的能量流动的可能性（Vehicleto-Grid，V2G）。
关于“模糊...
随着信息技术的发展，基于模糊的系统在计算智能上很流行，并应用于信息科学，数学，控制工程和消费电子等领域。尤其是在消费电子领域中，基于模糊的系统有助于基于数据和知识的建模，并处理具有数量和定性复杂性的现实世界问题，并在维度和不确定性中处理。基于模糊的系统与消费电子设备的婚姻将以人们与设备互动的方式进行革命。从基于细微的因素调整温度的智能恒温器中，以了解语言的微妙之处的语音助手，基于模糊的系统为我们的小工具带来了类似人类的理解和适应性。处理不确定性和不准确的能力为更个性化，高效和以用户为中心的体验铺平了道路。随着消费电子领域的不断发展，其与模糊逻辑的集成将发挥更大的重要作用，预计会扩展，从而提供更智能和以用户的解决方案。因此，当传统的二元逻辑无法处理不精确或不确定的信息时，基于模糊的系统是宝贵的。
模糊，直觉模糊和中性粒子图的能量
对文献的综述深入研究了模糊图，直觉模糊图和中性粒细胞图的能量测量和决策过程之间的复杂相互作用。在图理论中，能量是用于测量结构特性并评估决策模型动力学的关键数量。考虑到涉及决策的上下文中能量测量的理论基础，计算技术和实际应用的理论基础，考虑到模糊，直觉模糊和中性粒细胞图模型所带来的特殊特征。本综述试图为希望使用能量度量的研究人员和从业者提供彻底的理解，以在这些特定图形拓扑结构中综合先前的研究中，以设置这些特定图形拓扑内包含的不确定性。
MPPT电荷控制器使用模糊逻辑与太阳能光伏系统集成的电池
与其他可再生能源（RE）资源相比，太阳能已成为发电，替代传统来源的最突出和前瞻性来源。但是，太阳能光伏（PV）能量产生取决于太阳辐照度和细胞温度。通过实现最大功率点跟踪（MPPT）算法，可以最大化太阳能PV的功率。尽管如此，仍然存在较慢的收敛速率，最大功率（MPP）周围的显着波动以及由太阳能PV的快速辐照度变化引起的漂移问题。为了防止振荡并达到PV模块的稳态和连续输出，在这项工作中设计了基于模糊的逻辑（FL）的MPPT。选择了作为DC-DC转换器和铅酸电池作为输入的，选择了扰动和观察（P＆O）MPPT方法。将使用MATLAB Simulink开发总体设计，并将在恒定和步骤辐照度下评估FL-MPPT电荷控制器的效率。此外，将监控电池的充电状态（SOC），以防止过度充电和排放。此外，将使用或不使用MPPT方法来评估控制器的有效性。基于从常数和步进辐照度水平获得的模拟结果，带有P＆O算法的FL-MPPT电荷控制器和铅酸电池，因为负载能够在延长电池寿命的同时保持最大的系统效率。两种辐照度概况的FL-MPPT电荷控制器的效率约为96％，而没有FL-MPPT算法的系统仅达到42％的效率。
模糊机器学习：综合框架与系统评价
摘要 —机器学习汲取了计算机科学、认知科学和统计学等各个学科的智慧。尽管机器学习在理论和实践上都取得了长足的进步，但它的方法在处理复杂情况和高度不确定的环境时仍存在一些局限性。数据不足、观察不精确以及信息/关系不明确都会使传统的机器学习系统陷入困境。为了解决这些问题，研究人员从不同方面整合了机器学习和模糊技术，包括模糊集、模糊系统、模糊逻辑、模糊度量、模糊关系等。本文对模糊机器学习从理论、方法到应用进行了系统的回顾，总体目标是概述模糊机器学习领域的最新成就。为此，所讨论的概念和框架分为五类：1）模糊经典机器学习；2）模糊迁移学习；3）模糊数据流学习； 4)模糊强化学习；5)模糊推荐系统。本文所呈现的文献应使研究人员对模糊机器学习研究及其应用的当前进展有深入的了解。
新农民如何改善其企业家表现？基于模糊集的定性比较分析
基于配置理论，本文讨论了影响不同新农民绩效差异的多个并发原因和因果复杂机制。使用模糊设置的定性比较分析方法，将40例CCTV的“ Zhi fu Jing”列作为样本，分析新农民的必要条件，以通过驱虫可变的配置来产生高性能，由人类资本，心理资本，心理资本，企业杂货和企业质量识别率组成。结果表明：（1）高人力资本是新农民产生高创业绩效，缺乏高创业学习以及缺乏高企业家机会识别的必要核心条件，是低创业绩效的核心条件； （2）新农民高创业表现的驾驶机制分为三条路径，新农民低创业绩效的驾驶机制被分为两条路径； （3）抑制新农民表现和促进其绩效的方式是不对称的。