Abstract
Generally, real system that is the object of decision-making is very variable and sometimes it lies situations with uncertainty. To solve these problem, it has used statistical methods as significance level, certainty factor, sensitivity analysis and so on. In this paper, we propose a method for fuzzy decision-making based on MFAC(Multiple Fuzzy Alpha Cut) to improve the definiteness of classification results with similarity evaluation. In the proposed method, MFAC is used for extracting multiple a ${\alpha}$-level with proximity degree at proximity relation between relative Hamming distance and max-min method and for minimizing the number of data which are associated with the partition intervals extracted by MFAC. To determine final alternative of decision-making, we compute the weighted value between extracted data by MFAC From the experimental results, we can see the fact that the proposed method is simpler and more definite than classification performance of the conventional methods and determines an alternative efficiently for decision-maker by testing significance of sample data through statistical method.
일반적으로 의사결정의 대상이 되는 현실 시스템은 매우 가변적(variable)이며 때로는 많은 불확실성(uncertainty)이 포함된 상황에 놓일 수 있다. 이러한 문제를 해결하기 위해서, 통계적 방법으로 유의수준이나 확신도, 민감도 분석 등이 사용된다. 본 논문에서는 유사성 평가를 가진 분류 결과의 명확성을 개선하기 위해 MFAC(Multiple Fuzzy Alpha Cut)을 기반으로한 퍼지 의사결정에 대한 방법을 제안한다. 제안된 방법에서 MFAC는 상대적 해밍거리와 max-min 방법 사이의 근접관계에서 근접도를 가지고 다수의 ${\alpha}$-level를 추출하기 위해 그리고 MFAC에 의해 추출된 데이터사이의 분할 구간과 연관된 데이터의 개수를 줄이기 위해 사용된다. 의사결정의 최종 대안을 선택하기 위해서 가중치를 계산한다. 실험결과로부터 제안된 방법은 기존 방법의 분류 성능보다 더 간단하고 명백하며 통계적 방법을 통해 표본 데이터의 유의성을 검정함으로써 의사결정자를 위해 효율적으로 대안을 결정한다는 사실을 알 수 있다.