Computing with Words in Decision support Systems: An overview on Models and Applications

Martínez, Luis; Ruan, Da; Herrera, Francisco

doi:10.1080/18756891.2010.9727709

Cited by 238 publications

(103 citation statements)

References 101 publications

Supporting

Mentioning

102

Contrasting

Unclassified

Order By: Relevance

“…The output is "Social risk" and the inputs are "Seismic hazard", "Population density", "Socioeconomical status", "floods", and "Extreme temperatures". The credibility rules in the risk assessment are defined as follow: r 1 h_3, L_1)). …”

Section: Case Studymentioning

confidence: 99%

“…In most of cases, people use linguistic terms in natural language to express their opinions and make reasoning and judgments. [1][2][3] Many approaches have been presented for representation and reasoning of uncertain knowledge in the last decade. [4][5][6][7] Among various computational approaches in the literature, numerical quantification of linguistic values into a fuzzy set using fuzzy membership functions has played the key role.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Linguistic-Valued Approximate Reasoning With Lattice Ordered Linguistic-Valued Credibility

Zou¹,

Zhang²,

Liu³

2014

International Journal of Computational Intelligence Systems

View full text Add to dashboard Cite

Linguistic terms are often used to represent the truth degree or credibility degree to manage the uncertainty or imprecision as one of popular ways of knowledge representation in the perception-based decision making problem. This present work represents the credibility of uncertain knowledge using linguistic values. The linguistic-valued credibility is then modeled based on a lattice ordered logical algebra -lattice implication algebra (LIA) and then used in the linguistic-valued based on approximated reasoning. This approach can better express both comparable and incomparable linguistic valued credibility information in knowledge base representation. And it can also fit to approximate reasoning under a fuzzy environment with both comparable and incomparable linguistic credibility. Examples illustrate that the proposed approach can retain the original information and can simulate people's way of thinking through reasoning with words.

show abstract

Section: Case Studymentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Linguistic-Valued Approximate Reasoning With Lattice Ordered Linguistic-Valued Credibility

Zou¹,

Zhang²,

Liu³

2014

International Journal of Computational Intelligence Systems

View full text Add to dashboard Cite

show abstract

“…The conventional fuzzy set based method [8,[24][25][26][27] uses membership function or fuzzy number to represent linguistic information and need a linguistic approximation of the final computed result, which are time consuming and computationally complex [28]. Symbolic approaches [29][30][31] use symbols (usually in a structure) to represent linguistic information directly without the numerical approximation, and aggregate or reason about these symbols to obtain the final result.…”

Section: Representation Of Ordinal Qualitative Informationmentioning

confidence: 99%

“…One of the representative linguistic valued information processing approaches is fuzzy ordinal linguistic approach [29][30][31][32]. This method uses an ordered structure, linguistic labels with indexes, to represent the set of linguistic terms, with the assumption that the terms under discussion is totally ordered [33].…”

Section: Representation Of Ordinal Qualitative Informationmentioning

confidence: 99%

Ordering based decision making – A survey

et al. 2013

View full text Add to dashboard Cite

A B S T R A C TDecision making is the crucial step in many real applications such as organization management, financial planning, products evaluation and recommendation. Rational decision making is to select an alternative from a set of different ones which has the best utility (i.e., maximally satisfies given criteria, objectives, or preferences). In many cases, decision making is to order alternatives and select one or a few among the top of the ranking. Orderings provide a natural and effective way for representing indeterminate situations which are pervasive in commonsense reasoning. Ordering based decision making is then to find the suitable method for evaluating candidates or ranking alternatives based on provided ordinal information and criteria, and this in many cases is to rank alternatives based on qualitative ordering information. In this paper, we discuss the importance and research aspects of ordering based decision making, and review the existing ordering based decision making theories and methods providing future research directions.

show abstract

“…Taip pat buvo ištobulinti techninės analizės modeliai, kurie įtraukia ekspertų vertinimo sistemas ir kitas informacijos apdorojimo formas (CervellóRoyo et al 2015). Sprendimų paramos sistemos pripažintos kaip naudingos priemonės, padedančios jų naudotojams planuoti ir priimti sprendimus, be to, gali būti taikomos skirtingose srityse (Klein, Methlie 2009;Martinez et al 2009;Stasytytė 2011Stasytytė , 2012. Realiose situacijose sprendimų paramos sistema paprastai interpretuojama kaip kompiuterinė informacinė sistema, skirta sprendimų priėmimo informacijai generuoti ir padedanti vartotojui spręsti problemą (Stasytytė 2011(Stasytytė , 2012.…”

unclassified

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

2017 © Straipsnio autoriai. Leidėjas VGTU leidykla "Technika". Šis straipsnis yra atvirosios prieigos straipsnis, turintis Kūrybinių bendrijų (Creative Commons) licenciją (CC BY-NC 4.0), kuri leidžia neribotą straipsnio ar jo dalių panaudą su privaloma sąlyga nurodyti autorių ir pirminį šaltinį. Straipsnis ar jo dalys negali būti naudojami komerciniams tikslams. ISSN 2029-2341 / eISSN 2029-2252 De Oliveira et al. 2013). Taigi pagrindinė mokslinė problema, kuri bus sprendžiama šiame straipsnyje, yra informacijos ir kriterijų trūkumas, pagal kuriuos investuotojas ar rinkos tyrinėtojas rinktųsi investavimo modelį. Kadangi yra daug įvai-rių modelių bei sprendimų paramos sistemų, kyla sunkumų norint išsirinkti tinkamiausią dinamiškai rinkai ir didelėms duomenų apimtims analizuoti. Modelių palyginimas pagal jų privalumus, trūkumus, taikomus metodus ir rezultatus galėtų būti svarus indėlis sprendžiant įvardytą mokslinę problemą. MOKSLAS -LIETUVOS ATEITIS SCIENCE -FUTURE OF LITHUANIATradicinių inovacijų augimo požiūriu inovacijos finan sų srityje padeda gerinti įvairių banko paslaugų kokybę, palengvinti rizikos valdymą, išpildyti rinką ir galiausiai padidinti išteklių paskirstymo efektyvumą (Berger 2003;Houston et al. 2010). Lerner ir Tufano (2011) teigia, kad finansinės naujovės teigiamai veikia finansų sektoriaus stiprėjimą, taip pat ir ekonominį augimą. Taigi aukštesnis finansinių inovacijų lygis skatina spartesnį atskirų pramonės sektorių ir visos šalies ekonominį augimą bei suteikia daugiau galimybių didinti plėtros efektyvumą (Beck et al. 2016).Per pastaruosius kelis dešimtmečius finansinių duomenų analizė, padedanti prognozuoti akcijų kainas, prekybos vietas ir investicinius portfelius, tapo labai populiari mokslinių tyrimų tema (Wu et al. 2014 Santrauka. Sparti finansų rinkų plėtra lemia naujus iššūkius tiek investuotojams, tiek investavimo problematiką nagrinėjantiems mokslininkams. Kyla būtinybė sukurti inovatyvius, šiuolaikines finansų rinkų sąlygas atitinkančius investicijų portfelio sudarymo ir valdymo sprendimus. Finansų rinkos sulaukia ypatingo dėmesio, atliekami įvairūs tyrimai, įskaitant įvairių investavimo modelių formavimą, kurie apima finansinės rizikos valdymą ir investavimo sprendimų paramos sistemas. Mokslininkai pripažįsta būtinumą nagrinėti finansines problemas integruotais ir realybę atitinkančiais būdais, grindžiamais sudėtinga kiekybinės analizės technika. Taigi matematinio modeliavimo vaidmuo finansų sektoriuje tampa labai svarbus. Straipsnyje nagrinėjami įvairūs investavimo sprendimų priėmimo modeliai, apimantys prognozavimą, optimizavimą, stochastinius procesus, dirbtinį intelektą ir kt., kurie tampa reikšmingo-mis priemonėmis priimant investicinius sprendimus.reikšminiai žodžiai: investavimas, sprendimų priėmimo modeliai, akcijų rinka, portfelis, duomenų analizė, prognozavimas. ĮvadasFinansų rinkos palengvina tarptautinę prekybą, sujungia ir suteikia informacijos apie organizacijų bei ekonomikos ateities perspektyvas, yra ekonomikos augimą skatinanti priemonė . Tačiau šiuolaikinėje finan...

show abstract

Computing with Words in Decision support Systems: An overview on Models and Applications

Cited by 238 publications

References 101 publications

Linguistic-Valued Approximate Reasoning With Lattice Ordered Linguistic-Valued Credibility

Linguistic-Valued Approximate Reasoning With Lattice Ordered Linguistic-Valued Credibility

Ordering based decision making – A survey

Comparative Analysis of Investment Decision Models

Contact Info

Product

Resources

About