$$p,q,r-$$Fractional fuzzy sets and their aggregation operators and applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using $$p,q,r-$$ fractional fuzzy sets ( $$p,q,r-$$ FFS) to demonstrate the stability of cryptocurrencies is considered due to the complex and volatile nature of cryptocurrency markets, where traditional models may fall short in capturing nuances and uncertainties. $$p,q,r-$$ FFS provides a flexible framework for modeling cryptocurrency stability by accommodating imprecise data, multidimensional analysis of various market factors, and adaptability to the unique characteristics of the cryptocurrency space, potentially offering a more comprehensive understanding of the factors influencing stability. Existing studies have explored Picture Fuzzy Sets and Spherical Fuzzy Sets, built on membership, neutrality, and non-membership grades. However, these sets can’t reach the maximum value (equal to $$1$$ ) due to grade constraints. For example, when considering $$\wp =(h,\langle \text{0.9,0.8,1.0}\rangle \left|h\in H\right.)$$ , these sets fall short. This is obvious when a decision-maker possesses complete confidence in an alternative, they have the option to assign a value of 1 as the assessment score for that alternative. This signifies that they harbor no doubts or uncertainties regarding the chosen option. To address this, $$p,q,r-$$ Fractional Fuzzy Sets ( $$p,q,r-$$ FFSs) are introduced, using new parameters $$p$$ , $$q$$ , and $$r$$ . These parameters abide by $$p$$ , $$q\ge 1$$ and $$r$$ as the least common multiple of $$p$$ and $$q$$ . We establish operational laws for $$p,q,r-$$ FFSs. Based on these operational laws, we proposed a series of aggregation operators (AOs) to aggregate the information in context of $$p,q,r-$$ fractional fuzzy numbers. Furthermore, we constructed a novel multi-criteria group decision-making (MCGDM) method to deal with real-world decision-making problems. A numerical example is provided to demonstrate the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle