1) linguistic 2-tuple judgement matrix
二元语义判断矩阵
1.
The properties of linguistic 2-tuple judgement matrix with additive consistency was studied and the additive transitivity of the linguistic 2-tuple matrix was used to estimate the missing values in an incomplete linguistic 2-tuple judgement matrix.
对二元语义判断矩阵的加性一致性进行了探讨,并利用二元语义判断矩阵的加性传递性质来估算残缺二元语义判断矩阵的缺失元素。
2) generalized judgment matrix
广义判断矩阵
1.
The question of estimating the weight vector of a generalized judgment matrix is transformed into the question of estimating the weight vector of a judgment matrix.
将求解广义判断矩阵排序向量的问题归结为相应的普通判断矩阵排序向量的求解问题 ,为广义AHP理论的拓展提供了新的思路 。
2.
A new method on estimating the weight vector of a generalized judgment matrix is given, and the consistancy test of a generalized judgment matrix is transformed into the consistancy test on ordinary judgment matrix in this paper.
提出计算广义判断矩阵排序向量的一种新算法并将广义判断矩阵的一致性检验转化为普通判断矩阵的一致性检验。
3.
A new index is given to characterize the consistency of a generalized judgment matrix in this paper,and therefore a new approach on estimating the weight vector of a generalized judgment matrix is obtained.
对非一致广义判断矩阵的不一致性给出了一个检验指标,并在此指标下给出了广义判断矩阵排序向量的一种近似求法。
3) linguistic judgment matrix
语言判断矩阵
1.
A judgment method for the satisfying consistency of linguistic judgment matrix;
语言判断矩阵满意一致性的判定方法
2.
A Decision Making Method for Group Linguistic Judgment Matrix Based on Two-tuple;
一种基于群体语言判断矩阵的群决策问题的二元语义解法
3.
First a reciprocal judgment matrix is constructed equivalent to the linguistic judgment matrix given by decision maker through the transform relation of varizables to quantize the orderly linguistic phrases after describing the group decision-making problem with linguistic judgment matrices.
针对基于语言判断矩阵的群决策问题,提出了一种基于语言信息处理的群决策方法·在描述了基于语言判断矩阵的群决策问题后,通过变量转换关系对语言短语集中的有序语言短语进行"量化",构造了与决策者给出语言判断矩阵"等价的"互反矩阵,利用几何加权平均算法对所得到的互反矩阵进行群集结,并根据和积法求出归一化主特征向量,给出了一种简便的方案排序方法,从而确定最优方案·该方法具有保证传递信息的相对完整性及计算量相对较小的特点·最后通过一个算例说明了该方法的有效性和实用性
4) linguistic judgement matrix
语言判断矩阵
1.
The linguistic judgement matrix is a kind of preference information usually provided by decision makers.
语言判断矩阵是决策者常给的一种偏好信息形式。
2.
We first analyze the rationality of the existing definitions on the satisfactory consistency of a linguistic judgement matrix,give a notion of the satisfactory consistency index and present a method to compute the index.
分析了语言判断矩阵具有满意一致性定义的合理性,定义了一个满意的一致性指标;给出了满意一致性指标的计算方法,通过该方法可以找出语言判断矩阵中所有不合逻辑的判断元素组,判定语言判断矩阵的满意一致性程度,有效地解决存在两个方案无差异的语言判断矩阵的满意一致性的判定问题;最后通过两个实例表明该方法的有效性和适用性。
5) judgement matrix
判断矩阵
1.
The consistency approximation of the weak consistent interval number judgement matrix;
弱一致区间数判断矩阵的一致性逼近
2.
The weighted logarithmic least square method of the judgement matrix;
判断矩阵的加权对数最小二乘排序法
3.
Construction of the judgement matrix of group decision-making in AHP;
AHP中群决策判断矩阵的构造
6) judgment matrix
判断矩阵
1.
Interval weight vector of judgment matrix and ranking of the alternatives;
判断矩阵的区间权向量及其方案排序
2.
A valid method for adjusting inconsistency judgment matrix in AHP;
一种AHP判断矩阵一致性调整的有效方法
3.
Selection and optimization analysis of judgment matrixes based on strong calculation;
强计算条件下判断矩阵的优选分析
补充资料：广义逆矩阵
逆矩阵概念的推广。若A为非奇异矩阵,则线性方程组A尣=b的解为尣=A_1b，其中A的逆矩阵A_1满足AA_1=A_1A=I(I为单位矩阵)。若A是奇异阵或长方阵,A尣=b可能无解或有很多解。若有解,则解为尣=Xb+(I-XA)у,其中у是维数与A的列数相同的任意向量,X是满足AXA=A的任何一个矩阵，通常称X为A的广义逆矩阵,用Ag、A_或A等符号表示,有时简称广义逆。当A非异时,A_1也满足AA_1A=A,且。故非异阵的广义逆矩阵就是它的逆矩阵，说明广义逆矩阵确是通常逆矩阵概念的推广。
1955年R.彭罗斯证明了对每个m×n阶矩阵A,都存在惟一的n×m阶矩阵 X，它满足：①AXA=A；②XAX=X；③(AX)*＝AX；④(XA)*＝XA。通常称X为A的穆尔-彭罗斯广义逆矩阵,简称M-P逆，记作A+。当A非异时，A_1也满足①～④,因此M-P逆也是通常逆矩阵的推广。在矛盾线性方程组A尣＝b的最小二乘解中,尣＝A+b是范数最小的一个解。
若A是n阶方阵,k为满足的最小正整数（rank为矩阵秩的符号），记作k=Ind(A)，则存在惟一的n阶方阵X，满足：
(1) AkXA=Ak；(2) XAX=X； (3) AX=XA。通常称X为A的德雷津广义逆矩阵，简称D逆,记??Ad,A(d)或AD等。虽然它和线性代数方程组的解无关，但它在线性差分方程、线性微分方程、最优控制等方面都有应用。例如,设A、B是n阶方阵,齐次差分方程,如果存在一个数λ，使 存在，则它的一般解为
式中q为任意n维向量；;。
根据实际问题需要还定义了其他各种类型的广义逆矩阵,如网络理论中用到的博特-达芬逆矩阵等。一般说来，它们都具有下列一些性质：当A非异时,广义逆矩阵就是A_1；广义逆矩阵必存在;广义逆矩阵具有逆矩阵的某些性质(或适当修改后的性质),如(A_1)_1=A,(A_1)*=(A*)_1等等。
广义逆的思想可追溯到1903年（E.）I.弗雷德霍姆的工作，他讨论了关于积分算子的一种广义逆（他称之为伪逆）。1904年，D.希尔伯特在广义格林函数的讨论中，含蓄地提出了微分算子的广义逆。而任意矩阵的广义逆定义最早是由E.H.穆尔在1920年提出的，他以抽象的形式发表在美国数学会会刊上。当时人们对此似乎很少注意。这一概念在以后30年中没有多大发展。曾远荣在1933年，F.J.默里和J.冯·诺伊曼在1936年对希尔伯特空间中线性算子的广义逆作过讨论。20世纪50年代围绕着某些广义逆的最小二乘性质的讨论重新引起了人们对这个课题的兴趣。1951年瑞典人A.布耶尔哈梅尔重新发现了穆尔所定义的广义逆，并注意到广义逆与线性方程组的关系。T.N.E.格雷维尔、C.R.拉奥和其他人也作出了重要的贡献。1955年，彭罗斯证明了存在惟一的X=A+满足前述性质①～④，并以此作为 A+的定义。1956年，R.拉多证明了彭罗斯定义的广义逆与穆尔定义的广义逆是等价的，因此通称A+为穆尔-彭罗斯广义逆矩阵。
广义逆的计算方法大致可分为三类：以满秩分解和奇异值分解为基础的直接法，迭代法和其他一些常用于低阶矩阵的特殊方法。
以A+的计算为例。若A是一个秩为r的m×n阶非零矩阵,记作,有满秩分解A=F·G,其中，则,即将广义逆矩阵的计算化为通常逆矩阵的计算。常用LU分解和QR分解等方法实现满秩分解，然后求出A+。
若A有奇异值分解A=UDV*,其中U、V为m阶和n阶酉矩阵，是m×n阶矩阵，是r阶对角阵，对角元是A的r个非零奇异值（AA*的非零特征值的平方根）,则A+=VD+U*，其中是n×m阶矩阵。也可用豪斯霍尔德变换先将 A化为上双对角阵J0=P*AQ，然后再对J0使用QR算法化为矩阵D=G*J0h,于是A=(PG)D(Qh)*，故A+1=(Qh)D+(PG)*。
设λ1是AA*的最大非零特征值,若0<α<2/λ1,则计算A+的一个迭代法是x0=αA*，xn+1=(2I-Axn)，当n→∞时,xn收敛于A+。
格雷维尔逐次递推法也是计算A+的常用方法。设A的第k列为αk(k=1,2,...,n)，A1=α1,Ak=(Ak-1,αk)(k＝2,3，...,n),则
，式中
；
；
1955年以后，出现了大量的关于广义逆矩阵的理论、应用和计算方法的文献。70年代还出版了一些专著和会议录，指出广义逆矩阵在控制论、系统辨识、规划论、网络理论、测量、统计和计量经济学等方面的应用。
参考书目
S.L.Campbell and C.D.Meyer，Jr.，Generalized Inverses of Linear TransforMations,Pitman,London, 1979.
M.Z.Nashed, ed.,Generalized Inverses and Applications,Academic Press,New York,1976.
1955年R.彭罗斯证明了对每个m×n阶矩阵A,都存在惟一的n×m阶矩阵 X，它满足：①AXA=A；②XAX=X；③(AX)*＝AX；④(XA)*＝XA。通常称X为A的穆尔-彭罗斯广义逆矩阵,简称M-P逆，记作A+。当A非异时，A_1也满足①～④,因此M-P逆也是通常逆矩阵的推广。在矛盾线性方程组A尣＝b的最小二乘解中,尣＝A+b是范数最小的一个解。
若A是n阶方阵,k为满足的最小正整数（rank为矩阵秩的符号），记作k=Ind(A)，则存在惟一的n阶方阵X，满足：
(1) AkXA=Ak；(2) XAX=X； (3) AX=XA。通常称X为A的德雷津广义逆矩阵，简称D逆,记??Ad,A(d)或AD等。虽然它和线性代数方程组的解无关，但它在线性差分方程、线性微分方程、最优控制等方面都有应用。例如,设A、B是n阶方阵,齐次差分方程,如果存在一个数λ，使 存在，则它的一般解为
式中q为任意n维向量；;。
根据实际问题需要还定义了其他各种类型的广义逆矩阵,如网络理论中用到的博特-达芬逆矩阵等。一般说来，它们都具有下列一些性质：当A非异时,广义逆矩阵就是A_1；广义逆矩阵必存在;广义逆矩阵具有逆矩阵的某些性质(或适当修改后的性质),如(A_1)_1=A,(A_1)*=(A*)_1等等。
广义逆的思想可追溯到1903年（E.）I.弗雷德霍姆的工作，他讨论了关于积分算子的一种广义逆（他称之为伪逆）。1904年，D.希尔伯特在广义格林函数的讨论中，含蓄地提出了微分算子的广义逆。而任意矩阵的广义逆定义最早是由E.H.穆尔在1920年提出的，他以抽象的形式发表在美国数学会会刊上。当时人们对此似乎很少注意。这一概念在以后30年中没有多大发展。曾远荣在1933年，F.J.默里和J.冯·诺伊曼在1936年对希尔伯特空间中线性算子的广义逆作过讨论。20世纪50年代围绕着某些广义逆的最小二乘性质的讨论重新引起了人们对这个课题的兴趣。1951年瑞典人A.布耶尔哈梅尔重新发现了穆尔所定义的广义逆，并注意到广义逆与线性方程组的关系。T.N.E.格雷维尔、C.R.拉奥和其他人也作出了重要的贡献。1955年，彭罗斯证明了存在惟一的X=A+满足前述性质①～④，并以此作为 A+的定义。1956年，R.拉多证明了彭罗斯定义的广义逆与穆尔定义的广义逆是等价的，因此通称A+为穆尔-彭罗斯广义逆矩阵。
广义逆的计算方法大致可分为三类：以满秩分解和奇异值分解为基础的直接法，迭代法和其他一些常用于低阶矩阵的特殊方法。
以A+的计算为例。若A是一个秩为r的m×n阶非零矩阵,记作,有满秩分解A=F·G,其中，则,即将广义逆矩阵的计算化为通常逆矩阵的计算。常用LU分解和QR分解等方法实现满秩分解，然后求出A+。
若A有奇异值分解A=UDV*,其中U、V为m阶和n阶酉矩阵，是m×n阶矩阵，是r阶对角阵，对角元是A的r个非零奇异值（AA*的非零特征值的平方根）,则A+=VD+U*，其中是n×m阶矩阵。也可用豪斯霍尔德变换先将 A化为上双对角阵J0=P*AQ，然后再对J0使用QR算法化为矩阵D=G*J0h,于是A=(PG)D(Qh)*，故A+1=(Qh)D+(PG)*。
设λ1是AA*的最大非零特征值,若0<α<2/λ1,则计算A+的一个迭代法是x0=αA*，xn+1=(2I-Axn)，当n→∞时,xn收敛于A+。
格雷维尔逐次递推法也是计算A+的常用方法。设A的第k列为αk(k=1,2,...,n)，A1=α1,Ak=(Ak-1,αk)(k＝2,3，...,n),则
，式中
；
；
1955年以后，出现了大量的关于广义逆矩阵的理论、应用和计算方法的文献。70年代还出版了一些专著和会议录，指出广义逆矩阵在控制论、系统辨识、规划论、网络理论、测量、统计和计量经济学等方面的应用。
参考书目
S.L.Campbell and C.D.Meyer，Jr.，Generalized Inverses of Linear TransforMations,Pitman,London, 1979.
M.Z.Nashed, ed.,Generalized Inverses and Applications,Academic Press,New York,1976.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条