Information Technology Reference
In-Depth Information
⎛
⎝
[
1
,
1
]
[
0
.
626
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
626
,
1
.
000
]
[
0
.
626
,
1
.
000
]
[
1
,
1
]
[
0
.
837
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
673
,
1
.
000
]
[
0
.
626
,
1
.
000
][
0
.
837
,
1
.
000
]
[
1
,
1
]
[
0
.
576
,
1
.
000
][
0
.
673
,
1
.
000
]
[
0
.
576
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
576
,
1
.
000
]
[
1
,
1
]
[
0
.
576
,
1
.
000
]
[
]
[
0
.
859
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
626
,
1
.
000
]
[
0
.
626
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
576
,
1
.
000
]
[
1
,
1
R
16
=
R
8
◦
R
8
=
0
.
626
,
1
.
000
][
0
.
784
,
1
.
000
][
0
.
784
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
673
,
1
.
000
]
[
.
,
.
][
.
,
.
][
.
,
.
][
.
,
.
][
.
,
.
]
0
626
1
000
0
755
1
000
0
755
1
000
0
576
1
000
0
673
1
000
[
0
.
576
,
0
.
918
][
0
.
576
,
0
.
918
][
0
.
576
,
0
.
918
][
0
.
918
,
0
.
918
][
0
.
576
,
0
.
918
]
[
0
.
626
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
784
,
1
.
000
]
⎞
⎠
[
0
.
859
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
626
,
1
.
000
]
[
]
[
0
.
626
,
1
.
000
][
0
.
784
,
1
.
000
][
0
.
755
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
673
,
1
.
000
]
[
0
.
626
,
1
.
000
][
0
.
784
,
1
.
000
][
0
.
755
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
673
,
1
.
000
]
[
0
.
626
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
673
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
784
,
1
.
000
]
[
0
.
576
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
576
,
1
.
000
][
0
.
918
,
0
.
918
][
0
.
576
,
1
.
000
1
,
1
]
[
0
.
626
,
1
.
000
][
0
.
626
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
626
,
1
.
000
]
[
0
.
626
,
1
.
000
]
[
1
,
1
]
[
0
.
755
,
1
.
000
][
0
.
576
,
0
.
918
][
0
.
673
,
0
.
918
]
[
0
.
626
,
1
.
000
][
0
.
755
,
1
.
000
]
[
1
,
1
]
[
0
.
576
,
0
.
918
][
0
.
673
,
1
.
000
]
[
0
.
576
,
0
.
918
][
0
.
576
,
0
.
918
][
0
.
576
,
0
.
918
]
[
1
,
1
]
[
0
.
576
,
0
.
918
]
[
0
.
626
,
1
.
000
][
0
.
673
,
0
.
918
][
0
.
673
,
1
.
000
][
0
.
576
,
0
.
918
]
[
1
,
1
]
R
16
=
R
8
.Let
R
8
=
R
∗
r
ij
)
10
×
10
, where
r
ij
=[
μ
ij
,
v
ij
]
Thus,
=
(
˜
˜
1
−
,
i
,
j
=
-cutting matrix of
R
∗
can be constructed as
R
λ
=
(
λ
˜
r
ij
)
10
×
10
,
1
,
2
,...,
10, then the
λ
where
⎧
⎨
v
ij
<λ,
0
,
if
1
−
1
2
,
μ
ij
<λ
≤
v
ij
,
r
ij
=
if
1
−
λ
˜
i
,
j
=
1
,
2
,...,
10
,λ
∈[
0
,
1
]
(2.102)
⎩
μ
ij
≥
λ.
1
,
if
Considering that the confidence level
λ
is directly related to the lower and upper
r
ij
in the interval-valued matrix
R
∗
, we get, based on
R
λ
limits of each
˜
, all the possible
classifications of the ten new cars
y
i
(
i
=
1
,
2
,...,
10
)
:
(1) If 0
≤
λ
≤
0
.
576, then
{
y
1
,
y
2
,
y
3
,
y
4
,
y
5
,
y
6
,
y
7
,
y
8
,
y
9
,
y
10
}
(2) If 0
.
576
<λ
≤
0
.
626, then
{
y
1
,
y
2
,
y
3
,
y
5
,
y
6
,
y
7
,
y
8
,
y
10
}
,
{
y
4
,
y
9
}
(3) If 0
.
626
<λ
≤
0
.
673, then
{
y
1
,
y
6
}
,
{
y
2
,
y
3
,
y
5
,
y
7
,
y
8
,
y
10
}
,
{
y
4
,
y
9
}
Search WWH ::
Custom Search