基于粗糙集和神经网络的供应商决策选择研究

本文提出了一种基于粗集理论与神经网络相结合的供应商优化选择新方法.首先利用粗集理论对供应商原始指标决策表进行一致性属性约简,然后借助神经网络强大的学习能力对决策表进行自学习,完成属性的不一致约简,最后再由粗糙集对其进行值约简,得到最终的供应商优化选择决策规则,并给出了相应的算法.最后通过实例说明该方法的有效可行性.     

粗集与神经网络相结合的股票价格预测模型

粗集和神经网络结合反映了人类智能的定性和定量、清晰和隐含、串行和并行相互交叉混合的常规思维机理。本文建立这样一种混合杂交模型用于股票价格波动趋势的预测,通过粗集对数据的二维约简预处理消除了样本中的噪声和冗余,在提高神经网络预测精度的同时降低了学习负担。为了获得最优的预测精度,本文还利用遗传算法进行属性离散化和网络学习。通过对上证综指的实证研究表明,这种混合杂交模型的性能明显优于BP和GA神经网络模型。     

粗分析在智能决策支持中的应用

专家知识的归纳获取是智能系统知识自动获取的有效方法.本文针对目前归纳学习中存在的问题,指出粗集理论用于决策支持弥补了传统决策方法的不足.此外还分析粗集和其它软计算方法的集成问题,综述了基于粗集理论的软计算在智能决策支持中的应用,并提出了粗集发展的几个可能方向.     

基于变精度粗集神经网的企业失败风险预测研究

描述粗糙集、变精度粗糙集和神经网的相关概念和应用机理,在此基础上构建基于变精度粗糙集的强耦合粗集神经网络,即变精度粗集神经网模型,并以此作为预测中国上市企业失败风险的研究方法.借助信息熵和T检验等手段对财务指标和非财务指标进行筛选,建立企业失败风险预测评价指标体系.在时间跨度上,选择(t-3)年作为研究起点,避免人为夸大预测精度.将被特别处理(ST)的上市企业作为界定企业失败的标准,以160家ST企业和160家配对非ST企业作为测试样本,利用FUSINTER技术离散化相关数据,运用粗糙集、变精度粗糙集、粗糙集神经网和变精度粗集神经网等模型进行实证研究.分析结果表明,在由78家ST和78家非ST企业组成的检验样本中,变精度粗集神经网的预测准确率要高于其他模型,且所需训练时间更短,生成规则更少,训练的整体效果最为理想,由此可以认为该模型比较适用于对中国上市企业进行失败风险的预测研究.     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

粗集的动态特性分析及应用

本文对粗集的动态特性进行了研究,为了比较确切的描述粗集的动态变化程度,本文引入了粗集的结构差离度、贴近度及复杂度等概念,给出了结构差离度和贴近度的性质,最后给出应用背景和实例。     

一种基于粗集的实例分解归纳学习方法

粗集是知识约简的一种有效工具,但决策表的最小约简已被证明是NP难题.对于复杂的决策表,由于必要的条件属性数目可能较多,直接用粗分析比较困难.为此本文基于粗集理论,给出了一种决策表的分解方法.实例表明决策表的分解可以减少知识约简的难度.这对于大型的决策表,有潜在的应用价值.     

一种基于Rough集的客户流失风险分析方法

为了对客户流失风险分析过程中的大量的冗余特征进行约简或压缩,本文利用粗集理论中的特征约简方法来研究客户流失风险分析,提出了一种基于粗集的客户流失风险的分析方法.通过一个客户流失风险的分析实例对该算法进行了检验,实验结果表明,在保证分类质量基本不变的情况下,该算法可以查找出对分类起主要作用的特征,从而达到了特征约简的目的,成功地将粗集理论应用到客户流失风险的分析和预警中,为客户流失风险的分析和预警提供了一条新的研究思路和方法.     

从数据库中发现知识的方法研究与应用

知识发现与数据开来是90年代中期兴起的决策支持新技术．本文以近年来获得快速发展的粗集方法为基础,从数据库中自动抽取相关属性,发现知识,提出了最小属性集算法以及规则化简算法,从而改进粗集方法使之得到实用的规则,并应用于一个疾病诊断．     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。