一种基于粗集理论的聚类分析方法

本文通过比较聚类分析的缺陷和粗集理论的优势,将粗集理论引入聚类,提出了基于粗集理论的聚类分析模型来解决聚类的冗余性和权重问题,并通过算例来验证模型的可行性,这为人们进行科学的决策提供了一种新的思想和方法。     

一种基于DEA模型的粗集决策方法

将DEA方法引入粗集理论中,提出一种可解决“具有多个决策属性特征”的多投入、多产出问题的方法,建立一种基于DEA的粗集决策模型,并通过研究中国生产力水平的效率问题来验证模型的合理性和有效性,为人们进行科学的决策提供了一种新的思想和方法。     

基于粗集理论的线性回归方法及实证分析

通过分析实际问题中经济变量间往往出现多重共线性的现象，将粗集理论的约简思想引入线性回归分析，提出了基于粗集理论的线性回归模型来解决多重共线性问题，并通过实证分析来验证模型的可行性，为人们进行科学的预测和决策提供了一种新的思想和方法。     

基于灰格运算的变精度粗集模型及规则获取

在包含区间值的灰色信息系统中获取知识以成为当前粗糙集理论研究的热点。本文针对基于灰格运算的灰色粗集模型中存在上近似集过于宽松而下近似集过于严格等不足,提出了一种新的变精度拓展灰色粗集模型。该模型可以看成是灰色粗集模型的一种泛化表现形式。同时,在灰色决策系统中使用新的灰色粗集模型讨论了确定和可能性规则的直接生成方法,并对其的有效性进行了实例分析。     

基于灰色关联分析和MYCIN确定因子的直觉模糊软集决策方法

文章用直觉模糊软集来表述决策问题,从信息融合的视角,结合灰色关联分析和MYCIN确定因子,提出一种基于直觉模糊软集的决策方法,并在购房决策中进行实例应用,实例说明:基于直觉模糊软集决策方法原理简单、易实现,具有可行性.     

在决策技术中、用最小后悔值法计算机会损失值——检验期望值

用决策表或决策树进行决策时 ,期望值的准确程度 ,直接决定着决策的质量。为此 :第一、进行风险型决策对期望值应该进行检验 ,第二、检验期望值 ,用最小后悔值计算损失值的方法 ,是一种简单、准确、易于掌握的方法     

基于粗糙集的语音情感分类的决策方法

文章首先分析了语音信号中与情感有关的振幅、基频及共振峰系的参数组和提取方法,以此构造决策表,通过粗糙集的方法对表中数据进行处理,获取参数的重要度,并建立适合语音信号的粗糙集分类规则.将规则应用于实例进行测试,验证了方法的有效性.     

基于Bayes概率边界域的粗集分类方法及其在高频数据中的应用

 作为一种近似处理的工具,粗集主要用于不确定情况下的决策分析,并且不需要任何事先的数据假定。但当前的主流粗集分类方法仍然需要先经过离散化的步骤,这就损失了数值型变量提供的高质量信息。本文对隶属函数重新加以概率定义,并提出了一种基于Bayes概率边界域的粗集分类技术,比较好的解决了当前粗集方法所面临的数值型属性分类的不适应、分类规则不完备等一系列问题。     

谈数据开采简化算法的实用性

一、几种常见约简方法 设有决策表T=(U,A,C,D),A=C∪D,C ∩D=Φ,对决策表T的约简,主要是约简条件属性的个数及条件属性值的个数.Rough集理论应用于数据约简一般有:     

基于相对熵的三参数区间值模糊集多属性决策方法

文章针对三参数区间值模糊集上已有决策方法的不足,引入信息论的相对熵,提出了一种新的决策方法。该方法通过定义三参数区间值模糊值间的相对熵,得到被评方案与理想方案的相对熵,据此给出一种新的贴近度进行方案排序。与已有方法相比该方法较好的保存了决策的信息,考虑了属性的权重,并提出了三参数区间值模糊值表述的语言集。最后实际算例表明了该方法的有效性和实用性。     

判断矩阵信息下基于模糊参数模糊软集的群决策方法

针对指标集之间有差异的群决策问题,文章提出一种在判断矩阵信息下基于模糊参数模糊软集理论的群决策方法.具体步骤为:首先,根据各决策者给出的判断矩阵信息及序关系分析法得到方案的评价值,并利用模糊软集的且运算将评价值进行融合;其次,构建模糊参数模糊软集;最后,通过模糊参数模糊软聚合算子的计算结果找出最优方案.     

基于灰色关联度的属性约简方法

属性约简是粗集理论研究的核心内容之一,其主要思想是在保持分类能力不变的前提下,消除决策表中冗余的属性,推导出最少的属性集合和最小的决策规则.目前属性约简方法主要包括:①基于信息熵的启发式算法,该算法计算信息熵时的时间复杂度较高;②基于可辨别矩阵和逻辑运算的属性约简,这种方法能够得到全部约简结果,但计算过程中析取逻辑表达式很多,甚至是重复的,这导致化简时计算量很大,且对于大样本、高维数据的约简建立的可辨别矩阵具有较高的空间复杂度.本文结合灰色关联理论提出了一种新的属性约简方法,以灰色关联度作为属性重要性的测度,采用启发式算法,先计算出属性的核,然后依据属性的重要程度依次在核的基础上添加属性,直到所得的属性子集与原条件属性的分类能力相同为止,对于高维属性,可以采用优化搜索策略,寻找最佳的属性集.     

Rough Set综合评价算法的优化及应用

粗集理论是由波兰数学家Z.Pawlak,在20世纪80年代初提出的一种处理模糊和不精确性问题的新型数学工具,粗集理论在处理有限元集合数据时,即不需要关于数据的任何附加信息,也无需预先给定某些特征或属性的数量描述,如统计学中的概率分布、模糊集理论中的隶属度或隶属函数等,通过对大量数据进行分析,根据论域中等价关系的依赖关系,剔除相容信息,抽取潜在有价值的规则知识.依据粗糙集理论的对象分类能力,以及粗糙集理论中的知识依赖性和属性重要性度量方法,可以得出一种完全数据驱动的综合评价方法,它克服了传统方法存在的主观性和片面性的问题,本文将属性的同分辨能力数引入到粗糙集评价,优化了评价算法.     

基于序数效用的匹配决策问题与Gale-Shapley算法

基于序数效用的匹配决策是对市场价格决策机制的有力补充,具有重要的研究意义.文章将匹配要素分为匹配主体、匹配物、匹配算法、匹配集,从而规范了匹配决策的研究体系.在对Gale-Shapley算法进行分析的基础上,设计了一种GS算法的表上作业方法,并提出了匹配的一种矩阵表示.但是,GS算法也存在明显的局限性.GS算法显著依赖于群体容量,结果可能会偏离一般统计偏好,而且GS匹配的效率评价缺乏客观标准.     

三种风险型决策评价准则及其关系

本文简介了三种得到广泛应用的风险型决策评价准则期望后果值决策评价准则、期望效用值决策评价准则与贝叶斯决策评价准则,建立了应用相应决策评价准则进行决策分析的表上操作过程.同时从层次性、决策的本质和利用新信息的方向三个方面分析了这三种决策评价准则之间的关系.     

五种常用系统聚类分析方法及其比较

一、系统聚类分析概述聚类分析是研究如何将对象按照多个方面的特征进行综合分类的一种统计方法[1]。然而在以往的分类学中,人们主要靠经验和专业知识作定性分类处理,许多分类不可避免地带有主观     

基于SPA的模糊聚类分析方法及应用

一、引言聚类分析就是用数学方法研究和处理给定对象的分类问题,把具有相似性质的事物区分开来。集对分析(SPA)是处理确定和不确定系统的一种有效方法。所谓集对,就是具有一定联系的两个集合所组成的对子。按照集对的某一特性展开分析,并进行分类定量刻划,得到集对在某一问题背     

基于聚类提取训练集的预测分析

该文建立了一种基于聚类分析与决策树分析相结合的服务订制预测模型,利用聚类提取训练集训练决策树,将生成模型应用于某地区用户对有线电视交互服务的订制意愿预测,最终确定高响应率客户群。实验证明,该模型相对于仅通过决策树进行预测能更大程度地提高分类精度,能更有效地识别出高响应率客户群。所提出的研究框架与方法,为企业在商业竞争中制定有效的营销决策提供了重要依据。     

基于Dirichlet过程无限混合模型的基因表达数据聚类算法

Dirichlet过程作为一种典型的变参数贝叶斯模型,基于该过程进行的聚类分析无需预先确定聚类数,聚类数作为模型中的参数由模型和数据自主计算得出,因而成为机器学习研究领域中的一个研究热点,可用于海量数据的聚类分析。文章建立Dirichlet过程无限混合模型对DNA基因表达数据展开了聚类分析。模拟测试数据集和急性白血病的DNA基因表达测试数据集的实验结果表明,Dirichlet过程无限混合模型能够准确地估计出数据中的聚类数。     

基于CRITIC的多属性决策组合赋权方法

多属性决策中属性权重的确定方法有多种,每种赋权方法有其各自的特点,为了综合利用各种赋权法的优势,文章基于CRITIC的基本原理,提出了一种组合赋权方法。该方法通过对利用比强度和冲突性结合构造组合权重,研究了模型的求解,给出权重的计算公式,探讨组合赋权方法的检验,确保组合权重能反映主观信息和客观信息,并总结该方法的计算步骤。最后进行实例分析,结果表明该组合赋权方法是有效性的。