基于β-δ0粗糙集模型的属性约简算法

本文针对经典粗糙集模型存在的对噪音数据敏感等缺陷,提出了基于隶属度和特征距离的β-δ0拓展模型,该模型不仅能够处理含有噪音的不完全、不精确信息系统,其结果也能反映大量数据所满足的统计规律;针对β-δ0拓展模型,提出了一种基于属性上下文敏感度的启发式属性约简算法.     

基于粗糙集与主成分分析的属性约简的启发式算法研究

信息系统的属性约简反映了一个决策表的本质信息,为信息系统的数据挖掘奠定的基础。生成一个决策表的所有约简或计算出最佳(定义为属性数目最少)的约简都是NP难问题。目前已有的基于粗糙集的属性约简算法由于计算复杂较高,而不适用大规模数据。本文探讨了一种基于区分矩阵和主成分分析的算法,该算法利用属性在区分矩阵中频率及属性贡献率做为启发规则,寻找最小约简,并在海关通关风险评估系统中得到良好的应用。     

粗糙集值约简算法研究与应用

本文介绍了数据挖掘和粗糙集的理论,并对粗糙集值约简算法做了研究。该算法通过对信息表条件属性的考察,比较去除该属性后的两条记录是否冲突,重复,实现了去除信息表中的冗余属性值,对信息表进行值约简的目的。在粗糙集值约简理论的基础上,本文以C++Builder6.0作为开发平台,通过对信息表测试,分析、验证,证明其结果是正确的,最后将该算法应用到医疗病人感染数据库中,实现了对医疗病人感染数据库表的值约简。     

模糊粗糙集中综合评价的属性约简和规则获取

传统的评价方法在进行评价之前没有进行属性约简,并且对新样本的评价过程过于复杂.鉴于此,运用(S,T)模糊粗糙集对综合评价中的属性约简和规则获取进行了研究,通过属性约简精简评价指标,通过规则获取来简化新样本的评价过程,为新样本的评价提供了一种全新的方法.最后以一个综合评价实例来演示如何进行属性约简和规则获取.     

粗糙集在教学质量评价中的应用

粗糙集不依赖于数据集之外的附加信息,是处理含有噪声、不精确、不完整数据的有力工具,是一种新的数据挖掘技术.首先,本文介绍了粗糙集理论和决策表约简算法,然后采用粗糙集数据挖掘技术对多指标教学质量进行评价,挖掘出数据背后隐含的规则.     

风险偏好与属性约简在决策问题中的应用研究

将决策者风险偏好与属性约简算法应用到具有大量属性的决策问题,提出先对决策者分类再进行决策的策略． 根据决策者的风险偏好特征将其分为风险规避型、风险中立型、风险偏好型,针对不同类型的决策者分别采取相应的算法,提取有效属性并利用有效属性进行决策; 针对不同风险偏好的决策者,提出相应的风险偏好预期规则; 提出基于优势关系辨析矩阵的属性赋权算法及基于属性值优势度矩阵的进行信息融合与排序算法; 最后通过属性值为实数与区间数的两个实际案例表明该算法的科学合理性．     

基于可变精度粗糙集的新兴技术企业信用风险识别

针对新兴技术企业信用风险评估的必要性和现有评估方法仅局限于财务指标且指标之间高度相关的缺点,借鉴了可变精度粗糙集（VPRS）模型具有噪声数据的强适应能力和强抗干扰能力的优点,提出了一类基于VPRS的新兴技术企业信用风险识别方法,并用已上市的部分新兴技术企业对其进行实证检验,检验结果表明了该方法具有较好的识别能力。该方法首先运用VPRS理论的最新研究成果,并借助于粗糙集分析软件ROSETYA,对由训练样本组成的数据关系表进行数据补缺、离散化及属性的β约简等处理,从而导出识别规则,形成识别规则库;然后集成二叉树构建一类新兴技术企业信用风险识别方法;最后用测试样本对方法的识别精度进行检验。     

基于可辨识矩阵的不完备模糊目标信息系统的属性约简

粗糙集理论是用来解决不确定性的新的数学工具,其中属性的约简是粗糙集理论中一个重要的研究课题.J.W.Guan等提出了信息系统下的矩阵算法.本文则是把这种算法推广到信息不完备并且目标是模糊的领域.通过容差关系的上近似集和下近似集重新设计了算法,最后用实例验证算法了算法的可行性.     

基于信息粒度的属性约简改进算法在企业竞争力指标体系构建中的应用

依据信息粒度理论，提出一种对数据属性进行约简的改进算法，对该算法进行分析，并将其应用于企业竞争力指标体系的构建，精炼了评价指标，提高了评价的可操作性和科学性。     

基于粗糙集的研究性学习的评价

本文利用粗糙集理论来构建研究性学习评价系统,在研究了研究性学习评价的粗糙集描述问题的基础上,给出了研究性学习评价的粗糙集属性决策规则和界定方法,建立了粗糙集约简算法。最后通过实例验证了该方法应用于研究性学习评价的有效性。     

基于限制优势关系的粗糙决策分析模型

针对信息不完全的偏好多属性决策问题,给出一种基于拓展粗糙集的决策分析模型.首先提出限制优势关系的概念;然后在限制优势关系下得到知识的粗糙近似,给出分类决策规则.对比分析证明,限制优势关系既保留了扩展优势关系的优点,又在一定程度上克服了扩展优势关系的局限性.最后通过一个实例验证了所提出的模型对信息不完备决策系统的处理更符合实际情况。     

多标准决策表中发现概率规则的变精度粗糙集方法

用优势关系代替不可分辨关系,本文提出了一种可以从多标准决策表中获取概率规则的扩展变精度粗糙集模型,该模型能够处理多标准决策表中可能的不一相容性,获取由偏好对象组成的概率决策规则集,并导出事例决策系统的偏好模型。研究结果表明:基于优势关系,从多标准决策表中获取的最小概率规则集,使用的条件数量较少,且导出规则的数量较少、较强。     

基于粗糙集理论的格序选择方法

在粗糙集理论中,为了识别由偏好属性导致的不相容性,已提出基于优势关系的粗糙集理论,然而这一理论在实际应用中往往导致多个决策规则的出现,如何辨别由偏好多属性决策表中获取的多个决策规则从而选取最优方案,尚未见到有关的研究文献。本文针对这一问题,利用格序理论,给出属性约简的贴近度,比较不同约简所得决策规则贴近于原知识库的程度,从而得到一种选择最优决策方案的方法。     

基于粗糙集条件信息熵的权重确定方法

权重确定是管理决策和评价的重要环节,现有的权重确定方法基本依赖于专家的先验知识。粗糙集权重确定方法由于其不需要所处理数据集合的先验信息、充分体现数据客观性的特点在管理决策中得到日益广泛应用。但是,原有的粗糙集权重确定方法无法确定冗余属性的权重。本文针对粗糙集的信息表示比代数表示更全面的特点,通过粗糙集条件信息熵属性重要度的分析,提出了新的基于粗糙集条件信息熵的权重确定方法,并分析了其合理性。通过算例证明,新的条件信息熵权重确定方法可以解决原有粗糙集权重确定方法无法解决的问题,从而提高了方法的普适性和可解释性。     

基于粗集理论的属性权重确定方法

通常属性权重的确定方法是根据决策者的先验知识来确定。本文根据粗集理论中属性重要度的判断方法,提出将决策者先验知识给定的权重同粗集理论确定的属性重要度结合起来最终确定属性权重,即基于粗集理论的属性权重确定,实现主观先验知识同客观情况的统一,从而得出更加理想的权重确定结果。     

动态信息系统中一种基于条件熵的核属性计算方法

针对动态信息系统中新增和退出对象集的情况,在信息观下提出了一种基于条件熵的核属性计算方法。先分别讨论仅有对象集进入、仅有对象集退出以及以上两种情形同时存在下条件熵的变化机制。由条件熵变化机制,通过构造支持度矩阵和增量矩阵方式将新增或者退出的对象集一并参与比较计算,快速求得条件熵,进而获得核属性。最后,由实例分析验证该方法的有效性。     

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。     

军机备件需求量修正的粗糙集方法

本文针对不可量化因素对军机备件需求量的影响,提出了基于粗糙集的备件需求量的修正方法。考虑不可量化因素存在多值性的问题,将不可分辨关系下的经典粗糙集方法拓展成相容关系下的扩展粗糙集方法,通过相容关系下的近似空间获取决策规则,再由决策规则得到修正系数。最后以轮胎类器材为例,说明了修正系数的获取过程。     

基于变精度粗糙集的分层知识粒度

本文在研究变精度粗糙集模型中的近似、分类质量与知识粒度关系的基础上,提出了利用嵌套的等价关系集,可以构造基于不同置信阈值β、不同级别分类质量γ的分层知识粒度,并设计了相应的算法,最后以实例构造了分层知识粒度结构图。