基于贝叶斯网络的高校教师绩效评价方法

提出了采用基于贝叶斯网络推理技术的高校教师绩效评价方法.该方法以现有的绩效评价指标体系为基础,结合贝叶斯网络中多层隐类模型的构建原理,将评价指标体系中的各项指标转化为贝叶斯网络中的结点,并根据各级评价指标之间的逻辑关系将其转化为贝叶斯网络中的联接强度,可得到用于教师绩效评价的贝叶斯网络;将各项指标的评价分值作为证据输入到贝叶斯网络中,便能以概率形式评定参评教师的绩效水平.最后分析了教师绩效评价贝叶斯网络的四种典型应用模式.     

基于统计信号处理的多属性群决策问题探讨

文章针对备选方案属性值和属性权重都为随机变量的不确定多属性群决策问题、结合统计信号处理的估计理论和模糊数运算,提出了一种专家主观偏好集结和随机多属性决策方案排序的方法.该方法首先基于贝叶斯框架构建一个线性估计模型;然后在有无先验知识的基础上利用高斯一马尔科夫估计定理,将多个专家基于模糊数估计的方案属性值和权重值集结成群体估计值;最后通过加权比较得到各个方案的排序.实例分析验证了方法的有效性和实用性.     

生鲜农产品供应链突发事件风险的评估模型

文章结合生鲜农产品供应链的特点和过程,将生鲜农产品供应链突发事件风险分为三类:农户生产风险、运营风险和需求突变风险。并在对上述风险因素分析的基础上,针对评估过程中的不确定性信息难以量化处理的问题,引入贝叶斯网络推理算法,构建了包含风险因素、状态、事件的生鲜农产品供应链突发事件贝叶斯网络风险评估模型。模型通过不确定性推理对突发事件的主要状态和损失后果进行预测评估,为生鲜农产品供应链突发事件风险评估提供了一种新的思路。     

基于贝叶斯网稀疏结构学习的信用影响因素结构发现

面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。     

贝叶斯网络决策在房地产投资风险控制中的应用

文章结合总和一阶贝叶斯网络学习模拟,获得面向不同风险控制决策程度的房地产先验概率、后验概率及其对应的密度函数,从中比对不同投资风险控制效益对应的条件概率.结果表明,基于贝叶斯网络推理可以获得更具有确切显性特性的房地产投资风险控制决策信号;中层级获得了最高的测试值,最低的为高风险决策级.贝叶斯网络推理一定程度上削弱了原先的网络学习对投资风险控制的先验概率对关联强度的影响,应均衡房地产在风险控制绝对与管理之间的投资策略.     

一种基于证据推理的混合型灰色多属性决策法

文章针对决策方案的属性值为区间灰数与确定的语言等级,并且属性权重完全已知的混合型灰色多属性决策问题,提出一种新的决策方法。该方法是决策者可根据自己的偏好给出定量属性值的白化值和定性属性值的信用结构,确定了等级信用结构决策矩阵;利用证据推理解析算法求出各方案在各等级的信任度;利用期望效用和区间数排序法对方案进行排序。实例说明了该方法的合理性及其算法的有效性。     

房地产投资的多属性模糊贝叶斯决策

本文综合运用多属性决策理论、模糊数学、贝叶斯决策方法和期望效用理论,建立了一个在多属性指标下房地产投资的模糊贝叶斯决策模型,克服了单属性贝叶斯决策的不足,增强了模型的适用性。算例表明,该方法合理、易于实现,具有实际应用价值。     

基于模糊证据推理的多属性决策模型构建

采用模糊证据推理方法处理各种复杂不确定的多属性决策问题已逐渐被国内外学者广泛认可.鉴于此,文章提出了一种基于模糊证据推理的多属性决策模型.通过模糊证据推理来评价传统等级评价所使用的输入变量,使传统评价所面临的评价信息片面、错误及模糊问题得以解决.将本模型运用到城市经济发展水平评估中,实证结果表明所提的多属性决策模型是合理可行的.     

基于不确定正态云组合权重的综合评价方法研究

如何确定指标体系的权重是多属性决策中的一个重要问题。针对多属性决策中主客观权重的不确定问题,通过逆向云生成算法将多个主客观权重进行信息融合,生成不确定正态云组合权重,构建基于云模型的主客观组合赋权方法。在此基础上,提出基于正态云组合权重的多属性综合评价方法,该方法通过计算各方案组合赋权与理想方案组合赋权之间的正态云相似度值大小进行排序并确定最佳方案。最后,通过算例说明云组合权重综合评价方法的可行性和有效性。     

基于改进贝叶斯网络的省级政府债务风险预警模型

利用格兰杰非因果关系检验确定贝叶斯网络节点,反映经济变量之间的影响方式。采用误判率最小原则,确定预警指标临界值。利用贝叶斯网络学习,确定贝叶斯网络节点的后验概率。利用贝叶斯网络推理,测算地方政府债务风险,计算预警指标变化对省级政府债务违约概率的影响。研究结果表明:财政收入/财政支出与GDP增速/债务增速是预警省级政府债务风险的最重要指标,保持债务依存度、GDP增速/债务增速和民间投资增速/政府债务增速在适度区间内,能够有效降低省级政府债务风险。     

基于非线性GRA的群体模糊多属性决策模型

针对决策属性权重未知且属性值为三角模糊数的群体多属性决策问题,提出了一种非线性规划灰色关联度(简称GRA)决策模型。文章首先将群体决策者语言信息转化为三角模糊数,并依据三角模糊数向量距离和专家偏好集合判断群体决策的一致度和不一致度,构建模糊多属性群体偏好非线性决策目标函数,求解函数得到理想方案属性值和各属性权重值。然后依据备选方案与理想方案的综合灰色关联度,对方案进行优劣排序与决策。最后通过算例检验,为决策提供新思路。     

基于贝叶斯网络的高新企业融资风险评估模型

尽管高新企业有着非常好的发展前景,但融资难仍是高新企业发展面临的难题.基于贝叶斯网络构建了一种高新企业融资风险评估模型,能够将各种信息纳入同一网络结构,能够通过正向或者是逆向的推理来得到网络其他节点的后验概率.借助于非线性规划论的约束变尺度优化法建立融资结构优化模型,从而探讨出最为合理的企业融资结构.     

基于拉开差距的模糊多属性决策方法

文章针对决策者的偏好信息和决策矩阵元素均为三角模糊数的模糊多属性决策问题,提出了一种新的决策方法。该方法通过求解主观偏好与客观偏好的总绝对偏差最小,同时各方案综合属性期望值的差距最大的双目标规划问题,得到属性的权重向量,根据方案的综合属性期望值给出各方案的排序结果。     

基于直觉模糊集算子的多属性群决策方法

文章将直觉模糊算子应用于属性值和属性权重的集结,并将传统topsis法与灰关联分析方法相结合,提出了一种新的多属性群决策方法.该方法在传统topsis法中引入直觉模糊集理论,并且不直接计算各方案与理想方案的距离,而用灰关联度的大小来确定方案的优劣.     

基于记分函数的直觉模糊多属性群决策方法

针对属性权重未知且属性值为直觉模糊值,决策者给出方案直觉模糊值形式偏好信息的不确定多属性群决策问题,提出了一种基于模糊优选的群决策方法。首先在计算直觉模糊相似度的基础上通过非线性规划模型求解出属性权重。在明确直觉模糊多属性决策问题中直觉模糊集的定义基础上,提出了一种新的记分函数方法,进而得到各决策者决策矩阵的正、负理想方案。然后通过各决策者的模糊优选模型得到各方案的决策值,通过决策群体的模糊优选模型得到各方案的群体综合决策值。最后通过一个算例说明了方法的有效性。     

对方案有偏好的vague集互反判断矩阵决策法

文章针对指标权重信息未知且对方案有偏好的vague集多属性决策问题,通过将决策信息和偏好信息的vague值转化为模糊值,进而将偏好信息转化为互反判断矩阵,建立了最优化决策模型,求解该模型获得了指标的权重;通过计算各方案综合属性值对方案进行了排序和择优;最后并用实例进行了验证。     

区间数多指标决策的一种新方法

文章针对属性值和属性权重均为区间数的多属性决策问题进行了研究,给出了一种能够很好地处理该问题的实用方法.文章首先对各方案的指标属性值取平均;其次利用区间数权重信息得到一组顶点权重向量.依次将这些权重向量代入多属性决策方案,按照最优方案出现的次数和所有方案的综合得分,进而确定方案的排序.实例证明了所提方法简单、有效,易于实现.     

部分属性权重信息下的多属性群决策问题探讨

模糊多属性群决策(FMAGDM)是多属性决策、群决策和模糊决策相交叉的研究领域.研究此类问题一般需要决策者提供各属性权重信息、各决策者的权重信息和效用信息,决策群体集结各信息形成群体偏爱,最后对供选方案进行优劣排序.但由于方案各属性概念抽象、决策者自身的认知局限性及决策背景的复杂性,常会出现决策时对多属性群决策问题的属性权重难以完全确定和量化,因此部分属性权重信息下多属性群决策问题的研究已日益得到重视.目前此类问题的研究工作尚不多见.     

属性权重未知的混合型多属性决策方法

本文针对属性权重信息完全未知且属性值有实数、区间数和模糊数的混合型多属性决策问题,提出一种新的决策方法,根据已有数据,按照偏差函数建立模型计算出各指标权重;在此基础上,求出各方案与理想方案间的灰色关联度来求解权重未知的混合型多属性决策问题,从而推广了关联度的应用范围,同时为权重未知的混合多属性决策问题提供了新的方法。     

贝叶斯推理方法探讨

贝叶斯推理作为一种推理方法是从概率论中的贝叶斯定理扩充而来。经过扩充,贝叶斯定理仅由适用给事件测定概率变成也能给假说测定概率(可信度)的工具。但如何确定先验概率的数值是贝叶斯推理中一个很重要而又困难的问题,这个问题还有不同看法的争论,还未获得很好的解决。