从偏好数据库中挖掘Ceteris Paribus偏好

针对传统的推荐系统需要用户给出明确的偏好矩阵（U-I矩阵）,进而使用自动化技术来获取用户偏好的问题,提出了一种从偏好数据库中挖掘出Agent的偏好信息的方法。从知识发现的角度,通过Ceteris Paribus规则（CP规则）,提出了k阶偏好挖掘算法（kPreM）。在算法中,利用k阶CP规则对偏好数据库中的信息进行剪枝处理,减少了数据库扫描次数,从而提高了偏好信息的挖掘效率。随后以一种通用的图模型——条件偏好网（CP-nets）为工具,揭示了用户的偏好可近似表达为CP-nets的定性条件偏好网。实验结果表明,用户的偏好都是带有条件的偏好。另外,通过挖掘得出的CP-nets偏好模型,为设计个性化的推荐系统提供了理论基础。     

基于分布式偏好关系的多属性决策方法及运用*

针对利用分布式偏好关系建模且考虑其一致性的多属性决策问题,提出了一种满足一致性的多属性决策方法。给定相邻方案间的分布式偏好关系,首先构建了基于等级得分值的等级合成规则并分析其性质,而后基于等级合成规则定义了分布式偏好关系矩阵的一致性判定准则,进而提出满足一致性的不同方案对间分布式偏好关系合成规则,最后以此规则为核心,设计多属性决策方法的流程,产生了满足一致性的决策结果。将提出的方法应用于芜湖市战略性新兴产业评估,验证了方法的应用性和有效性。     

一种基于粗糙2模糊集集成模型的决策分析方法

针对信息系统为连续属性的情况，提出一种将粗糙集与模糊集相结合来获取决策规则的方法，这种基于粗糙—模糊集集成模型求取决策规则的方法通过一个模糊隶属函数将连续属性值表示成模糊值，从而避免了连续属性的离散化问题，同时给出了连续属性值转换成模糊值的表示形式，提出了模糊相似关系和模糊相似类的概念，给出了粗糙—模糊近似空间的下、上近似及其性质以及模糊相似关系下属性约简的方法，最后以自修复飞行控制系统的效能评估为例，给出了自修复效能评估的决策规则。     

基于非对称相似粗糙集的规则获取算法

针对目前应用粗糙集相似关系理论与LEM2算法进行规则推理时获取规则较少以及规则简化程度不高的问题,提出了粗糙集非对称相似关系与近似集的计算方法,并对现有LEM2算法获取规则的过程进行了改进与补充,形成了一种新的基于非对称相似粗糙集的规则获取算法,以便从不完整信息中获取更多潜在规则.最后以实际算例对两种算法分别进行了测试并给出了结果对比分析,仿真结果表明新的规则获取算法在不改变原有信息集结构与内容的基础上具有更好的优化性能,能获得更好的优化结果.     

含序信息的粗集方法研究

经典粗集理论给出了不可识别、上近似、下近似、简式和核等概念,其核心思想是运用条件属性集导致的知识粒子来近似决策属性集导致的知识粒子,进而推导出规则。这些知识粒子的实质是根据存在于属性值问的等价关系得到的,而事实上可能存在某些属性,其属性值内部存在序关系,与其它某属性间存在语义关系,这样的属性称为标准。本文所研究的粗集方法,考虑标准所携带的这些信息,推导出含有序信息的规则,并探讨使推导的规则更加完全和一致。本文给出了含序粗集方法（CORS）的定义、数据分析以及规则生成方法,并提出了一种更加合理的质量近似公式以及生成规则的四条原则。     

基于规则的中文字符串近似匹配研究

字符串近似匹配在网络安全中有广泛的应用。本文从中文字符串相似度角度出发,提出了通过单个汉字的细分来提高字符相似度的想法,并从汉字＂成簇性＂方面进行分析,引出了汉字的Key表示方法,将汉字与Key的映射关系归结为规则,讨论了规则的获取方法。设计了基于规则的中文字符串近似匹配的框架,提出了新的相似度计算模型,并通过实验对整个流程加以验证,证明基于规则的中文字符串近似匹配的优越性。     

一种基于模糊粗糙集知识获取方法

本文介绍了粗糙集和模糊粗糙集的上下近似。并且利用模糊粗糙上下近似算子，论述了在不完备模糊信息系统中知识获取的一种方法。应用这种方法能够让隐藏在不完备模糊信息系统中的知识，以决策规则的形式表示出来。最后给出了一种实现算法和实例。     

优势关系下属性值粗化细化时近似集分析

基于优势关系粗糙集模型反映属性间的偏好情况,实际上多数数据库中的数据是动态变化的。如何利用已有的信息更新近似集对于提高知识发现效率有重要意义。提出不完备信息系统在优势关系下属性值粗化细化的定义,讨论优势关系下不完备信息系统中属性值粗化细化时近似集的变化情况,对比分析优势关系下属性值粗化细化前后的粗糙近似精度和粗糙近似质量。通过实例分析验证了该方法的有效性。     

基于二元决策系统的粗集知识获取方法研究

提出一种新的粗集知识获取方法,首先将事例集表示成二元决策系统,然后奖其分解成一系列单一二元决策子系统。利用粗集理论对每一子系统进行分析,推理出最优规则。在对决策系统进行条件属性和规则简化时,提出了概率最佳简约准则和概率最小规则准则,按照这两种最优准则可以获得概率意义上数目最小规则集。通过实例分析,具体说明了该方法的实现步骤,结果表明该方法具有明显的优越性。     

粗集中的粒计算模型

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,不相容决策表是粗集理论研究的一个重点,而粗集中的等价关系可以用来刻化等价粒.结合粒计算的处理方法给出了决策表信息系统的粒表示、粒运算规则和粒分解算法,同时结合粗集中的属性核计算方法,提出了决策表信息系统在粒表示下属性核的获取方法.     

基于优势关系粗糙集的数据分类

针对经典粗糙集难于解决具有偏好顺序决策表的分析问题,在研究优势粗糙集的基础上,提出了基于优势关系的二进制矢量表的数据分类方法。该方法不需对决策表产生规则,只将原有的对象描述转化为二进制码表,通过被测目标在论域中的对象支持决策类的程度,对数据进行分类。此方法经实例验证,取得了令人满意的效果。     

限制优势关系下的加权多粒度粗糙分析方法

作为多粒度粗糙集的推广,提出了限制优势关系下的加权多粒度粗糙分析方法。分析了优势关系粗糙集和多粒度粗糙集的局限性,引入限制优势关系对加权多粒度粗糙集进行改进,充分考虑到属性的偏好关系和粒度的重要性差别,使其适用于不完备的高维或分布式有序信息系统;由此得出粗糙近似,讨论了其与限制优势关系下的乐观、悲观多粒度粗糙集的关系,并对相关性质和定理进行证明;通过实例验证了该方法的有效性和实用性。     

基于多等级方案成对比较的决策方法

为了解决现有的方案两两比较方法一般构建单等级上的比较关系, 且不能同时表达多种不同偏好关系的不足, 提出一种新的基于多等级方案成对比较的决策方法, 构建方案集上基于对称框架的分布式多等级偏好关系. 通过设定各等级的得分值, 计算分布式偏好关系的得分矩阵, 并基于此矩阵构建成对优化模型, 求取各方案的优先权区间, 进而产生决策结果. 将所提出的方法应用于某制造企业云服务供应商的选择问题, 验证了所提出方法的应用性和有效性.

     

考虑直觉模糊偏好关系的双边稳定匹配及应用

针对现有双边匹配决策要求主体给出另一方全体偏好序信息的条件过于苛刻的问题, 提出一种新的匹配方法. 一方主体先两两比较另一方全体成员, 给出直觉模糊集形式的评价值并由全体成员评价值组成直觉模糊偏好关系; 然后, 通过改进的最小对数二乘法对其进行转化, 间接得到主体满意度; 进一步以双方主体满意度最大为目标, 同时考虑稳定匹配约束条件, 建立单目标优化模型并求解获得匹配方案; 最后, 通过算例分析表明了所提出方法的可操作性和有效性.

     

Vague集在多传感器信息融合中的应用

采用Vague集来表达传感器的模糊测量信息,提出了一种基于Vague集的多传感器信息融合方法。该方法利用Vague值的记分函数,构造传感器测量值的有序加权平均对,再结合诱导有序加权平均算子确定传感器的权重,根据综合记分函数给出了信息融合方法。仿真实例验证了方法的有效性和具有较高的可信度。     

论初中化学探究性实验教学

实验教学是初中化学教学中的重要教学手段,尤其是探究性实验教学,不仅符合新课改要求,更是提高教学质量有效手段。本文就初中化学实验课程中如何进行探究性教学展开了分析,提出了几点可行性建议。     

Rough set based incremental crime report labelling in dynamic environment

The proposed work describes a rough set based incremental crime report labelling technique. The named entities are recognized from the available crime reports to identify the phrases existing between entity pairs. The phrases are vectorized considering intervening context words and a quick reduct generation algorithm is applied to minimize their dimensions. A graph based clustering algorithm has been applied to cluster the phrases and later they have been labelled based on some centrality measure techniques. Each current report, represented by a set of phrases, is labelled by the labels of clusters in which its phrases reside. Thus, a current report may be labelled as a multi-class report. Each new report is labelled incrementally using existing labelled clusters with the help of rough set theory. The phrases of the new report are partitioned into equivalence classes using indiscernibility relation and the lower approximations of the clusters of phrases are obtained considering these equivalence classes as target sets. If the lower approximation of a cluster contains all the phrases of the new report, then the report is labelled by the label of that cluster; otherwise, probability based membership values have been assigned to the report to represent the degree of its belongingness into different classes. The existing clusters and equivalence classes of phrases generate a new set of labelled clusters, which are further used for labelling upcoming reports. Thus, the proposed method labels crime reports in an incremental way. The work is validated by various indices and compared with many state-of-the-art clustering and classification algorithms. Experimental results show the effectiveness of the method in the crime report labelling.     

Contextual preference mining for user profile construction

The emerging of ubiquitous computing technologies in recent years has given rise to a new field of research consisting in incorporating context-aware preference querying facilities in database systems. One important step in this setting is the Preference Elicitation task which consists in providing the user ways to inform his/her choice on pairs of objects with a minimal effort. In this paper we propose an automatic preference elicitation method based on mining techniques. The method consists in extracting a user profile from a set of user preference samples. In our setting, a profile is specified by a set of contextual preference rules verifying properties of soundness and conciseness. After proving that the problem is NP-complete, we propose a resolution in 2 phases. The first phase extracts all individual user preferences by means of contextual preference rules. The second phase builds the user profile starting from this collection of rules using a greedy method. To assess the quality of user profiles, we propose three ranking techniques benefiting from these profiles that enable us to rank objects according to user preferences. We evaluate the efficacy of our three ranking strategies and compare them with a well-known ranking method (SVMRank). The evaluation is carried out through an extensive set of experiments executed on a real-world database of user preferences about movies.     

属性值为区间数的决策对象相对可能度关系模型及其应用

对于属性权重未知的区间数型不确定多属性决策问题,首先在界定区间数相对可能度的基础上给出区间数比较相对可能度关系理论,并得到一些相关性质;其次借鉴离差最大化模型算法建立基于比较相对可能度关系确定属性权重的区间数型决策对象相对可能度关系模型(IN-DMORPRM);然后通过集结与融合供选决策对象间两两优势比较测定出的相对可...     

The method of dominants in the problem of ranking interval objects specified by three points

A method for ranking interval objects (ordering them by preference) is proposed and analyzed; these objects are nonreusable, and the results of their use are represented by pessimistic, optimistic, and most probable estimates. The method is based on the approximation of the binary probability preference relation by a binary preference relation with respect to a specially designed characteristic-dominant based on the three estimates indicated above. The method is verified using statistical modeling (the Monte Carlo method). It is shown that the proposed method ensures sufficiently high approximation accuracy in most cases.