粒度决策演化模型的博弈选择研究

粒度决策演化模型是基于时间序列对粗糙集在动态数据预测方面的一种方法,对于在处理动态数据方面该模型有着较好的效果。但是在预测过程中出现属性支持度相同的属性时如何解决冲突模型并未说明,在粒度决策演化模型的基础上利用博弈论方法对解决这种冲突进行研究。     

多重代价多粒度决策粗糙集模型研究

决策粗糙集和多粒度粗糙集是两种重要的数据处理机制。在对多重代价决策粗糙集模型和多粒度粗糙集模型的研究基础上,通过综合考虑多重代价矩阵和多粒度思想,将权重均值代价策略引入决策粗糙集模型中,提出了一种基于权重多重代价的多粒度决策粗糙集模型。在不完备信息系统中,分析了悲观代价决策粗糙集、乐观代价决策粗糙集和权重多重代价多粒度决策粗糙集模型,并给出了以上各种模型的决策代价总代价计算公式。以权重多重代价悲观多粒度决策粗糙集模型为例,讨论了该模型下随着粒度的变化其正域的变化情况,并给出了一种基于代价最小化的粒度约简方法。该模型更好地结合了决策粗糙集模型和多粒度粗糙集模型,可从多角度分析解决决策粗糙集模型中的相关问题。     

监督机制多粒度决策粗糙集模型及应用

为弥补多粒度决策粗糙集刻画不确定性知识能力的不足,鉴于监督学习能够考虑对象现有或预测的类别标签信息,在多粒度决策粗糙集中引入类内阈值和类间阈值的概念,提出了基于监督机制的多粒度决策粗糙集,给出模型的下、上近似,并对相关性质和结论进行证明。以工地项目建设的实例验证了模型的有效性与可靠性。实验结果表明,通过调整类内阈值和类间阈值,可进一步提高原模型的容错和分类能力。     

多粒度时间序列下粒度决策的演化模型研究

目前,粗糙集理论大多数的研究应用都停留在静态表的基础上,但在实际中决策信息表的数据是在不停的增加更新当中,静态的方法在处理不停增加和变换的数据时有着很明显的局限性。在经典粗糙集理论的基础上,引入多粒度时间序列,对决策信息系统划分后,研究各个粒所产生的决策间的相互关联性,建立相关的粒度决策演化模型,并通过实例验证同源演化的有效可行性。     

决策演化集的膜结构

决策演化集是处理决策规则在时间序列上演化问题的理论,它将着眼点从静态决策信息系统转移到动态时间序列上,研究决策信息系统随时间变化的演化规律,是一种新的决策规则研究方法。目前,在决策演化集的标准结构下,其定义的演化轨迹是一个很难描绘的n维空间图形,所以本文提出了膜结构重新描述决策演化集,在膜结构下,被约简掉的属性同样会获得重视。在当时间从ti-1进入ti时,属性根据自身对决策的影响而进入不同的膜,同时所产生的数据流动也被标记出来,从而解决了决策信息系统演化轨迹具象化的问题,并通过实例演示了决策信息系统的演化过程和轨迹。     

基于最小二乘法的粒度决策演化模型预测方法

粗糙集理论是一种处理不确定知识的数学工具,目前在时间序列数据的研究已经取得了一定的成果,但这些研究都停留在静态表的基础上,在实际应用中有着明显的局限性。该文研究多粒度时间序列下各个粒度所产生的决策间的相互关联性,在粒度决策演化模型的基础上,利用最小二乘法设计了新的预测方法,通过实例验证了算法适合于该模型的预测,具有良好的效果。     

覆盖多粒度梯形模糊数决策理论粗糙集模型

作为经典Pawlak粗糙集模型的推广,基于论域上的等价关系,针对风险决策分类问题,多粒度粗糙集已有研究。其特点是在力争决策的期望损失（亦称决策的条件风险）最小的条件下,比较客观地确定对象分类区域的概率描述临界值,进而进行对象的最佳分类决策。然而,在实际应用中论域上的等价关系很难把握,况且特征状态的风险损失往往带有某种不确定性。凡此,无疑在一定程度上限制了多粒度决策理论粗糙集的应用。对此进行了研究：提出了覆盖多粒度梯形模糊数决策理论粗糙集模型,分别就平均、乐观和悲观的情形进行了讨论和刻划;得到了覆盖多粒度梯形模糊数决策理论粗糙集与已有相关模型之间的关系;结果和算例表明了模型的广泛性。     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。     

一种基于粒度计算的决策规则提取算法

提出一种基于粒度计算模型的决策规则提取算法。我们用属性取值构成粒度集合取代条件属性,每一步都选择单个粒度。该方法将产生对象的一个覆盖。还描述了粒度搜索策略和对粒度测量的方法,通过规则的可信度和覆盖度对决策规则进行归类优选。最后对粒度计算在规则提取中的应用进行了讨论研究。     

粒计算的α_决策逻辑语言

提出一种用于粒计算的α_决策逻辑语言．该语言是由Tarski意义下的模型和可满足性所描述的一种特殊的经典谓词逻辑．由属性值域的模糊子集代替经典的单值信息函数所得到的广义信息系统对应于模型，借助于模糊集理论的水平截集的概念，归纳地定义对泉在一定阈值水平下满足某公式．最后讨论如何利用α_决策逻辑语言描述不同的粒世界及分析形式概念和决策规则．     

大型决策表分解方法研究

数据的海量性和复杂性是当前决策表数据分析中面临的难题,分解是处理大型决策表复杂特性、提高分析效率和质量的有效手段.讨论了大型决策表分析存在的问题和决策表分解的必要性,提出了评价分解方法的三条标准,重点对几种决策表分解方法进行了分析和比较,指出了其特点与不足,提出了进一步研究的方向.     

基于三支决策理论的条件属性权重构造方法

针对传统决策过程中权重规则确定的主观性和参数数值计算的不确定性问题,在粗糙集和三支决策理论的基础上,对条件属性权重构造方法进行了研究。重新定义了属性确定度和属性约简度,提出了一种属性权重构造方法,通过实例将该方法与其它条件属性权重构造方法进行了分析比较,证明了其有效性。该方法基于数据本身,不需要先验信息,从客观的角度对属性进行判断,决策者通过该方法可以得到更加合理的权重分配,做出符合实际的决策。该论文对研究属性权重分配问题,具有一定的理论价值。     

基于决策的剥离式连续属性离散化算法

针对粗糙集理论只能处理离散数据的局限,提出了基于决策的剥离式连续属性离散化方法,一改传统的候选断点集合的获取方法,直接通过分析连续属性在各决策类的取值范围和计算属性重要度,完成对连续属性的初步离散.此外,本文提出候选断点集的推移原则,可逐步减小候选断点集的范围.由于每次都是针对尚不能明确分类的样本进行细化,因此随着候选断点集的减少和明确分类样本的增加,系统能够迅速收敛,并且离散化后的决策表总是相容的,这与目前很多离散方法不考虑决策相容性相比,能够最大限度地保留系统的有用信息.本文提出的离散化方法是领域独立的,不需要领域知识,可应用于不同领域的连续属性的离散化.     

粗糙集理论中求取最小决策规则的研究

本文探讨了粗糙集理论中最小决策规则的求取方法，提出决策依赖度的定义，尝试从最短的条件属性组合中提取尽可能多的决策规则。只有现有长度的决策规则无法完全覆盖所有样本时，才会考虑增加决策规则的长度。同时提出了3种减少计算复杂性的方案：1）引入跳跃系数λ；2）在计算中只对具有相同决策值的样本进行等价类划分，从而避免了对含有不同决策值的等价类的无用划分；3）设计Remain集合，只针对其中的样本进行等价类的划分，随着Remain中样本数的减少，计算量会大幅下降。此外，本文所提出的基于决策依赖度的跳跃式决策规则求取方法可以直接应用于不完备信息系统，因此具有良好的实用价值。     

决策强度的决策表约简设计与比较

在平均决策强度的基础上,提出了决策强度的代数定义,以弥补基于正区域方法的局限性,并且证明了知识的决策强度随着信息粒度变小而非单调递减的规律,在此基础上设计了基于决策强度的约简方法。应用实例分析的结果表明,基于决策强度的属性重要性是一种更优的启发式信息,该方法计算直观有效,时间复杂度较低,有助于搜索最优或次优约简。最后对UCI离散数据集进行约简比较。     

基于粗糙粒模型的图像纹理识别和检索

传统的纹理识别方法大多是对图像频谱的研究,文中尝试以粒计算理论为基础,利用分层思想对图像的纹理特征进行识别。首先,通过引入粒的边缘和分层熵的概念,建立粗糙粒理论,构造粗糙粒度空间模型。然后,构建基于粒的边缘和分层熵的相似度计算方法,得出一种图像纹理识别方法。该方法不仅提高模型在图像纹理识别上的实用性,而且通过对识别和检索过程的同步进行简化纹理识别的计算过程。最后,仿真实验表明,该模型及所用到的相关方法是可行的,与其它方法相比,该方法识别和检索效果较好。     

可变精度Rough集模型

首先痢要描述了Pawlak的Rough集模型,然后,提出可变精度Rough集模型,在定义Rugh隶属函数概念的基础上,详细论述了可变精度的Rugh集模型和基于决策理论的Rugh集模型。     

多决策表缺失属性补齐算法的研究

不完备数据是造成信息系统不确定的主要原因之一,对数据挖掘、知识发现等造成了困难.已有的大多数不完备数据的填补算法主要考虑单个决策表的情况,有关多决策表缺失属性补齐算法却报道不多.为此,首先定义了多决策表的属性综合重要性;并以此为启发式信息,基于多决策表的内在关联性,依次补齐缺失属性;最后,实验证明该算法是有效可行的.     

基子粒计算的偏序粗集模型研究

本文依据标准粗糙集理论，结合粒计算思想，将基于等价关系的粗糙集模型扩展到偏序关系下，并进一步利用偏序关系的性质构造了不同分类来探讨上、下近似集，构造了基于粒计算的偏序粗集模型。模型在一定程度上扩充了标准粗集理论的应用范围，有利于人们研究生活中具有偏序关系的问题，文章结合信号传播现象阐述了其现实意义。