Rough集中属性分类贡献能力综合测度研究

针对Rough集中刻画属性分类能力的测度正区域等仅能反映属性可辨识对象集大小,不能反映属性对样本的划分状况影响分类的其它因素的问题,提出了Rough集中度量属性分类贡献能力的综合测度———属性分类粗糙度,对其特性进行了分析,给出了用该测度以及信息增益等分别作为决策树算法选择属性的启发式对UCI几个数据集的挖掘结果.理论分析和实验表明,属性分类粗糙度更全面地刻画了属性对分类的综合贡献能力,且具有计算更为简单等特点.     

云南地区月降雨量时序数据的非线性特性研究

应用复杂系统理论和方法研究了云南地区月降雨量时序数据的非线性特性.应用Cao方法排除了月降雨量序列为随机序列的可能性;应用替代数据方法中的两种不同的检验统计量对降雨时序数据进行了非线性检验;并结合月降雨量时序数据的功率谱分析,按照降雨时序数据的内在复杂规律研究了其演化特性,实证结果一致表明云南地区月降雨量时间序列具有明显的非线性混沌特性.研究结果为进一步研究月降雨量时序数据的复杂性及其演化规律奠定了基础.     

基于时序模糊软集的群决策方法

研究了时序模糊软集环境下的群决策问题.针对实际问题中模糊软集信息随时间动态变化的情形,定义了时序模糊软集等概念,并讨论了其相关运算及性质. 考虑不同时刻模糊软集信息对最终决策的不同影响,分别从连续和离散时间建立基于指数衰减模型的权重确定公式. 然后,利用集成思想定义模糊软集间的运算并给出了算术加权平均算子的计算公式,将时序模糊软集集成为综合模糊软集. 利用水平软集等工具计算各对象的机会值,得出最优决策. 最后,给出了基于时序模糊软集的群决策途径并通过实例验证了决策方法合理、可行.     

基于已实现波动率的上证综指异常时序检测

时间序列模式识别、异常检测在金融领域有着广泛应用,能够为金融决策提供重要参考信息.在大数据场景下的异常检测中,为满足对计算效率、存储空间的要求,通常对时序数据利用近似表示进行降维.但在高频金融领域,已有的近似方法会丢失大量波动信息,而微观结构噪声、市场波动信息对高频金融分析至关重要.因此,本文在传统方法基础上,结合基于变点检测的时序近似表示和已实现波动率,通过聚类识别表现异常的时间序列.基于上证综指数据的实证分析表明,引入已实现波动率能够进一步优化聚类质量,准确识别波动异常的时间序列,为实际金融分析提供有价值的决策支持.     

移动情境感知环境下的用户行为模式挖掘算法研究

针对当前个性化精准营销推荐策略研究中用户情境多样性和动态性等问题的挑战,提出了一种移动情境感知环境下的用户行为模式挖掘算法.该方法采用一种嵌套键值模型,对多源异构的移动情境感知信息进行有效融合和存储,构建了基于规则的多维序列模式挖掘算法MSP及其改进算法UTDMSP,能够从用户移动情境感知信息和交互行为中发现全局频繁和局部频繁的用户行为模式,识别用户长期保持的行为习惯和兴趣偏好,以及近期习惯和偏好的变化新趋势.在真实数据集上验证了本文所提出模型和算法的有效性.     

天基预警调度的启发式优化方法

天基预警过程可以看作一种多维离散时间序列监控与预测问题,其调度的决策要素、优化目标和约束条件较多,故往往采用智能优化算法求解该非线性优化问题.而它们在指定时间内却是概率性收敛到Pareto解集.对此,提出基于贝叶斯方法提供多类别决策树挖掘调度中的启发信息,以及引入局部搜索算子等方法提高智能优化算法的快速性和鲁棒性.预警仿真实验表明融入上述方法的免疫克隆选择算法收敛性能提高了10.1%,遗传算法提高了9.8%.     

时序趋优偏好下的TOWA算子及其应用

由于传统的时序加权平均(TOWA)算子在对动态评价信息进行集结时忽略了不同时刻系统发展程度不同所带来的影响,因此对其进行了拓展与完善。首先运用改进后的灰色关联分析法求得被评价对象在各个时刻的静态综合评价值差分序列与最优时序数据差分序列的几何相似度,以测算系统发展的时序趋优程度;然后将偏好时序趋优数据的管理思想融合在时间权向量的确定方法中,根据时序趋优度的分布密度得到"趋优度"时间权向量和融合"时间度"和"趋优度"时间权向量的确定方法;最后分别运用两种偏好下的TOWA算子进行动态综合评价并与原有方法进行结果的对比分析,验证其有效性和可行性。     

基于混沌时间序列的误差纠错预测模型

提出了一种新型的非常实用的非线性时间序列的预测模型,即误差纠错预测模型(EAM),并从概率统计的角度严格证明了该方法的可靠性,同时分析了受噪声扰动的时间序列的预测.先按一般方法确定嵌入维数与时间步长,在每个当前时刻,先用局域线性回归方法得到预测点的预测值,根据信息在非线性演化中产生的失真误差大小予以修正得到修正值,并以该点为新的基点作进一步预测.该方法具备了滑动窗口二次自回归模型(MWDAR)的适用于小数据集且对大数据集具有高效率的优点,而且克服了MWDAR方法中一次项和二次项阶数及滑动窗口长度等参数难以确定,从而会导致预测恶化,使得应用受到限制的缺点.分别用Logistic方程产生的小数据集和大数据集的混沌时间序列数据作了预测,结果良好.     

基于Memetic算法和关联学习的社会网络聚类分析

针对社会网络系统中的社会属性知识没有被充分挖掘,网络结构优化算法学习能力弱的问题,提出了一种Memetic关联学习算法(MRLA)。研究了新算法的基本原理和各个算子,实现了社会属性信息的有效利用。新算法充分结合基于Memetic计算的准确性和基于社会关联学习的快速性,以3个真实社会网络数据集作为测试集,实验结果表明MRLA算法能够有效实现社会网络的聚类分析。     

基于预约反馈机制的外集卡调度优化

为了缓解集装箱码头集卡排队拥堵状况,针对传统预约机制仅规定集卡抵港数量上限和长间隔预约时段等静态信息的不足,本文综合考虑集卡抵港时序和堆场堆垛作业信息匹配关系,建立了基于抵港时序的动态预约反馈机制,以外集卡进口箱提取过程与堆场翻箱为匹配对象,以外集卡平均周转时间最小为目标,构建了外集卡抵港时序的优化模型,并设计了遗传算法求解模型。模型结果表明,预约反馈机制下外集卡最佳抵港时序显著减少了集卡在码头的平均周转时间,减少了16.74%。为优化外集卡调度、缓解集卡拥堵、提高集卡作业效率提供理论支持。     

粗集在数据开采中的应用

从数据库或数据仓库开采有用的知识，是辅助决策的有效手段，粗集作为一种新的软计算方法，是处理不确定、不完全数据的有效方法，它可以克服其他软计算方法的不足，并且和它们具有较强的亲和力，所以粗集理论得到了广泛的应用，尤其是数据开采领域巳成为研究的热点，论文就粗集在数据开采中的几个重要问题进行论述，包括决策表的约简、不完全决策表的处理，连续值的离散化、基于粗集数据开采的递增算法以及粗集与其他软计算方法的集成等几个前沿问题，同时指出了问题之所在，提出粗集进一步可能的发展方向。     

基于Rough集的空间属性数据挖掘的研究与实践

介绍了地理信息系统（GIS）的概念，深入研究了空间数据库的特性，探讨了Rough集理论，分析了Rough集合和空间数据的关系，讨论了差别矩阵的概念和算法，应用信息熵和模糊数学模型，给出了空间数据库属性数据的数据约减和数据挖掘算法，最后分析了一个应用事例，从而验证了算法的可行性。     

粗糙集方法在作战仿真数据挖掘中的应用

粗糙集是数据挖掘的一种工具,目前已被成功地应用于数据挖掘、决策分析、过程控制、模式识别与机器学习等领域。在作战仿真系统中,产生了大量的数据,用粗糙集方法对作战仿真结果数据进行挖掘,可以得出一些有参考价值的规则,可证明粗糙集技术在军用仿真系统中有着广阔的应用前景。     

Method to determine α in rough set model based on connection degree

An improvement of tolerance relation is proposed in regard to rough set model based on connection degree by which reflexivity of relation can be assured without loss of information. Then, a method to determine optimal identity degree based on relative positive region is proposed so that the identity degree can be computed in an objective method without any preliminary or additional information about data, which is consistent with the notion of objectivity in rough set theory and data mining theory. Subsequently, an algorithm is proposed, and in two examples, the global optimum identity degree is found out. Finally, in regard to optimum connection degree, the method of rules extraction for connection degree rough set model baaed on generalization function is presented by which the rules extracted from a decision table are enumerated.     

时序数据跨域关联可视分析

时序数据是数据挖掘的一类重要研究对象,当前的时序数据可视分析技术很少进行跨域关联,用户无法在统一视图中同时关注时空域的统计时序数据与认知域的文本主题数据的发展演化.抽象出用户基于跨域时序数据的可视分析过程,提出一种可视分析流程模型;以该模型为指导,设计了多视图协同的跨域关联可视分析工具.通过疫情时序数据和舆情文本数据的...     

不完全信息下的粗集拓展

在复杂的决策环境下，不完全信息是不可避免的，在此情况一，专家往往也能给出满意的决策，因此从不完全的案例中提取有用的模式，用于增强智能系统的知识库，是具有实际意义的，粗集是处理不确定信息的有效方法，但它通常适用于完全决策者，论文对粗集理论在不完全信息下进行了初步的拓展，这给从不完全决策表中挖掘知识提供了理论基础。     

基于MapReduce的分布式改进随机森林学生就业数据分类模型研究

教育数据挖掘(educational data mining)是当代教育信息化发展的前沿研究领域,正在吸引越来越多教育学家和数据科学家的关注."大数据"时代背景下,随着数据处理规模的不断激增,现有的数据挖掘模型在单一处理节点的计算能力遭遇瓶颈,各类面向大数据处理的分布式计算框架应运而生.借助这些框架,面向解决高校就业数据挖掘问题的机器学习模型便可以满足未来大规模数据处理的需求,在未来数据集体量庞大的信息集成系统中为数据挖掘和决策支持提供帮助.以此为背景,本研究对比现有数据模型对研究目标对象的分类性能,提出了以引入输入特征加权系数来计算特征的信息增益作为特征最优分裂评判指标的改进随机森林模型来提升数据分类性能,通过仿真测试改进模型对于现有模型分类性能的提升情况,与此同时为解决大数据时代背景下面向海量数据分类任务的单节点性能瓶颈问题,提出了基于分布式改进随机森林算法的大规模学生就业数据分类预测模型.通过使用MapReduce分布式计算框架实现已训练模型在本地磁盘与分布式文件系统之间的序列化写入与反序列化加载过程,进而实现了基于改进随机森林模型的大规模数据分类模型的分布式扩展.     

基于粒度矩阵的程度多粒度粗糙集粒度约简

多粒度是粗糙集理论中的一种有效的数据处理方法,粒度约简是获取信息系统简洁规则的前提。研究了程度乐(悲)观多粒度粗糙集粒度约简理论,改进了程度粗糙集的下近似定义,提出了程度多粒度粗糙集的粒度矩阵。基于粒度矩阵,研究了程度多粒度粗糙集下近似计算理论和粒度的必要性,提出程度乐观多粒度粗糙集核粒度的定义。针对程度乐(悲)观多粒度粗糙集,提出基于粒度矩阵的粒度约简方法。最后利用实例分析验证了所提粒度约简方法的正确性。     

一类基于不定性复杂系统的粗糙GMDH模型及实证分析

将粗糙集的概念引入到GMDH(GroupMethodofDataHandling)数据挖掘中,将前馈网络中各层各模型的系数估计,转化为不定性规划和线性规划,构建了建模研究的粗糙GMDH方法,从而在一定程度上增强了复杂系统模型的分析和预测能力.借助于决策者的主观经验对信息的补充、完善及整合,甚而对样本容量的要求可降低到仅为1的水平,拓宽了不定性复杂系统的小样本建模能力.同时,考虑到复杂系统本身对人机交互的自然要求和决策者主观经验和偏好的挖掘问题,在粗糙GMDH中引入了实验方法,设计出探索复杂系统研究的RGMDH(RoughtGroupMehtodofDataHandling)人机交互挖掘系统,由系统的运行为决策者在模型精度、信息冗余、信息缺失风险三重抉择中提供更完整的信息,从而解决决策者信息偏好非结构化而导致的三重抉择难以做出的问题.最后,本文对动态环境中高技术公司核心能力与经济绩效关系进行了探讨,作为粗糙GMDH模型的算法例释.     

一种基于粗糙集聚类的数据约简算法

针对企业资源优化问题，首先采用了聚类分析的方法对原始数据进行约简，并且去除可疑信息，从而使得数据具有一致性，然后应用粗糙集理论将数据进行定性化分析和约简。通过系统聚类和粗糙集两种方法进行数据约简，使数据得到横向和纵向两个方向上的约简。算法应用于企业资源配置优化处理，取得了良好的效益。