序贯三支决策阈值选取策略研究

序贯三支决策模型适用于处理动态、复杂、不确定性的问题,近年来已成为学者们关注的热点.然而,迄今为止,仍缺乏关于序贯三支决策阈值对选取方面的研究.为此,本文对序贯三支决策阈值对的选取提出了一些有效的建议.首先,我们注意到序贯三支决策过程与求最优近似的过程非常相似,而且在许多不同阈值对下,序贯三支决策会产生相同的决策结果;进而结合求最优近似的启发式算法,本文将序贯三支决策中无限多可能的阈值对离散化为有限多个阈值参数区间,并给出了确定区间的方法.这样可以大大减少不必要的运算,提高序贯三支决策的效率.     

一种面向用户需求的序决策信息系统属性约简算法

本文针对不协调序决策信息系统,面向用户需求研究属性约简问题.首先,根据基于近似分类质量不变给出的属性约简的定义,重新定义不协调序决策信息系统的区分矩阵.然后,在此基础上,给出判定条件属性子集为属性约简的充分必要条件.最后,通过将用户需求纳入考虑,提出面向用户需求的序决策信息系统属性约简算法.理论分析与实例验证显示算法可行且有效.     

可拓序贯三支决策模型及应用

将可拓评价基本方法与“三分而治”决策思想融合,引入序贯思想,构建可拓序贯三支决策模型,实现动态决策与挖掘优化指标的目的。首先,对数据进行标准化处理,计算属性的权重;其次,将可拓评价方法作为三支决策的评价准则,定义新的决策规则,阐释划分3个域的合理性;然后,根据属性权重得到多个粒度的序贯评价属性,进行多阶段三支决策,给出决策结果;最后,根据决策结果对引起样本划分变化的指标进行分析,并提出优化建议。将模型应用于水资源承载力分析领域,与熵权物元可拓决策模型进行对比。结果表明,运用可拓序贯三支决策模型与熵权物元可拓决策模型所得的评价结果基本一致,准确率达84.55%,验证了模型的有效性和实用性。     

具有多尺度决策的信息系统的最优全局剪枝选择

作为人工智能领域的一个重要方向，粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题，利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念，每个属性和决策都有一个粒度树，每个粒度树都有许多不同的局部剪枝，代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝，从而产生一个混合尺度决策表.其次，给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究，还设计了一个算法来验证该方法的有效性.     

多标记序决策系统中基于局部最优粒度的规则获取

多粒度是当前粒计算研究的一个重要方面.在实践中,人们往往选择比较合适的粒度层次来解决问题.作为信息系统的一种特殊情况,多粒度决策系统是经常使用数据表示形式.在这样的系统中,对象可以在属性的不同粒度层次上取不同的观测值.实际使用时,常常遇到在数据属性上需要比较大小,即属性带有序关系.序关系分析是多指标决策的重要内容,而粗糙集是一种处理序关系有效方法.围绕多标记序决策系统的知识获取问题来开展研究,首先,介绍了多标记序决策系统的概念;然后,在协调的多标记序决策系统中定义了最优粒度和局部最优粒度,并介绍了基于局部最优粒度的属性约简和规则获取方法;最后,在不协调的多标记序决策系统中引入了广义决策,定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则获取方法.     

序贯三支决策的代价敏感分类方法

序贯三支决策体现了信息粒化和代价敏感学习的优势,其中信息粒化是人类认知和决策执行的基础,代价则是信息处理涉及的重要因素.提出针对代价敏感学习的序贯三支决策模型.首先,对信息粒化和决策代价之间的关系进行了定义和描述;然后,从序决策过程的视角,利用不同粒度层次的代价矩阵构建了代价函数;最后,为平衡决策结果代价和决策过程代价,提出了两个优化问题,并从理论上阐述了其意义,从实验结果分析上验证了算法的有效性,体现了序贯三支决策在代价敏感分类问题上的优势.     

三支决策贝叶斯网络分类器

传统二支决策分类器在处理不精确或置信度不高的对象时往往具有较高的错分率,而三支决策由于引入延迟决策,使其具有较低的误分率.基于单评价函数的三支决策分类器通过判断对象的条件概率值和决策阈值之间的大小关系将对象划分到相应的区域中.决策阈值可以由三支决策粗糙集模型计算得出,而条件概率值则由分类器提供.提出一种三支决策贝叶斯网络分类器,考虑属性之间的关联性,从而将条件概率求解和阈值求解融合在一起,实验表明三支决策贝叶斯网络分类器具有更高的分类精度.     

基于三支决策的二阶段分类模型研究

当对三支决策边界域进一步划分时,边界域知识存在划分信息不足,从而导致分类精度不高,针对上述问题提出一种新的基于三支决策的二阶段分类模型(TWD-TP).第一阶段根据贝叶斯规则构建三支决策中样本的条件概率,通过求解最优化损失函数得到所需阈值,然后按照三支决策规则对数据集进行划分.三支决策是基于最小风险贝叶斯决策理论的划分,在其正域、负域中包含一定的误分类样本;在第二阶段通过类标签索引分别将正域、负域中误分样本作为增量信息引入延迟决策域,形成重构边界域,最后对重构边界域进行划分.实验结果表明:所提出的TWD-TP模型不仅能在三支决策划分中筛选出高误分类特征的样本,同时其重构边界域中不能被划分的样本得到正确划分,分类精度进一步提高.     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

基于不确定性的跳阶序贯三支决策模型

序贯三支决策模型作为一种能够有效处理不确定性信息的数据挖掘方法，采用了渐进的思维进行决策。然而，边界域可能存在部分不确定性较大的等价类，即便添加属性也无法准确划分，导致决策的分类精度降低，同时延迟代价较高。因此，通过条件概率来刻画等价类的不确定性，基于阴影集理论筛选不确定性较大的等价类，并对其采取跳阶延迟处理的方法，提出了基于不确定性的跳阶序贯三支决策模型。实验结果表明，所提模型与经典序贯三支决策模型相比，在分类性能上具有更好的有效性。     

基于三支决策的广义代价敏感近似属性约简

在粗糙集领域,属性约简的首要任务是在保持原有数据相关特性的前提下,获取一个最小的属性子集。代价敏感学习的目标旨在最小化各类代价。而近似属性约简的意义在于让决策者能够权衡代价承受能力和知识发现的程度。本文在定性和定量的标准下提出了代价敏感近似属性约简的问题;定性标准指不可分辨能力,定量标准指近似参数ε和代价。基于三支决策和可分辨矩阵,提出了解决代价敏感近似属性约简问题的框架:首先,定义了属性子集的质量函数,该函数解释了多粒度结构;其次,通过考察属性重要度,提出了"性价比"指标的适应函数;进而利用提出的适应函数和三支决策中的(α,β)阈值对三分属性集合;最后,设计了删除策略和添加策略的代价敏感属性约简算法。从实验结果分析上验证了算法的有效性,体现了提出的问题和理论框架具有更广义的解释和适应性。     

势关系下最优赋权的农产品PPI综合评价模型

基于优势关系的序信息系统,将粗集属性代数观(属性对论域中确定分类子集的影响)和粒度观(属性对于论域中不确定分类子集的影响)有机集成,计算优势关系下一种新的粗集属性重要度,构造最优权重.将该方法应用于农产品生产价格指数综合评价,结果表明该方法可行,且评价结果既符合客观实际又反映主观要求.     

三支决策——基于管理研究视角

从三支决策管理视角出发,介绍了三支决策的哲学与管理思想;分析了三支决策TAO模型的3个重要问题;讨论了效用三支决策和行为三支决策模型;探讨了动态决策环境下的序贯三支决策模型与方法。最后,给出了基于管理视角下三支决策未来的发展方向。     

一种序决策信息系统中的快速属性约简算法

为了提高无核或少核序决策信息系统中现有属性约简算法的执行效率,本文以知识粒度表征的属性重要度为启发信息并结合前向属性约简方法提出了一种新的属性约简算法。首先,介绍优势粗糙集方法的相关基础知识,并将经典粗糙集中基于知识粒度的属性约简算法引入优势粗糙集方法中,得到可处理序决策信息系统的属性约简算法;然后,通过分析序决策信息系统中知识粒在属性数目变化条件下的粗化与细化过程,得出相对冗余属性的判断定理,由此结合前向属性约简方法设计了快速属性约简算法;最后分析比较了2种算法的时间复杂度并选取了6个不同的UCI数据集进行算法性能的测试,测试结果表明,本文提出的算法比现有的属性约简算法高效。     

协调的决策多尺度不完备信息系统的最优尺度选择

粒计算模拟人类思考模式,它以粒为基本计算单位,以建立大规模复杂数据和信息处理的有效计算模型为目标,是知识表示和数据挖掘的一个重要方法.针对决策属性具有多尺度的不完备数据集的知识获取问题,首先,提出了决策属性具有多尺度的广义不完备多尺度信息系统的最优尺度选择的概念,阐明了尺度选择全体构成了一个完备格;其次,给出了在不同尺度选择下信息粒的表示及其相互关系;最后,讨论了协调的决策多尺度不完备信息系统的最优尺度选择问题,并用示例解释最优尺度选择的计算.     

多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.     

基于马尔科夫模型的期望效用序贯三支决策方法

投资决策过程中的收益和风险充满不确定性,需要通过评价投资决策过程中的效用来判断投资者是否应该投资以及如何投资。序贯三支决策可以有效模拟投资者的动态投资行为过程,为投资者做出最优的动态投资决策。文中通过马尔科夫预测方法来模拟预测投资收益与风险,引入期望效用理论模拟投资者对不同投资行为的偏好并建模,提出了一种序贯三支决策模型。将投资决策过程分为3个部分,其中,确定进行投资为正域决策,确定不进行投资为负域决策,不确定是否投资需要收集更多信息为边界域决策。最后,通过实验证明了模型的有效性。     

含属性加权模糊序决策信息系统的近似约简

为保证关键属性在属性约简时能够被保留,可对信息系统的属性进行加权,从而提高关键属性的影响力.基于此,在属性加权的模糊序决策信息系统中建立了上、下近似约简的模型,得到两种约简的判定定理,并且给出求解上、下近似约简的辨识矩阵以及约简方法 .最后,通过实例验证了该约简方法的有效性.     

基于改进的区间损失函数聚合法的三支决策

在合理粒度原则下,针对基于混合信息表的模糊信息系统提出一种新的三支决策规则.首先,给出一个由模糊信息表和损失函数组成的混合信息表,并将每个对象的损失函数表示为一个区间.其次,将相似类的区间损失函数定义为相似类中所有对象的区间损失函数的聚合,进而提出一种基于合理粒度原则的新的聚合方法,使聚合后的区间损失函数的长度适中,在此基础上还提出一种新的三支决策规则.最后,通过案例说明了该方法的有效性.     

基于风险最小化的多粒度三支决策模型

为减小传统的二支决策中直接接受或拒绝决策带来的决策风险,分析问题决策的多粒度空间,研究了基于风险最小化的多粒度三支决策模型.在三支决策风险代价分析基础上,为寻求最优的粒度空间,结合不同属性特征在粒度空间中具有不同决策权重的特点,以粒化重要度和粒化决策权重为启发式信息,从多个不同的粒度层次出发,寻求风险最小的决策行动.最后针对不承诺选项中一些急需决策的现实问题,给出了基于风险控制的二支决策转化方法,并进行了具体的实例应用.