一种局部属性加权朴素贝叶斯分类算法

朴素贝叶斯模型具有的简单性和有效性,使其在诸多问题领域表现出优良的性能,但其属性条件独立性假设在实际应用中难以成立.而属性加权是降低属性条件独立性假设对分类器性能影响的主要途径.传统建立在整个数据集上的单一全局模型忽略了每个测试实例所具有的特点,同时从整个训练集上学习到的属性权重并不能准确反映每个属性对待分类实例的影响.为此提出一种基于数据驱动的懒惰式局部属性加权方法,它在每个测试实例的近邻集合上学习属性权重,并通过最优化方法建立相应的局部属性加权朴素贝叶斯模型.实验结果表明:和当前常见的准朴素贝叶斯模型相比,本文模型具有较高的分类准确率.     

基于信息熵和偏差的加权概念格内涵权值获取

为有效反映数据本身隐含的客观信息,快速提取用户需求的具有一定偏差程度的重要知识,提出了一种基于信息熵和偏差分析的加权概念格的内涵权值获取方法.在缺乏先验知识时,由数据集中属性特征的信息熵来刻画加权概念格的单属性内涵权值,采用均值计算多属性内涵权值,并用标准差计算多属性内涵重要性偏差值;由用户设立加权概念格内涵的重要性阈值和内涵重要性偏差阈值,构造出一种强加权概念格.通过实例描述了该方法可有效指导正确决策,进一步拓广了概念格的理论与应用.     

基于属性坐标的变权加权和模型

讨论了在加权和方法中引入变权的必要性和合理性.以决策变量之和作为变权向量的自变量,利用属性坐标学习获得变权向量,建立了一种基于属性坐标学习和分析的变权的加权和决策模型,并给出了应用的例子.     

基于属性约简的加权朴素贝叶斯分类算法

朴素贝叶斯在处理分类问题上简单高效,通常它假设属性间是条件独立的,且各属性变量对类变量的影响程度是相同的,但在实际应用中这些都难以被满足,从而使得其分类性能降低.因此,提出基于属性约简的加权朴素贝叶斯分类算法,该算法首先根据各属性不同取值的分类能力及属性间的对称不确定性大小,去除了无关属性和冗余属性,使得筛选后的属性之间具有较低的关联度和较强的分类能力;然后再结合属性与类变量及属性间的相关性对各属性进行加权;最后对待判样本进行分类.经实验结果表明,该算法有效地提升了朴素贝叶斯的分类性能.     

基于区间粗糙数加权期望多属性决策方法

本文补充了区间粗糙数的一些运算法则及集成算子。首次给出了区间粗糙数加权期望值的定义,研究了该定义所具有的一些良好性质。随后给出基于区间粗糙数加权期望值的多属性决策方法,针对属性值为区间粗糙数的多属性决策问题,在已知权重信息的基础上按区间粗糙数集成算子进行集结,计算出各方案的加权期望效用值,并进行排序择优。最后,把决策方法应用到实际问题中,说明该方法的可行性和有效性。     

基于局部曲面加权的曲面插值方法

本文简要介绍了一种新的基于局部曲面加权的曲面插值方法，该方法利用局部数据点，建立和使用骨架法，生成的Voronoi图提取骨架线，形成多个局部数据的二次曲面，再以这些二次曲面来进行加权插值。经过实际应用，比以往曲面插值的方法，速度快．精度高、效果比较满意。     

区间直觉梯形模糊几何Bonferroni平均算子及其应用

研究了决策信息为区间直觉梯形模糊数且属性间存在相互关联的多属性群决策问题,提出一种基于区间直觉梯形模糊几何加权Bonferroni平均算子的决策方法.基于区间梯形直觉模糊数的运算法则和几何Bonferroni平均算子,定义了区间直觉梯形模糊几何Bonferroni平均算子及其加权算子.给出了这些算子的一些性质,建立基于区间直觉梯形模糊几何加权Bonferroni平均算子的多属性群决策模型.最后,将该方法应用在供应商选择的群决策问题中,结果表明了该方法的有效性与可行性.     

改进的加权调和平均算子及其在多属性决策中应用

在加权调和平均（WHA）算子的基础上,提出了信息数据集结的有序加权调和平均（OWHA）算子和组合加权调和平均（CWHA）算子,探讨了它们的一些性质关系,给出了OWHA算子和CWHA算子应用于多属性决策的方法,最后通过实例分析表明该决策方法是有效和可行的.     

一种基于组合赋权的区间多属性决策方法

在区间多属性决策问题中为了更合理、全面地确定属性权重，提出了一种主观赋权法和客观赋权法相结合的组合赋权法，给出了相应的最优化数学模型，并利用简单加权法对方案进行优劣排序．最后给出一个算例加以说明、     

一种基于组合赋权的区间多属性决策方法

在区间多属性决策问题中为了更合理、全面地确定属性权重，提出了一种主观赋权法和客观赋权法相结合的组合赋权法，给出了相应的最优化数学模型，并利用简单加权法对方案进行优劣排序．最后给出一个算例加以说明、     

基于属性加权朴素贝叶斯的冠心病辨证模型

在原有中医药冠心病临床治疗数据采集系统的基础上,使用中医证型的辨证相关因素,提出属性加权朴素贝叶斯算法,并应用到冠心病中医证型的分类模型之中.实验结果显示,对于冠心病4种证型的分类,运用属性加权朴素贝叶斯分类算法都略高于朴素贝叶斯分类算法.实验结果表明属性加权朴素贝叶斯分类算法在中医冠心病临床诊断中具有良好的分类性能.     

基于CMAR算法的水平加权多分类关联规则挖掘

关联分类是数据挖掘中一种新的分类方法,它将关联规则挖掘和分类进行了算法集成.但在实际应用中,用户会比较倾向于自己最感兴趣或认为最重要的那部分属性,因此有必要加强这些属性对规则的影响,同时减弱另一些用户兴趣不大或认为不重要的属性对规则的影响.为此,本文提出了水平加权关联规则的问题,并结合CMAR算法,加以改进给出了关于该问题的解决方案及有效算法New_CMAR,实验表明,修改后的New_CMAR算法正确并符合实际,有实用价值.     

一种组合加权几何平均算子及其应用

提出了一种集结数据信息的组合加权几何平均（CWGA）算子，证明了加权几何平均（WGA）算子以及有序加权几何平均（OWGA）算子均为CWGA算子的特例，CWGA算子的根本特点是：不仅考虑每个数据的自身重要性程度，而且还体现了每个数据所在位置的重要性程度，最后，提出了一种基于WGA及CWGA算子的多属性群决策方法，并通过实例对该决策方法的合理性和有效性进行了说明。     

基于梯形模糊数的多维偏好群决策模型

在假设属性指标都是梯形模糊数的状态下，针对模糊多属性群体决策问题，对原多维偏好分析线性规划法进行改进，利用模糊理想解法和广义加权距离，定义群一致度和群不一致度，建立了基于梯形模糊数的多属性多维偏好群体决策模型。最后给出一个模型应用及求解计算的实际例子，算例结果证明了模型的合理性和有效性。     

不确定语言广义加权Heronian平均算子及决策应用

在实际多属性决策问题中,属性间有时会存在一定的关联关系,且属性值有时以不确定语言的形式给出.为解决不确定语言环境下属性间存在关联关系的多属性决策问题,首先给出不确定语言广义加权Heronian平均(uncertain linguistic generalized weighted Heronian mean, ULGWHM)算子,并研究该算子的性质,包括幂等性、有界性、单调性、置换性及极限性质,然后给出了基于该算子的多属性决策方法,最后通过实例说明了基于ULGWHM算子的多属性决策方法的可行性.     

加权序数偏好下多属性群决策的TOPSIS法

对考虑每个属性下各决策者权重的决策问题,提出序数偏好下的群体理想解概念,用TOPSIS法求解.先对决策者加权,用TOPSIS法将每个属性下各备选方案的个体偏好序集结为群体排序;再对属性加权,用TOPSIS法将每个属性下的群体排序综合为备选方案的最终排序结果.以供应商选择算例说明方法的可用性,与现有方法的求解结果比较表明了方法的合理性;该方法将TOPSIS法扩展到处理具有序数偏好的多属性群决策问题,避免了逆序的产生.     

逐差加权法在水源判别中的应用

根据各含水层的水样化学资料,针对应用模糊综合评判方法解决水源判别常用的"超标加权法"和"偏标加权法"确定评判因素权重系数方面存在的不足,提出了更加适合于水源判别的权重系数确定方法——"逐差加权法",建立矿井突水水源判别模型,并通过与这两种方法对比,效果较好。     

一种基于多属性的空间例外挖掘改进算法

空间例外是指与其邻域内其它数据表现不一致或者是偏离观测值以至使人们认为是由不同体制产生的观测点.传统的例外挖掘是根据一个非空间属性值进行例外判断,这种方法容易引起判断失误.在对多个属性进行考虑的基础上,提出了一种基于多属性的空间例外挖掘算法,并与属性加权算法在正确性和有效性方面进行了比较分析.实验证明算法可以有效地发现例外数据.     

一种带权重的Vague集模糊多属性决策方法

目的研究基于Vague集的多属性决策问题。方法通过定义新的函数形式得到决策方法。结果在分析带权重模糊多属性决策"记分函数法"和"精确函数法"存在问题的基础上,提出处理含有权重的模糊多属性决策的新方法——"加权算法"。结论加权模糊的属性决策的"加权算法"相对带权重多属性决策的"记分函数法"和"精确函数法"更具优越性和实用性。     

一类基于多特征的模糊加权人脸识别算法

为提高正确识别率,将Eigenfaces、EigenUpper、EigenTzone和二阶特征脸法四种方法的初步识别结果先模糊化,然后采用模糊综合函数加权组合后获取新的距离函数以得出最终的识别结果.通过针对ORL数据库的实验表明,应用多特征模糊加权算法进行人脸识别是行之有效的.