运用属性论方法加强供应链牛鞭效应防范

提高预测的准确性是缓解供应链牛鞭效应的关键。目前预测的方法往往很难适应订购量历史数据的变动,导致预测结果的偏差。运用属性论方法,就制造商—零售商—客户三级供应链,提出了一个需求信息预测的方法,由此来提高对这种波动性的适应能力,增强预测的准确性,帮助供应链上各节点企业优化决策过程,最终防范了牛鞭效应,并且还提供了此预测方法的算法流程。     

基于 Rough Set理论的商务决策支持系统知识发现的研究

以商务决策作为研究背景,基于Rough Set理论解决商务决策支持系统中信息不确定,数据量大的困难.从Rough Set理论的基本概念出发,给出决策表的知识表达系统,提出计算最小决策规则的算法,最后通过运用Rough Set理论和方法对商务决策支持系统的实例进行属性及属性值的约简,挖掘其中隐含的知识,从而得出最小决策规则.     

基于属性识别理论的塔里木河水质评价与分析

属性识别理论是根据实测资料构造样本空间矩阵,利用评价指标进行样本属性分类和构造样本属性矩阵,用熵理论确定指标权重,然后进行水质评价.根据塔里木河各测站的资料,建立了属性识别模型,评价了塔里木河的水质;结果表明塔里木河枯水期水质较差,丰水期水质良好,平水期水质一般,评价结果符合塔里木河水质的现状.属性识别理论概念清晰,计算简单,评价结果比较客观.     

基于Web Service的多Agent虚拟企业伙伴选择方法研究

虚拟企业是未来企业生产经营和市场竞争的发展模式,在虚拟企业组建过程中,如何选择合作伙伴关系到虚拟企业的成败;该文论述了代表企业Agent的属性及代理间的交互协议,以及选择企业成员过程中使用的效用函数,给出了基于WebService的多Agent的虚拟企业组建模型,并通过应用实例予以验证.     

一种基于粗糙集的朴素贝叶斯分类算法

朴素贝叶斯分类器的计算过程只有在完全数据库中才成立,而基于相似关系的粗糙集模型具有处理空值的功能,并且提供了属性离散化和约简技术,可以改善属性间的依赖关系。因此,将两种不同的软计算方法相结合,利用粗糙集合理论先把决策表补齐,再对数据进行约简,然后结合朴素贝叶斯分类器,得出分类结果。实验证明这种方法不仅简化了数据和模型的规模,也具有对不完全数据的分类能力。     

一种基于属性的对象访问方法

基于对象存储，吸取NAS和SAN的优点。成为下一代网络存储模式．Ext2作为对象存储的文件系统，数据访问至少需两次以上的磁盘操作，由此提出了一种基于属性的对象访问方法．将数据的块地址和长度链接在一起，作为对象的扩展属性，连同数据对象一起存储到磁盘中，无论数据对象大小。磁盘访问次数仅为两次。有效地提高了数据访问效率．     

分布式环境下基于属性证书的RBAC模型

基于角色的访问控制(RBAC)将角色概念引入到访问控制中,极大地方便了用户对资源的访问,同时也减轻了系统保存大量用户信息的压力.在分析RBAC模型的基础上,结合RBAC系统的特点以及SPKI/SDSI证书的优越性,提出了一种分布式环境下的基于属性证书的RBAC模型,定义了属性证书的结构以及描述了用户访问资源的工作流程,对模型的特点进行了总结.分析表明,该模型具有简洁的证书格式、支持匿名访问、单点登录等优点.     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。     

多属性决策的支持向量机方法

为获取和表达决策者的偏好,实现对决策方案的选择,提出了基于支持向量机的多属性决策方法.首先,分析了多属性决策支持向量机方法的原理.其次,提出了基于属性效用函数估计的学习样本构造方法,从决策问题本身抽取学习样本.最后给出了一个算例.     

S-粗集与新材料发现-识别

S-粗集(singular rough sets)具有两类形式:单向S-粗集(one direction S-rough sets)和双向S-粗集(two direction S-rough sets)。S-粗集具有遗传特征、记忆特征。把S-粗集与材料科学进行学科渗透,互补共享,给出新金属材料的发现-识别的讨论,利用属性生成模型给出新金属材料的属性值分析,给出的结果与实际相符。S-粗集是粗集研究的一个新方向,是新材料发现-识别的一个新的数学工具。