决策演化集的垂直膜结构

决策演化集的纵向演化是在决策演化集的基础上处理决策规则在不同粒度空间上演化问题的理论.决策演化集的纵向演化并不拘泥于静态的决策规则,而是把着眼点放在决策规则的在不同粒度空间的动态变化上.在决策演化集的纵向演化中提出了隐藏属性、丢失属性、纵向演化矩阵、演化偏移角和纵向演化轨迹等概念,但在目前的决策演化集的纵向演化的理论体系中很难将决策信息系统的纵向演化轨迹以及其他的演化特性具象化出来.提出使用膜结构来重新描述决策演化集的纵向演化,建立了决策演化集的垂直膜结构理论框架,从而解决了决策信息系统的纵向演化轨迹、隐藏属性、丢失属性、演化偏移角等的具象化问题,将之前不能画出的演化轨迹及演化偏移角、隐藏属性、丢失属性等演化特性展示出来,使得对决策规则的纵向演化的研究更为直观,并通过实例演示了决策信息系统的纵向演化过程和轨迹.     

决策演化集的卷积预测

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,它将着眼点从静态的决策信息系统转移到动态的时间序列上,研究决策信息系统随时间变化时的演化规律,是一种新的决策规则研究方法 .在决策演化集理论体系下预测规则伴随实际规则产生,因此预测规则必然对实际规则产生影响.为了解释预测规则和实体规则之间的相互关系,引入卷积方法,在时间序列上构建预测规则和实际规则的演化混合矩阵,并利用该矩阵对决策信息系统进行预测分析.     

决策演化集的伯努利移位

决策演化集是一种新的用来解决决策规则在时间序列上变化问题的方法。决策演化矩阵是其中一个重要概念。通过决策演化矩阵可以直观了解到各个条件属性在单个时间点以及连续时间序列上的表现。但目前的体系中虽然对决策演化矩阵进行了定义,但还缺乏数值量化,文章引入伯努利移位来对决策演化矩阵进行数值量化,并通过实例演示这些量化后的数值在预测中所起的作用。     

基于粗糙集理论的股市预测研究

提出一种基于粗糙集理论的股市预测方法.首先选择"收盘价"、"成交量"、"日均线"等指标作为条件属性与决策属性;而后采用RS理论,选择不同的条件属性子集进行约简和属性重要度排序,并由此提取出股市的预测规则.结果表明,该方法不需要任何前提假设,而且可以根据不同的参考指标,形成不同的预测规则集.     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

基于粒计算的信息系统规则提取方法

根据关系的粒矩阵表示和矩阵运算简便直观的特点,计算条件属性集的粒关系包含度矩阵,并在该矩阵中获得满足给定阈值的决策规则集合;在保持该集合中元素个数不变的前提下对决策信息系统进行属性约简,并在约简的属性集上提取具有更高泛化能力的决策规则.理论证明和实例分析检验了该方法的可行性和有效性.     

决策演化集中预测规则与实际规则的博弈

在决策演化集理论体系下,预测规则是伴随实际规则而产生的,因此预测规则必然会对实际规则产生影响,但目前对于两者相互作用的机制仍不清楚。本文引入博弈论方法,构建预测规则和实际规则的博弈矩阵,通过计算它们的收益,分析它们对决策信息系统所带来的影响。     

一种基于在线修正时间序列预测方法的UCAV粗决策模型

针对机载传感器不能在作战时限内获取目标参数从而造成属性匹配过程失败的情况,提出了一种基于在线修正时间序列预测方法的UCAV粗决策模型.通过对以往时刻传感器数据的时间序列分析,建立最优自回归移动平均模型,根据延迟获取的数据,运用在线修正预测方法,完成对未来时刻传感器数据的预测及预测值的修正,作为粗糙集决策属性匹配的输入完成决策过程.通过对UCAV目标威胁估计实例的分析可知,该模型能在决策数据的基础上,根据时间序列预测值,提取出所有条件下的决策规则,给出有效决策建议.     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

混沌时间序列的局部线性预测改进

在对混沌时间序列经典局部线性预测的基础上,考虑邻近点变化趋势与预测点变化趋势一致性对预测结果的影响,加入邻近点前一点到邻近点的轨迹与预测点前一点到预测点的轨迹的夹角这一参数来进行预测,提高对混沌时间序列的预测精度.     

决策细化的粗糙集理论分析

对基于粗糙集的决策系统,从理论上分析了决策数据细化的程度对规则近似质量、近似分类精度、核属性和信息熵的影响.证明了决策属性的属性值划分越细,则其规则近似质量、近似分类精度和信息熵就越小,并且决策表中决策属性值细化后所得到的核属性集一定包含细化前的核属性集.因此,在对决策属性离散化时,决策数据细化的程度要适宜.研究结果对研究决策表属性的约简、决策规则的形成和有效性等问题具有实际意义.     

基于Rough集的车牌字符识别方法

提出了基于Rough集理论的车牌字符识别方法。该方法根据训练样本的特征向量建立决策表,应用Rough集理论对决策表属性进行约简,从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效减少了决策属性的个数,提高了规则的泛化程度,简化了规则匹配算法,在车牌字符识别中取得了较好的识别效果。     

一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

粗集理论的属性约简在石化营销信息处理与决策中的应用

属性约简是粗集理论的一个重要问题,而基于区分矩阵的属性约简是其主要算法之一,在最近几年被广泛研究。本文将粗集理论引入到石化营销决策中,通过基于区分矩阵的属性约简,生成营销决策规则,为拓展粗集的应用领域做出了有益的探索。     

决策粗糙集的属性约简准则研究

属性约简是粗糙集理论研究的重要内容之一.在传统Pawlak粗糙集模型中,随着属性数量的单调变化,下、上近似集也单调变化.然而,在决策粗糙集模型中,随着属性的单调增加,下、上近似集有可能增加也有可能减少.针对这一问题,从优化角度给出了决策单调准则、一般性准则和代价准则的适应性函数并通过遗传算法求得三种准则下的约简.实验结果表明:决策单调准则约简获得了更多的正域规则;一般性准则约简获取了最多的正域规则;代价准则约简获得了最小的决策代价.     

决策表决策值的简化

首先定义了决策规则决策属性的简化,并以此为基础定义了决策表决策值的简化,旨在研究决策表条件值简化的对偶问题,即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上,给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。     

电力负荷的混沌预测方法

借助混沌分析理论介绍了电力负荷时间序列的混沌性识别技术,给出了一种基于混沌负荷序列的预测方法--基于相空间轨迹演化模式的预报模型,该方法具有预测精度高、计算速度快的优点,在短期负荷预测中可获得相当满意的结果.     

基于面向对象(属性)概念格的三支规则提取

三支形式概念分析作为形式概念分析的推广,从正信息和负信息角度对概念进行了更精细和更完整的描述.针对决策形式背景,从三支决策思想的视角研究对象导出三支面向对象概念格(OEO-概念格,Object-induced three-way object-oriented)和属性导出三支面向属性概念格(AEP-概念格,Attribute-induced three-way property-oriented)的规则提取问题.首先,借助三支算子给出OEO-协调以及对象导出面向对象三支决策规则的概念,在此基础上研究其规则与面向对象概念格的决策规则之间的关系,研究结果显示当决策形式背景在OEO-协调和面向对象协调的前提下,两者之间存在包含关系.其次,对偶地,提出AEP-协调和属性导出面向属性三支决策规则的定义,并讨论其与面向属性概念格的决策规则之间的关系,进一步地刻画其与属性导出三支决策规则之间的联系.最后,结合实例详细解释所提出的理论.     

基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。     

基于粗糙集的多属性决策分析

针对多属性决策问题中多个决策者对同一类对象决策结果不一致的问题,通过对多属性群决策问题的描述,提出将不同决策者的不一致决策对象进行合并分析,得到更加直观明确的规则。并对规则集进行构成分析,从而解释决策者之间的冲突所在。