基于双射软集合的参数约简算法及在决策中的应用

双射软集合理论是软集合理论的一个分支,它用来解决不确定问题的一种新型数学工具。在研究已有文献的基础上,对双射软集合的理论及应用进行拓展研究,首先简单回顾双射软集合的定义、运算以及应用等相关理论,其次在应用部分重点给出双射软集合分明矩阵的参数约简思想,最后通过决策分割之间的依赖关系确定决策权重,同时在应用方面进行算例分析,结果显示合理。     

基于最优选择对象不变的软集合参数约简

在比较分析了粗糙集属性约简和软集合参数约简的基础上,提出了软集合中基于最优选择对象不变的参数约简方法.分别对软集合中只存在一个最优选择对象和存在多个具有相同选择值的最优选择对象的情况作了分析,给出了两种情况下软集合参数约简的具体算法和算例,并对相关结论进行了证明.通过软集合的参数约简,不仅能够有效地简化决策过程,在存在数据缺失的情况下,还能尽可能地利用有效信息资源.     

错误逻辑变量论域未知的对象识别状态与应该状态之间的转化

研究空间p、事物S(t)、特征T(t)、量值L(t)参数为确定常量的条件下,论域参数为变量且未知时,错误识别对象的识别状态与应该状态的转化,提出消除系统对象错误的方程和路径,以便减少或消除由系统错误带来的损失或灾难。研究发现,当对象识别状态的论域包含应该状态的论域时,可以采用错误矩阵一类5集合方程构建错误矩阵集合方程;当对象识别状态的论域包含于应该状态的论域时,可以采用错误矩阵一类4集合方程构建一元置换变换错误矩阵集合方程。     

基于加权Minkowski距离的IFS相异度度量方法

针对现有直觉模糊集合间距离度量的局限性,提出一种基于加权Minkowski距离的相异度度量方法。该度量方法适合于连续论域中集合间距离的测量,而且通过引入加权参数解决了各个属性具有不同权重的实际问题,同时克服了现有IFS距离度量的缺陷,进而解决了几个特殊直觉模糊集合之间距离度量问题。通过算例分析比较,证明了该方法在现存的距离度量方法中是比较优越的。     

精度与程度的逻辑差粗糙集模型及其算法

基于精度与程度的逻辑差需求,提出了精度与程度的逻辑差粗糙集模型,定义了粗糙集区域概念. 在精度与程度的逻辑差粗糙集模型中,得到了粗糙集区域的基本结构和精确描述,提出了计算粗糙集区域的宏观算法和结构算法, 并进行了算法分析与比较,得到了结构算法具有时间优势和空间优势的结论. 最后用一个医疗实例对模型及其算法进行了说明. 精度与程度的逻辑差粗糙集模型,部分拓展了程度粗糙集模型和经典粗糙集模型,在决策表应用中具有广阔前景.     

基于自组织神经网络和DEA的采购拍卖获胜者确定问题模型

针对采购拍卖中存在的品种多、数量大、利润差异大以及评价指标体系不合理等特点, 首先在供应商投标后利用自组织神经网络和分包算法对供应商投标进行约减, 以提高包内物品相似度、均衡供应商之间的竞争性、降低胜者确定问题算法的复杂度; 接着利用数据包络分析中的C²R模型对"约减"后的投标进行相对评价并确定最终获胜供应商, 以解决传统指标体系评价方法中假设属性间不相关以及人为设定权重等不足. 该模型为采购拍卖胜者确定问题的解决提出了新的思路, 具有很好的实用性.     

基于粗糙集的随机多准则决策方法

针对有偏好信息并且准则权重信息不确定的随机多准则决策问题,提出了一种基于粗糙集的随机多准则决策方法.该方法首先根据形式化的偏好信息,利用构造的偏好信息系统准则约简理论对准则集合进行约简,降低问题的复杂程度,然后计算每个方案的净流分值并通过其大小确定方案的最终排序.最后实例说明了该方法的有效性和可行性.     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

粗糙集理论研究的矩阵方法

针对粗糙集研究中集合之间关系的计算问题,提出了一种基于矩阵的度量和计算方法。该方法通过引入类矩阵算子、关系矩阵算子、集合矩阵等概念和借助水平截矩阵,得到集合的矩阵表示以及集合与等价类之间关系的矩阵计算。通过对该方法的一些基本性质讨论,给出了该方法在变精度粗糙集模型中属性约简的具体步骤,并用实例说明了其有效性。     

基于多维特征参数的装备状态评估方法

针对利用多维状态特征参数进行状态评估时存在的信息冗余和赋权难度大的问题,运用自组织特征映射网络（self-organizing feature map, SOM）的无监督聚类能力,对状态特征参数进行离散化处理;利用粗糙集属性约简算法剔除冗余特征参数;采用变尺度混沌优化算法对特征参数的权重进行优化。案例分析表明,该方法解决了状态评估多维参数权重的优化问题,提高了状态评估的准确性。     

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。     

不完备信息系统中基于联系度的粗集模型拓展

在分析几种已有的针对不完备信息系统的粗集拓展模型基础上,提出了一种基于联系度的粗集拓展模型.该模型的方法是:通过引入阈值将原不完备信息系统进行划分,再利用基于联系度的容差关系确定类,利用产生的这些类得到上下近似.通过例说明该模型是符合客观实际的,更重要的是在容差类的划分中通过引入阈值考虑了根据人的主观要求,这与人机结合以人为主的系统方法论是一致的.     

基于全相容性粒度的粗糙集模型

基于不完备信息系统下的容错关系粗糙集模型与完备信息系统下的粗糙集模型相比更能满足现实生活的需要,因此在实际工作中得到了广泛的应用,但其中存在的一个问题,即容错类中的元素并非两两存在相容关系,而只是都与其容错类的生成元素存在相容关系.本文首先重新定义了不完备信息系统下的相容关系,进而提出了最大全相容类的概念,从而保证了相容模块中的元素两两相容.在此基础上,定义了4种不同的知识表达系统,不仅对这4种不同的知识表达系统所构成的覆盖进行了比较,而且在不同的知识表达系统下对于粗糙集的近似精度,知识的粗糙熵以及粗糙集的粗糙熵进行了深入分析.     

A rough set approach to feature selection based on scatter search metaheuristic

Rough set theory is an effective method to feature selection, which has recently fascinated many researchers. The essence of rough set approach to feature selection is to find a subset of the original features. It is, however, an NP-hard problem finding a minimal subset of the features, and it is necessary to investigate effective and efficient heuristic algorithms. This paper presents a novel rough set approach to feature selection based on scatter search metaheuristic. The proposed method, called scatter search rough set attribute reduction （SSAR）, is illustrated by 13 well known datasets from UCI machine learning repository. The proposed heuristic strategy is compared with typical attribute reduction methods including genetic algorithm, ant colony, simulated annealing, and Tabu search. Computational results demonstrate that our algorithm can provide efficient solution to find a minimal subset of the features and show promising and competitive performance on the considered datasets.     

知识粗糙性的粒度原理及其约简

粗糙集理论是一种新的软计算方法,已成为知识发现和诊断决策领域的一个研究热点。经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念,但它不能完全区分不同信息粒度所表示的信息量。从信息论的角度定义了信息粒度的概念,重点研究了知识粗糙性的粒度原理,定义了粒度函数和粒度熵的概念,提出了信息粒度的量化计算方法,解决了知识粗糙度在表达信息时的不足。根据知识粗糙性和信息粒度本质上的一致性,提出了一种基于粒度熵的属性约简算法,该算法可以从各约简集中选择最优属性约简,避免了选择约简集的盲目性。实例研究证明提出的粒度计算方法是可靠有效的,为进一步研究知识的粒度计算提供了可行的方法。     

基于粗糙逻辑的增量式属性约简算法

知识约简、决策规则的获取是粗糙集理论研究的核心内容。以粗糙逻辑为基础，首先给出了在新实例加入论域后判断约简变化与否以及判断原极小决策算法中决策规则变化与否的判定依据。在此基础上，提出了一种增量式属性约简算法。该算法能有效地减少计算属性约简与极小决策算法的计算量，提高了计算效率。     

模糊信息系统知识约简的分辨函数法

知识约简是粗糙集理论的重要研究内容.针对不同的粗糙集模型和约简定义,给出相应的知识约简方法一直是知识约简的主要任务.以分辩函数法为代表的各种符号值信息系统知识约简方法已得到深入研究.将分辨函数引入模糊信息系统,得到相应的知识约简分辨函数法,并通过实例分析说明了该方法的具体计算步骤.这为从模糊信息系统中获取知识提供了一种有效的粗糙集方法.     

决策粗糙集的一种新分类区域及相关比较分析

分类区域是粗糙集理论进行属性约简的重要基础, 量化扩张分类区域则是一个科研重点. 本文主要针对决策粗糙集, 在二分类层面提出一种新的分类区域, 并进行与两类常用分类区域的比较分析. 首先, 采用集合区域自然地提出了二分类决策粗糙集的新分类区域; 其次, 对两类常用决策粗糙集分类区域进行了退化研究; 进而, 对三种分类区域进行了比较分析, 得到了新分类区域的优势; 最后, 用具体实例进行了详细说明. 特别地, 对比于变精度粗糙集与贝叶斯粗糙集, 本文还分析了三种决策粗糙集分类区域扩大分类正域的机理. 本文构建的分类区域, 具有对于经典Pawlak分类区域的扩张性, 更加紧密地联系了集合区域的基础结构, 呈现出对于已有分类区域的改进性.