基于粗集理论的工作分析

工作分析是企业人力资源管理工作的基石.论文基于粗集理论,建立一种科学的工作分析方法,从而对工作的任职条件属性进行约简,并对任职决策规则进行提取,最后并通过实例验证.     

基于变精度概念格的决策推理方法

在模糊形式背景上定义了四种外延与内涵均为经典集的变精度概念,证明了它们构成完备格.基于变精度形式概念格和对偶变精度形式概念格,用包含度建立了一类决策推理;基于变精度对象概念格和变精度属性概念格,用包含度建立了另一类决策推理.通过决策推理将变精度概念格生成的少数决策规则集拓展为所有方案集上的全部决策推理规则,获得了方案集的下近似决策推理规则和上近似决策推理规则,证明了决策推理规则与其对应的决策规则集满足一致性和相容性.     

基于偏好的多属性群知识系统

提出了基于偏好的多属性群知识系统模型,定义了封闭的处理偏好值的运算法则,得到具有偏好的多属性知识系统,并采用基于优势关系的粗集理论来处理给定问题中具有偏好属性间的冗余及依赖,由约简后的偏好属性决策表导出偏好决策规则.通过实证分析表明,该方法可获得认可的知识规则,能取得有实际意义的结果.     

Pawlak粗糙集的公理系统

粗糙集合理论是一种新的有效处理不精确、不确定、含糊信息的理论,粗集公理系统研究是粗集理论及应用研究的基础。利用模糊关系及其运算的矩阵表示,建立Pawlak粗近似空间的公理体系,该公理系统由三条相互独立的非常简洁的表达式构成。获得的结果深刻地揭示了经典等价关系与模糊等价关系的本质区别,进一步深化了Pawlak粗集理论。     

基于向量夹角余弦的水文组合预报方法

针对水文预报中单个水文预报模型预报精度不高的问题, 提出基于向量夹角余弦的水文组合预报方法. 该方法采用组合预测理论建立了实测向量、预报向量和权值向量, 形成向量夹角余弦模型; 根据不同的历史水文资料状况, 给出拟合优度和动态逼近两种可变权值计算方法, 完成参数的率定, 并将各参数对预报精度的影响加以分析. 实验表明: 该方法能够有效地克服单个水文预报模型的不足, 通过实现多个单项水文预报模型的组合, 可将预报合格率提升约20%.     

基于二元关系和布尔推理的分级决策模型

分级决策问题是将备选方案分类到预先定义的具有偏好顺序的决策类中.其中每个方案是由一个有限属性集合来描述的,该属性集合包括名义属性、连续型属性和有序属性.为了建立分级决策模型.提出了一种基于粗集理论和二元关系、布尔推理相结合的方法.首先在名义属性、连续型属性和有序属性上分别定义了不可分辨关系、相似关系和优势关系.然后提出了分辨-相似-支配矩阵的概念来建立相应的布尔函数.通过计算布尔函数的主蕴含,得到了"IF…THEN…"分级决策规则集作为偏好模型.最后利用一个算例说明了该方法的有用性.     

基于概率信息系统决策规则的R0三I决策推理

讨论了一种概率信息系统用于表示对象与属性值之间的关系存在不确定性的信息.使用粗糙集和证据合成理论中的方法,给出了获取概率信息系统的扩展决策规则集的一般方法.使用R0三I推理方法实现了基于扩展决策规则集的R0三I决策推理判断.     

多属性群体决策的水文预报择优及组合方法

针对水文预报在参数受限条件下精度不高的问题,提出一种基于多属性群体决策的水文预报择优及组合方法.该方法首先建立预报正确率、确定性系数、合格区间、发生可能性四个决策属性;然后依靠理想模型给出属性权值的确定方法,并采用OWG和OWGA加以集结;最终基于评测值的序关系构成与实测值更为接近的预报区间.实验表明:该方法能够从多种预报方案中选择出相对误差较小的预报值,并形成一种高精度的组合预报模型,将预报提升一个等级.     

基于主元分析及粗糙集的多变量决策树构造方法

为解决故障诊断中单一方法难于处理大规模、多变量数据信息的问题,提出了一种利用主元分析方法和粗糙集理论相结合的多变量决策树构造方法.该方法利用主元分析对历史数据进行降维、去噪处理,得到由主元变量组成的决策信息.通过粗糙集理论中核属性和相对泛化的概念对此决策信息进行属性选择和样本集划分,构造出多变量决策树,并建立诊断规则知识库.基于汽轮机发电机组的轴系振动故障分析的实例验证了此方法的正确性,与其他方法相比较具有规模小、诊断规则易于提取的特点.     

含冲突的决策表中的决策规则发现

基于Rough集理论中的可辨识矩阵，讨论包含冲突样本的决策表中的决策规则及其可信度和支持度因子，提出决策规则的发现算法，算法通过删除决策表的核属性来引入新的冲突,以获取具有更高适应度的决策原则，最后用实验结果证明算法的可行性。     

多品种期货组合风险评价模型及其应用研究

针对SPAN和TIMS保证金模型运用情景模拟法模拟期货合约多种价格风险的复杂性及使用风险线性叠加评价多品种期货组合风险导致的预测不精确的特点与弊端,提出了多头和空头损失不对称原则,建立了期货组合市场风险非线性叠加评价模型,解决了期货组合每一交易日最大损失的预测问题.模型的特点一是采用WKDE法对单个期货合约精确地预测未来交易日风险值,简化了SPAN和TIMS系统测算单个合约风险的复杂性.二是考虑了不同头寸之间风险对冲和组合中合约风险非线性叠加,解决了SPAN和TIMS系统由于期货组合风险线性叠加而导致风险评价不准问题.三是引入EWMA法计算动态迁移相关系数矩阵,避免了静态的相关系数矩阵不能有效及时地反映相关系数动态变化的缺陷.     

集对分析聚类预测法及其应用

提出一种新的预测方法－－集对分析聚类预测法，该方法融合了集对分析中的同异反模式识别的“择近原则”和聚类分析的基本思想进行分类预测，文中将该方法应用于于邮电业务总量预测的研究，研究，考虑了邮电业务总量和第一、二、三产业的国内生产总值之间的关系，利用邮电业务总量和三个产业的生产总值的历史数据，建立了邮电业务量水平聚类预测的模型，从而得到邮电业务总量预测结果，利用我国某地区的实际数据进行分析计算，并与其它预测方法比较，结果表明预测方法是有效的。     

基于正反向混合推理的故障仿真预测模型

根据故障预测的特点和要求,分析了传统预测方法用于故障预测的不足,提出了动态模糊综合评判方法,建立了基于动态模糊综合评判和多Agent并行诊断的故障预测模型。该模型将正向推理与反向推理、不同的知识表达方式和推理机制融合于同一推理框架中,再现了故障的发生和发展过程。由基于动态模糊综合评判的正向推理得到候选故障集,基于多Agent并行诊断的反向推理确认实际发生的故障,找出故障原因,实现故障定位。     

非线性嗅觉生理模型在一维序列识别中的应用

Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。这套模型运用非线性动力学的方法较好的模拟了人体的嗅觉系统,并能够产生类似脑电的非周期背景信号。利用这个的基于嗅觉系统而建立的模型--K系列模型可以实现模式识别。本文首先从原理上介绍了K系列模型的拓扑结构和数学基础,然后通过实际的计算机数值模拟介绍了KII网络和KIII模型在实现一维序列识别时的方法和结果,简单说明了这个模型在模式识别上的特点。     

舰船装备维修费单项预测集对分析与组合建模

根据集对分析的基本原理,结合基于误差大小的集对分析组合预测,给出了基于误差方向的集对分析组合预测和基于模型性能的集对分析组合预测;针对基于误差大小的集对分析组合预测建模过程中,从关联度的确定到组合权重的计算过程相对复杂、难以理解,推导简化了组合预测权重计算过程;针对集对分析中同一度为0时导致组合预测模型信息丢失的问题,提出了一种基于折扣的同一度、差异度、对立度转换处理方法。最后算例说明了该方法的有效性。     

基于TEI@I方法论的通货膨胀问题分析与预测

基于TEI@I方法论提出了通货膨胀预测的研究框架.首先对通货膨胀的相关影响因素进行了分析,然后建立了因子预测模型、ARIMA模型、向量自回归模型以及马尔可夫状态转移模型,并分别进行了预测.然后采用Boostrap方法进行了集成,得到了每种预测方法的权重,并利用载止2007年12月的数据对2008年的月度通货膨胀率进行了集成预测,实证结果表明新的集成方法使预测结果更为稳定.     

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

粗正交小波网络及其在交通流预测中的应用

基于交通流预测的特点和输入向量的主成分分析方法,把粗集理论与正交小波网络相结合,给出了一种基于粗集的正交小波网络交通预测模型,并成功应用于城市交通流的实时预测.粗正交小波网络具有极强的鲁棒性,可以有效克服季节、天气等随机因素对交通流量预测性能的影响;主成分分析方法解决了正交小波网络多维输入时的维数灾难.实验结果表明,该模型的预测精度和收敛速度明显优于常规BP网络和小波框架神经网络,对交通流量等预测问题具有较高的应用价值.     

基于混沌-神经网络模型最优控制及应用

由于非线性混沌时间序列内部确定的规律性，其重构相空间具有高精度短期预测性．为此，为了实现非线性、大时滞系统的自适应控制，文章根据具有混沌特性非线性、大时滞系统的时间序列重构相空问，计算相空间饱和嵌入维数、最大Lyapunov指数和系统的可预报尺度，并以此为指导，建立神经网络预测模型对系统作高精度的短期预测；在此基础上，通过反馈校正，将校正误差和控制增量引入性能函数寻优得最优控制决策，实现了对非线性、大时滞系统高精度的自适应预测控制．将该控制决策应用在锅炉过热汽温控制中，仿真表明该控制的有效性、快速性和鲁棒性．     

基于n阶平均发散度的混沌时序可预测尺度研究

深入分析了基于最大Lyapunov指数的混沌时序可预测尺度确定方法,指出了其存在的不足。在此基础上,提出了一种新的基于n阶平均发散度的可预测尺度确定方法。首先给出了n阶平均发散度的定义;然后阐述了新方法的基本原理,并总结了可预测尺度的计算步骤;最后将所提方法应用于电力负荷时序可预测尺度的确定中,通过对预测误差的分析和比较,验证了新方法的有效性。