精度与程度逻辑差双量化粗糙集模型的属性约简

双量化具有完备刻画粗糙集近似空间的重要功能,精度与程度逻辑差粗糙集模型则是一类基本双量化模型.本文主要针对该模型,深入探讨其在二分类情形下的属性约简.首先,讨论了基于模型上下近似的二区保持的基本性质,提出并研究了二区保持约简;接着,定义了基于变精度上下近似与程度上下近似的四区保持约简,得到了其与二区保持约简的层次关系;最后,利用一个统计决策表案例对两种属性约简及它们的层次性进行了说明.对双量化属性约简来讲,本文的二区保持约简具有泛化性,而四区保持约简则具有基础性与指导性,它们从而提供了一些基本思路.     

基于(α, τ)限制相似关系的变精度粗糙集模型

针对经典粗糙集模型只能处理完备信息系统,将变精度粗糙集模型引入到不完备信息系统中。给出了(α,τ)限制相似关系的定义及其相关性质,并提出了基于(α,τ)限制相似关系的变精度粗糙集模型,提出了基于属性重要度和近似分类质量的知识约简算法。通过算例分析验证了该模型知识约简算法的有效性。     

基于决策依赖度的粗糙集约简模型研究

为寻求高效的粗糙集约简模型,基于可分辨关系提出决策分辨约简、依赖性和依赖度等概念.与以往粗糙集约简模型相比,为提高约简精确性,提出性能为O(|P‖U|)的等价类划分方法和性能为O(|P‖U/C|)的属性重要性度量方法.同时给出了相关定理和等价命题,论证了传统决策约简模型和决策分辨约简模型的一致性.并基于属性重要性给出性能为O(|C|~2|U/C|)的求核方法和性能为Max{O(|C‖U|),O(|C|~2|U/C|)}的约简模型.新模型充分考虑了核属性和其他属性间的关联,从而有效降低冗余率,解决了对比模型存在的问题.理论和仿真实例分析表明新模型高效且结果准确率高.     

多准则分级决策的扩展粗糙集方法

解决分级决策问题的方法主要涉及统计学、人工智能和运筹学等．粗糙集理论被证明是进行多属性决策分析的有利工具．但是，基于不可分辨关系或相似关系的传统粗糙集方法不适于解决带有准则的决策分析问题．因此，Greco等提出了一种扩展的粗糙集方法分析分级决策数据，该方法利用支配关系代替不可分辨关系对决策类进行粗糙近似．在此基础上，为了从决策数据中构造偏好模型，通过构造支配矩阵和支配函数计算最小决策规则．为了消除规则集中的冗余性，提出了规则化简的方法．此外，对基于规则的分级决策策略进行了研究.     

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.     

基于信息量的序信息系统的属性约简

属性约简是粗糙集理论研究的核心内容之一.在序信息系统中引入信息量和属性重要性,给出它们与属性约简之间的关系.针对序信息系统提出了一种基于信息量和属性重要性的属性约简算法,讨论了算法的时间复杂度.实例证明了该算法的有效性.     

改进分辨矩阵下的增量式条件属性约简算法

通过分析现有分辨矩阵的不足,给出了基于条件熵的分辨矩阵定义,以得到不一致决策信息系统下的合理条件属性约简结果.基于改进分辨矩阵的定义,提出了相应的条件属性约简算法,并证明了其约简为不同于代数观点下的约简,而与信息观点下的约简相同.进一步,对该改进分辨矩阵做进一步修正,提出了一个增量式条件属性约简算法.实验结果表明:所提出的改进分辨矩阵下的条件约简算法总体上优于同类求解算法,而其增量条件约简算法能够获得稳定可靠的约简结果,同时约简效率得到较大的提高.     

基于相对分辨能力的属性约简算法

在粗糙集理论中,分辨能力反映拥有知识的多少;为此,给出分辨能力相关概念、性质和计算方法,并提出基于相对分辨能力的约简定义,同时研究该约简定义与Hu差别矩阵约简之间的等价性,指出Hu差别矩阵约简可由相对分辨能力约简获得.为了进一步提高求解效率,通过减少约简过程中基数排序次数来提升效率,设计了相对分辨能力的约简算法,其时间复杂度为O(|C|~2|U|).实例分析和UcI中数据集的实验比较表明所提出的约简算法是有效的、可行的.     

基于距离的直觉模糊粗糙模型及应用

将直觉模糊和区间直觉模糊集(数)的距离测度引入直觉模糊信息系统和区间直觉模糊信息系统,建立基于距离的粗糙集模型,并给出该模型两种约简-上下近似约简的定义.通过构造分辨函数,设计距离直觉模糊粗糙模型的知识约简及规则提取算法.最后将距离直觉模糊粗糙模型应用于信息系统安全审计风险判断,这不仅可为从直觉模糊和区间直觉模糊信息系统中获取知识提供一种粗糙集方法,而且还为信息系统安全审计风险的有效判断提供决策支持.     

(α,β)集对限制优势粗糙集及决策模型

针对不完备信息系统中的偏好多属性决策问题,提出了一种基于(α,β)集对限制优势粗糙集的决策分析模型。引入集对优度和关键属性构建一种集对限制优势关系,构造了基于(α,β)集对限制优势关系的粗糙集模型;在此基础上,研究了粗糙近似算子的性质、知识的属性约简和决策规则的提取方法,并采用计算机仿真的方法分析其分类误判率。(α,β)集对限制优势关系比原有的集对优势关系更加符合实际,分类的整体性能更优。比较研究的结果表明:(α,β)集对限制优势关系在保持较高的分类精度和质量的基础上,其分类误判率显著优于集对优势关系和限制相似优势关系。     

二元关系聚合与粗糙近似

粗集理论中的核心概念--下近似和上近似的经典定义是以不可分辨关系为基础的, 这种定义方式适合于处理名义属性. 然而, 许多现实问题既包括定性属性也包括定量属性, 因此有必要对不可分辨关系进行泛化. 首先在单个属性层次上根据适合的相似性测度定义了二元关系, 对这些二元关系进行聚合成为属性集合层次上的全局二元关系. 决策类并集的粗糙近似和边界域则定义在全局二元关系的基础上. 然后定义了粗糙近似和边界域的运算, 从而可以描述确定性、可能性和怀疑性的知识, 并且证明了这些运算满足的粗糙包含性、互补性、边界域恒等性和单调性. 这种新的粗集方法可以描述包含定性属性和定量属性的决策表中包含的不一致性.     

基于直觉模糊相似度的直觉模糊三支决策方法

针对现有直觉模糊相似度未考虑其隶属度和非隶属度的实践语义且在一些情形下可能出现"违反直觉"等问题,本文提出一种新直觉模糊相似测度,并将其引入直觉模糊决策系统中,定义了直觉模糊相似度下(α,β)-水平截集等概念,并给出相关性质.以粗糙隶属度为评价函数导出目标集的(α,β)-下、上近似集及其三个域.考虑到决策者不同风险态度,基于贝叶斯理论构建一种具有多风险偏好的直觉模糊三支决策模型,并获得决策规则,进而提出一种基于直觉模糊相似度的直觉模糊三支决策方法.最后,通过算例说明该方法的可行性和有效性.     

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.     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.     

不完全信息的多属性粗糙决策分析方法

针对有偏好信息但信息不完全的多属性决策问题，给出了一种基于拓展粗糙集的决策分析方法，首先提出了扩展优势关系的概念；其次用扩展优势关系代替经典粗糙集中的不可分辨关系得到知识的粗糙近似，证明了粗糙近似的两种等效表示方法及基本性质，给出了分类决策规则；最后通过一个实例说明方法的可行性与有效性。     

结合粗集理论的动态属性约简研究

针对动态建立数据库的需要和粗集约简存在的问题 ,在粗集理论的基础上提出了一种动态约简算法 .在数据库变化时 ,该算法不象静态粗集约简方法需重新寻找属性约简 ,而是利用新增的对象对原有的约简关系进行修正 ,大大节省了计算量 ,提高了搜索效率 ;同时在算法中还引入了信息熵准则以克服粗集约简准则对数据噪声的敏感性和不能表达属性间概率因果关系的缺点 .通过一个病因诊断问题的实例表明 ,该算法利用较小的信息表就找到了与静态粗集约简一致的属性约简集 ,并按照因果关系的大小 (不确定性大小 )对结果集合作了排序 ,同时计算量分析表明该算法比静态粗集约简极大地节省了计算量 ,提高了搜索效率 .     

脉冲信道下基于深度学习的BP译码方法

在脉冲信道下,针对置信传播(belief propagation, BP)算法对短码长的低密度奇偶校验(low-density parity-check, LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法。首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能。然后,简化信道对数似然比(log-likelihood ratio, LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型。最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型。仿真结果表明,在高码率时,该方法相对于传统BP译码算法性能显著提升,且在近似计算信道LLR值时,译码性能在不同参数的脉冲信道下均具有鲁棒性。     

脉冲信道下基于深度学习的BP译码方法

在脉冲信道下,针对置信传播(belief propagation, BP)算法对短码长的低密度奇偶校验(low-density parity-check, LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法。首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能。然后,简化信道对数似然比(log-likelihood ratio, LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型。最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型。仿真结果表明,在高码率时,该方法相对于传统BP译码算法性能显著提升,且在近似计算信道LLR值时,译码性能在不同参数的脉冲信道下均具有鲁棒性。     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.