基于马尔科夫模型的期望效用序贯三支决策方法

投资决策过程中的收益和风险充满不确定性,需要通过评价投资决策过程中的效用来判断投资者是否应该投资以及如何投资.序贯三支决策可以有效模拟投资者的动态投资行为过程,为投资者做出最优的动态投资决策.文中通过马尔科夫预测方法来模拟预测投资收益与风险,引入期望效用理论模拟投资者对不同投资行为的偏好并建模,提出了一种序贯三支决策模...     

基于TOPSIS的无标签序贯三支决策模型

为解决无标签信息系统中已知接受域对象数的决策问题,提出了无标签信息系统的序贯三支决策模型。首先采用TOPSIS算法进行数据预处理;其次根据数据集特征提出期望密度差的定义,并提出了无标签三支决策的构建算法,给出数据驱动下的决策阈值选择方法;同时在此基础上进一步建立了无标签序贯三支决策模型。案例分析显示,在属性值动态更新的情况下,序贯三支决策阈值具有自适应性。最后,相关实验验证了该模型的有效性。     

面向证券投资问题的确定性等价序贯三支决策（英文）

近年来,投资组合等以投出资金为目标的证券投资研究备受关注。同时,针对投资决策的研究,即对何时投入何时抛出进行智能决策,也越来越受关注。金融投资的收益和风险充满了不确定性,需要做出决策,判断投资者是否应该投资,以及如何投资。在三支决策中,决策者对风险的态度是一个重要的决策考虑。文章在序贯三支决策模型的基础上,通过确定性等价模拟投资者的风险态度来解决证券投资问题。在此基础上,提出了确定性等价序贯三向决策（Certainty Equivalent based Sequential Three-Way Decision,CES3WD）模型。从历史数据中获得收益的均值和方差,作为投资的预期收益和风险;利用指数效用函数将期望总收益转化为决策者的风险态度,并采用确定性等价方法测算决策者的预期投资回报;基于期望效用最大化原则,构造决策规则。在此基础上,根据实际投资策略对动态决策规则进行优化,构造了序贯三支决策的动态投资规则。最后,通过实验和分析验证了模型的有效性。     

可拓序贯三支决策模型及应用

将可拓评价基本方法与“三分而治”决策思想融合,引入序贯思想,构建可拓序贯三支决策模型,实现动态决策与挖掘优化指标的目的。首先,对数据进行标准化处理,计算属性的权重;其次,将可拓评价方法作为三支决策的评价准则,定义新的决策规则,阐释划分3个域的合理性;然后,根据属性权重得到多个粒度的序贯评价属性,进行多阶段三支决策,给出决策结果;最后,根据决策结果对引起样本划分变化的指标进行分析,并提出优化建议。将模型应用于水资源承载力分析领域,与熵权物元可拓决策模型进行对比。结果表明,运用可拓序贯三支决策模型与熵权物元可拓决策模型所得的评价结果基本一致,准确率达84.55%,验证了模型的有效性和实用性。     

基于不确定性的跳阶序贯三支决策模型

序贯三支决策模型作为一种能够有效处理不确定性信息的数据挖掘方法,采用了渐进的思维进行决策。然而,边界域可能存在部分不确定性较大的等价类,即便添加属性也无法准确划分,导致决策的分类精度降低,同时延迟代价较高。因此,通过条件概率来刻画等价类的不确定性,基于阴影集理论筛选不确定性较大的等价类,并对其采取跳阶延迟处理的方法,提出了基于不确定性的跳阶序贯三支决策模型。实验结果表明,所提模型与经典序贯三支决策模型相比,在分类性能上具有更好的有效性。     

基于可分离性的多尺度决策信息系统的最优尺度约简

针对最优尺度约简问题,从对象与决策类的关系出发,提出一种基于可分离性的多尺度决策信息系统的约简方法。首先,分别给出类内对象紧性和类间对象分散度的定义并探究其性质。其次,在多尺度决策信息系统中通过类内对象紧性和类间对象分散度定义属性子集的可分离性,并给出可分离性与约简之间的关系,在此基础上,结合属性权重与尺度权重给出了基于可分离性的重要度。最后,设计了一种基于重要度的启发式最优尺度约简算法。实验结果表明,所提方法在分类精度和约简集基数上具有较大的优势。     

具有多尺度决策的信息系统的最优全局剪枝选择

作为人工智能领域的一个重要方向,粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题,利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念,每个属性和决策都有一个粒度树,每个粒度树都有许多不同的局部剪枝,代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝,从而产生一个混合尺度决策表.其次,给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究,还设计了一个算法来验证该方法的有效性.     

协调的决策多尺度不完备信息系统的最优尺度选择

粒计算模拟人类思考模式,它以粒为基本计算单位,以建立大规模复杂数据和信息处理的有效计算模型为目标,是知识表示和数据挖掘的一个重要方法.针对决策属性具有多尺度的不完备数据集的知识获取问题,首先,提出了决策属性具有多尺度的广义不完备多尺度信息系统的最优尺度选择的概念,阐明了尺度选择全体构成了一个完备格;其次,给出了在不同尺度选择下信息粒的表示及其相互关系;最后,讨论了协调的决策多尺度不完备信息系统的最优尺度选择问题,并用示例解释最优尺度选择的计算.     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法，研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别，多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测，识别概率，减少计算复杂性。     

用证据理论刻画协调的具有多尺度决策的信息系统的最优尺度选择

作为人工智能领域的一个重要方向,粒计算在数据挖掘和知识发现方面的研究呈现较大优势.针对具有多尺度决策的信息系统的知识获取问题,提出用证据理论研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍具有多尺度决策的信息系统及其尺度选择的概念,阐明尺度选择的全体构成一个格结构;其次,给出具有多尺度决策的信息系统在不同尺度选...     

基于GANs-LightGBM的序贯三支异常用户检测研究

针对网络中异常数据类别分布的不平衡性和异常用户检测代价的敏感性,在序贯三支决策框架下,提出了一种基于生成式对抗网络和集成学习模型的异常用户检测方法.利用生成式对抗网络(generative adversarial nets,GANs)模型对异常/非异常数据进行类别平衡,并在多层次多粒度的特征空间下训练LightGBM模型,持续地处理不确定域的样本以识别异常用户.实验结果表明,与传统的机器学习算法相比,该方法在异常用户检测中具有较高的AUC值和较低的检测代价.     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．     

多粒度层次序贯三支决策模型研究

现有的知识获取算法所挖掘出的规则太多,不易理解;规则描述太过具体,容易造成过拟合。为此,本文提出了多粒度层次序贯三支决策模型。首先引入概念层次树将目标概念泛化,构建多层次决策表,并设计了多粒度层次序贯三支决策模型,从多视角、多层次计算3个概率区域并获取相应的泛化层次决策规则。最后,通过实验证明了模型的有效性。本模型为知识获取提供了新的视角并丰富了多粒度三支决策的研究。     

基于机器学习的三支决策研究综述

三支决策是粒计算领域一个重要研究方向,其符合人类思维和认知特点,能有效处理实际决策过程中的不确定性问题。三支决策通过引入延迟决策,可以有效降低决策成本和代价,增强对不确定性决策过程的控制并提高模型的可解释性。因此,融合三支决策思想的机器学习方法值得深入研究和探讨。首先,介绍了三支决策基本模型;其次,运用CiteSpace和VOSviewer软件分析了国内外基于机器学习的三支决策领域的研究现状;再者,从研究问题、模型方法和应用背景等角度出发,聚焦于三支决策与聚类模型、分类模型、推荐系统、深度学习模型的融合,整理并总结了现有的研究方法与成果;最后,对基于机器学习的三支决策发展趋势作出了展望。     

粗糙集三支决策理论及其应用

利用粗糙集中的三支决策思想,将类用正域、负域和边界域刻画,得到初始聚类结果。然后通过定义重叠度和类与类的合并策略,将初始聚类结果进行合并,得到最终聚类结果。之后应用2个关系网络数据展示了具体的聚类步骤,并通过比较2个例子的聚类结果,分析了影响聚类结果的一个主要因素:阈值的选取。实验表明:阈值的选取对简单的网络结构数据集的聚类结果的影响并不明显,然而对复杂的网络结构数据集的聚类结果的影响则较为显著。     

序贯抽样决策中的抽样数量

序贯抽样决策的核心问题是抽样数量的多少及其样本单元所反映的动态信息特征，笔提出了“基本抽样数（nmin)”概念，并分别就不同的序贯抽样决策模型给出了相应的计算公式。在林间抽样决策中，预定的抽样数(n）应大于或等于nmin（即n≥nmin），以避免序贯抽样曲线方程对判断结果影响，结合最大抽样数nmax，两确定了序贯抽样曲线方程的适应范围。     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型,然而,该模型目前还未有三支决策方面的相关研究。针对这一问题,提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念,然后以贝叶斯决策最小化代价为基础,推导出了双论域模糊概率关系下决策区域的三元划分,即三支决策模型,最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

三支决策——基于管理研究视角

从三支决策管理视角出发,介绍了三支决策的哲学与管理思想;分析了三支决策TAO模型的3个重要问题;讨论了效用三支决策和行为三支决策模型;探讨了动态决策环境下的序贯三支决策模型与方法.最后,给出了基于管理视角下三支决策未来的发展方向.     

多尺度决策系统中基于模糊相似关系的决策粗糙集最优尺度选择与约简

基于模糊相似关系的决策粗糙集是经典决策粗糙集的延伸与拓展,为当今的研究热点之一.在实际处理数据时,同一对象的同一属性可能具有不同层次,并且在不同层次上取得不同值.为此,该文针对多尺度决策系统,提出多尺度决策系统中基于模糊相似关系的决策粗糙集模型,给出相应的最优尺度选择及约简方法,并讨论了获得一个最优尺度约简的简便算法....     

基于区间值犹豫模糊多粒度粗糙集的三支决策模型

针对区间值犹豫模糊信息系统,提出了两种基于区间犹豫模糊多粒度粗糙集的三支决策模型。首先,借助多粒度粗糙集理论,提出乐观和悲观区间犹豫模糊多粒度粗糙集模型。其次,引入区间犹豫模糊连续交叉熵的概念,用TOPSIS方法来计算对象在不同情况下的条件概率。基于此,定义区间犹豫模糊决策理论粗糙集并给出相应的三支决策规则。最后,通过实例验证了这两种模型对目标评估采取不同的态度和决策方案,并且证明了所提算法的有效性。