一种基于可变精度粗糙集的群体分类决策方法

针对群决策分类问题，提出一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。首先定义决策表分类模式和频度的概念，其次给出每种分类模式在群体中的支持率和反对率的计算方法，以及如何调整粗糙精度因子，得出群体分类偏好的方法，最后通过一个算例验证新方法的可行性和有效性。     

基于优势关系和可变精度粗糙集的多准则决策方法

针对不确定性决策问题,提出了一种基于优势关系和可变精度粗糙集理论的多准则决策方法。该方法把基于优势关系的粗糙集模型和基于可变精度粗糙集模型结合起来,在可变精度粗糙集模型中把规则的置信度阈值当作可变精度参数值。首先,给出全部方案的成对比较表。然后,从一部分方案的成对比较表中,利用优势关系粗糙集和可变精度粗糙集的扩展粗糙集理论提取两类优势规则。最后,定义打分函数给全部方案打分,并进行排序,选出最优方案。通过一个简单算例论证了该方法的可行性。     

可变精度粗糙集模型区间约简

本文对可变精度粗糙集模型约简异常进行了深入研究,通过引入条件类包含度阈值的概念,描述了包含度与分类率的区间关系,分析了包含度区间的动态变化和正区域变化引起的约简异常,提出了消除异常的区间约简基本思想,并构造了区间约简算法,完善了可变精度粗糙集模型的约简.     

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.     

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.     

基于变精度粗糙集的航空发动机送修等级决策

航空发动机送修费用与送修等级紧密相关。送修等级设定过高会使送修费用大幅提高,目前国内航空公司缺乏对送修等级的定量控制方法。从数据挖掘角度出发,应用变精度粗糙集理论研究发动机状态参数与各个单元体性能之间的关系,提出了一种基于粗集的航空发动机送修等级决策方法,以期在实际送修决策时能够更加客观地反映发动机实际状态。最后,以CF6型发动机送修维修等级决策规则生成为例,说明该决策方法的有效性。     

不完备信息系统中的可变精度分类粗糙集模型

在不完备信息系统中,容差关系过于宽松,而相似关系则过于严格.根据这样的解释,提出了一种新的基于可变精度分类的拓展粗糙集模型,其中的分类方式相比较于容差关系和相似关系显得更为灵活,是这两者的一种广义化表现形式,且可变精度分类也是限制容差关系的一种改进形式.在此基础上,将这种拓展粗集模型与基于容差关系和相似关系的拓展粗集模型进行了对比分析.最后在不完备信息系统中使用新的拓展粗集模型讨论了确定和可能性规则的直接生成方法,并进行了实例分析以说明其有效性.     

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.     

基于粗糙集理论的证券投资决策

基于粗糙集理论,运用多属性决策方法研究了证券投资决策问题。首先,在选择决策指标体系的基础上,采用粗糙集理论分析2006年上市公司的股票收益率及历史财务指标数据之间的关系,从而确定每个指标的客观权重,再结合主观赋权,得到每个指标的综合权重。然后,运用2007年的财务数据,对样本公司股票进行了综合评价。评价结果与2007年股票的实际收益率相比较,结果得到了吻合,从而验证了本方法的有效性。     

基于模糊粗糙集的多属性网上拍卖决策

电子商务的发展给了拍卖以勃勃生机,网上拍卖迅速成为一种非常活跃的商务模式。目前网上拍卖绝大多数只有一个价格属性。本文提出一种新的拍卖模型——多属性网上拍卖,其最核心的问题是如何决定胜出者,提出了一种模糊粗糙集的方法解决多属性决策问题。     

基于变精度粗糙集的分类决策树构造方法

针对分类决策树构造时最优属性选择困难、难以适合大规模数据集的问题,提出新的属性选择标准--属性分类重要性测度,引入王信度和支持度,设计了基于变精度粗集理论的决策树算法.分类重要性测度可全面刻画属性的综合分类能力,且计算比信息增益简单.决策树生长过程中引入支持度和置信度,以控制决策树的生长,提高决策树对噪声数据集和不相容数据集的处理能力,减小决策树的规模.通过对UCI上5个不同规模和类型的数据集进行测试计算,结果表明算法效率高于ID3算法,与UCI报告的最好结果相当.     

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.     

群决策中基于语言信息处理的一种粗糙集方法

针对一类具有语言判断矩阵形式偏好信息的群决策问题,提出了一种基于粗糙集的群决策方法.首先利用一小部分整体偏好信息构造一个成对比较表,然后根据优势粗糙集理论提取决策规则,最后定义一个评分函数对整个方案集进行排序和优选.该方法是一个先训练后决策的过程,特别适于大规模的方案优选问题.仿真实例表明了该方法的有效性和实用性.     

粗集在决策树优化中的应用

决策树是一种重要的数据开采方法,但构造最优决策树是一个NP困难问题,分析了以往决策树构造方法的不足,并从决策树最优化的观点详细研究了决策树构造过程中的几个重要问题,为防止决策树过细的分支,引入粗糙集中分辨的概念用于符号值属性的分划,并选择遗传算法优化求解,有关连续属性的处理,也给出了类似符号值属性分化的近似最小离散方法,在测试生成过程中还讨论了事例推理接口,基于上述分析,提出了决策树优化算法,这种算法从树的规模和分类精度都优于许多决策树算法。     

基于S-粗集的图像阈值分割方法

介绍了S-粗集的概念, 结合其动态迁移特性给出了可以适应复杂背景和含噪环境的图像S-粗集表示模型, 使静态目标可以将"不好"特性像素点迁移出去. 利用粗糙熵平衡目标和背景粗糙度对边界的影响, 提出一种更具适应性的 图像阈值分割算法. 为了适应离散点的迁移, 同时避免粒度大小的选择, 结合包含度概念给出了图像变精度S-粗集表示模型, 利用精度参数来 控制调节获取最佳分割阈值, 实现目标提取. 仿真实验表明, 所提出算法具有更好的图像分割效果.     

变精度粗糙集属性约简的算法

针对变精度粗糙集属性约简问题,在分析变精度粗糙集理论的基础上,分别从属性依赖度增量、互信息的增量、基于覆盖度与准确度相结合的度量以及属性的不确定性量度等角度,对属性重要度进行分析。并分别以这四个属性重要度作为启发式信息,提出变精度粗糙集属性约简的启发式算法,进而得到信息系统的最小约简,并将所给的算法应用MATLAB程序进行实现。最后,通过具体算例说明所给算法的有效性和实用性。     

集对分析与多属性决策

介绍了多属性决策中的集对分析方法,该方法集方案综合排序与排序稳定性分析于一体,是一种完整、有效的新方法。表2,参3。