粗糙集理论在我国税收预测中的应用

基于粗糙集理论给出了对象与规则可信度的概念,提出了一种经济系统中相关关系预测法.利用信息熵的概念,评价因素的重要程度和约简因素,由此提取基本相关规则.在对象与规则之间的可信度基础上,建立了预测模型.与传统的回归预测法比较,这个方法不需要进行相关性判断、模型识别和检验,它直接从数据出发,在不损失信息的条件下约简冗余因素,寻找经济指标与影响因素之间的相关关系,能同时处理定性、定量因素以及不确定因素.税收预测模型算例说明了本文方法的有效性.     

基于序关系的多准则粗集决策方法及应用

从序关系的角度研究多准则决策问题,提出了基于序关系和粗糙集理论的多准则决策方法的系统流程.针对传统定性转换方法信息丢失和导致信息表不一致的缺陷,提出了一种新的定量转换方法,将有序表转换成两两比较表.给出了基于粗糙集的改进RG序规则挖掘算法,并将其应用于两两比较表上以获取供决策使用的排序规则.最后,将该决策方法应用于航材偏好选址问题,决策结果说明了该方法的可行性和有效性.     

项目后评估中的粗集-神经网络建模与仿真

对粗集-神经网络理论进行了讨论,在神经网络基础上,提出粗集-神经网络项目评估方法,该方法利用粗糙集理论对数据样本进行数据浓缩,从给定学习样本数据中发现一组规则,提取规则作为神经网络的输入,该方法简化了神经网络的结构,提高训练效率,对我国农业工程项目后评估进行仿真,评价结果是合理的,具有较大的参考价值,在实际中有良好的应用前景。     

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。     

不完备信息系统中基于相似度的变精度粗糙集模型

提出了一种基于相似度的变精度粗糙集模型,该模型是变精度粗糙集模型在不完备信息系统中的拓展.定义了这种模型上的知识约简,并给出了求约简的两种一般算法.最后通过实例分析说明了算法的有效性.     

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.     

基于集对势的扩充粗糙集模型

针对已有扩充粗糙集模型处理不完备信息系统的局限性,在已有扩充模型的基础上,基于集对分析理论中集对势的概念定义了一种新的对象之间的分类关系,称为集对势容差关系,并由此给出一种新的粗糙集扩充模型.从局部角度,分析说明该模型的分类性能优于已有方法.同时选用UCI数据库中的数据集进行测试,通过实验表明该模型的整体分类性能也优于已有方法.因此更加适合大型不完备信息系统的处理.     

基于粗集的模糊信息系统有序规则获取

模糊信息处理是信息科学领域的一个热点和难点。针对一类带有三角模型的模糊信息系统,提出一种基于粗糙集的有序规则获取方法。证明了三角模糊数之间基于可能度的序关系是一种弱序关系,进而将模糊信息系统转化为二元信息系统,利用粗糙集理论推理出模糊信息系统的最优有序规则。仿真实例表明了该方法的有效性。     

基于三元联系数的不确定多属性决策方法

利用集对分析理论对不确定多属性决策方法进行了研究。给出了三元联系数的广义同一度以及候选方案与理想解之间的联系数距离的定义,提出了两种属性权重确知、且属性值为三元联系数的不确定多属性决策方法:广义同一度法和距离法。这两种方法均简洁直观,计算量小,易于在计算机上实现。最后,通过与已有方法的比较和实例分析,阐明了提出方法的有效性和优越性。     

基于集值信息系统的多粒度粗糙集

多粒度方法是粗糙集理论中的一种新的数据处理模式。为了使多粒度方法适用于不完备信息系统,在相似关系的基础上,提出了基于集值信息系统的多粒度粗糙集模型,包括乐观和悲观两种不同的形式,不仅分析了两种模型的基本性质以及它们之间度量的关系,而且研究了决策规则获取的方法。最后将基于集值信息系统的多粒度粗糙集应用于信息系统安全审计风险判断,为信息系统安全审计的有效判断提供决策支持。     

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。     

基于属性重要性的多属性客观权重分配方法

针对属性权重完全求知且属性值以连续值形式给出的无决策属性的多属性决策问题,提出了利用属性重要性来进行客观权重的分配方法。该方法根据模糊聚类技术与粗糙集中的相对正域理论,论述了如何从客观数据中根据属性重要性确定各属性的客观权重。通过实例说明了该方法的合理性和有效性。     

一种T-S型粗糙模糊控制器的设计与仿真

提出了一种新型的粗糙模糊控制器的设计方法,该方法将粗糙逻辑与模糊推理结合起来,利用粗糙集寻求输入输出空间的最小规则集,通过对粗糙规则输出控制信息的补充,建立起T-S型粗糙模糊控制系统。此方法能有效地从输入输出数据中获取控制规则,同时能够解决规则数目随系统变量呈指数增长的“规则爆炸”问题。对变杆长倒立摆控制的仿真结果表明,该方法能够以较少的规则实现高精度、非线性控制。     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

基于不完备信息的粗糙集初始备件品种确定方法

针对初始备件品种确定问题,提出基于不完备信息的粗糙集初始备件品种确定方法。从关键性、消耗性、可更换性、经济性和可获取性5个方面系统分析初始备件品种决策影响因素;对比分析经典粗糙集模型的优劣,构建加权阈值粗糙集模型;提出基于系统信息量的属性权重确定方法;依据加权阈值粗糙集模型确定上、下近似集,获得初始备件品种决策规则。结合算例分析探讨模型的有效性,结果表明该方法能够提高备件品种决策精度。     

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.     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

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.     

基于粒度矩阵的程度多粒度粗糙集粒度约简

多粒度是粗糙集理论中的一种有效的数据处理方法,粒度约简是获取信息系统简洁规则的前提。研究了程度乐(悲)观多粒度粗糙集粒度约简理论,改进了程度粗糙集的下近似定义,提出了程度多粒度粗糙集的粒度矩阵。基于粒度矩阵,研究了程度多粒度粗糙集下近似计算理论和粒度的必要性,提出程度乐观多粒度粗糙集核粒度的定义。针对程度乐(悲)观多粒度粗糙集,提出基于粒度矩阵的粒度约简方法。最后利用实例分析验证了所提粒度约简方法的正确性。