区间模糊互补判断矩阵的一致性及权重计算

文章通过对区间数模糊互补判断矩阵中的一致性信息和冗余信息的研究,给出了此类矩阵的弱一致性、一致性及等价判断矩阵的定义;讨论了他们的一些性质和给出判定区间数模糊互补判断矩阵是否具有弱一致性、一致性的定理和算法;最后还给出了权重向量的定义和通用的计算公式,并举例说明其计算简单性。     

基于案例库维护的案例推理分类技术

分类是数据处理和数据挖掘的重要任务之一,文章在建立案例推理分类器之前,先利用相似粗糙集进行案例属性的约简,再利用基于案例分类的删除技术进行案例库的维护操作;不仅减少案例的存储空间,也大大提高分类的精确度;实验结果表明,相比传统的案例推理分类器和神经网络分类器,该分类器在分类精度和速度上都有一定的优势。     

基于 Rough Set理论的商务决策支持系统知识发现的研究

以商务决策作为研究背景,基于Rough Set理论解决商务决策支持系统中信息不确定,数据量大的困难.从Rough Set理论的基本概念出发,给出决策表的知识表达系统,提出计算最小决策规则的算法,最后通过运用Rough Set理论和方法对商务决策支持系统的实例进行属性及属性值的约简,挖掘其中隐含的知识,从而得出最小决策规则.     

运用属性论方法加强供应链牛鞭效应防范

提高预测的准确性是缓解供应链牛鞭效应的关键。目前预测的方法往往很难适应订购量历史数据的变动,导致预测结果的偏差。运用属性论方法,就制造商—零售商—客户三级供应链,提出了一个需求信息预测的方法,由此来提高对这种波动性的适应能力,增强预测的准确性,帮助供应链上各节点企业优化决策过程,最终防范了牛鞭效应,并且还提供了此预测方法的算法流程。     

分布式环境下基于属性证书的RBAC模型

基于角色的访问控制(RBAC)将角色概念引入到访问控制中,极大地方便了用户对资源的访问,同时也减轻了系统保存大量用户信息的压力.在分析RBAC模型的基础上,结合RBAC系统的特点以及SPKI/SDSI证书的优越性,提出了一种分布式环境下的基于属性证书的RBAC模型,定义了属性证书的结构以及描述了用户访问资源的工作流程,对模型的特点进行了总结.分析表明,该模型具有简洁的证书格式、支持匿名访问、单点登录等优点.     

一种基于属性的对象访问方法

基于对象存储,吸取NAS和SAN的优点。成为下一代网络存储模式．Ext2作为对象存储的文件系统,数据访问至少需两次以上的磁盘操作,由此提出了一种基于属性的对象访问方法．将数据的块地址和长度链接在一起,作为对象的扩展属性,连同数据对象一起存储到磁盘中,无论数据对象大小。磁盘访问次数仅为两次。有效地提高了数据访问效率．     

用于粗糙集约简的并行算法

通过对数据挖掘粗糙集约简算法的研究, 提出一种基于区分能力指数的信息系统数据划分思想. 先将系统按属性区分能力分成若干子表, 再由子表的约简求原系统的约简, 这种思想较好地简化了布尔函数的化简过程. 根据该思想设计了一个属性约简并行算法, 并利用Petri网模拟工具CPN Tools对算法的负载平衡进行了分析, 通过实验与相应的串行算法在时间上进行了对比, 实验结果显示, 该算法对于对象较多的大规模系统具有较高的效率.     

一种基于不同粒度语言判断矩阵的群决策方法

针对基于不同粒度语言判断矩阵的群决策问题,提出了一种新的群决策分析方法.对有序语言短语集中的语言短语进行“量化”,通过变量转换关系将语言判断矩阵转换为互补判断矩阵,并进行了判断信息转换的一致性分析;采用OWA算子将每个决策者给出语言判断矩阵所对应的互补判断矩阵集结为群的偏好矩阵,并通过计算每个方案的优势度来确定最优方案;最后给出一个算例说明了所提出的方法的有效性与实用性.     

双属性概率图优化的无人机集群协同目标搜索

为了提高不确定环境下无人机（unmanned aerial vehicle,UAV）对目标捕获能力,进而提高多UAV协同搜索效率,提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm,ICEGA）的多UAV协同目标搜索方法。首先,根据环境的先验信息,在原概率图基础上引入标志位,建立基于双属性矩阵的待搜索环境概率模型,提高环境和目标的信息感知准确度;其次,定义UAV的飞行规则并结合目标先验概率图信息,建立UAV运动模型及确定最大收益的目标函数;最后,建立分布式UAV之间的信息交互模型,运用ICEGA算法优化产生最优协同决策输入航向角集合,在线实时滚动优化产生最优协同路径。实验结果表明,基于双属性概率图结合ICEGA算法更能够保证最优路径的产生,使得UAV能够准确地搜索到目标;同时,对比仿真验证了ICEGA算法能够提高UAV之间的协同性,保证了路径可行性及提高了目标搜索效率。     

Prediction in context: On the comparative epistemic merit of predictive success

The considerations set out in the paper are intended to suggest that in practical contexts predictive power does not play the outstanding roles sometimes accredited to it in an epistemic framework. Rather, predictive power is part of a network of other merits and achievements. Predictive power needs to be judged differently according to the specific conditions that apply. First, predictions need to be part of an explanatory framework if they are supposed to guide actions reliably. Second, in scientific expertise, the demand for accurate predictions is replaced with the objective of specifying a robust corridor of estimates. Finally, it is highly uncertain to predict the success of research projects. The overall purpose of the paper is to enlarge the debate about predictions by addressing specifically the roles of predictions in application-oriented research.