基于高维多目标序贯三支决策的恶意代码检测模型

针对传统基于二支决策的恶意代码检测方法在面对动态环境中的复杂海量数据时,没有考虑在信息不充足条件下进行决策产生影响的问题,本文提出了一种基于卷积神经网络的序贯三支决策恶意代码检测模型。通过卷积神经网络对样本数据进行特征提取并构建多粒度特征集,引入序贯三支决策理论对恶意代码进行检测。为改善检测模型整体性能,避免阈值选取的主观性,本文在上述模型的基础上,同时考虑模型的综合分类性能、决策效率和决策风险代价建立高维多目标序贯三支决策模型,并采用高维多目标优化算法对模型进行求解。仿真结果表明,模型在保证检测性能的同时,有效地提升了决策效率,降低了决策时产生风险代价,更好地拟合了真实动态检测环境。

基于三支决策的灰色可能度聚类方法及应用

针对经典的灰色可能度聚类评估模型难以判定决策对象的灰类归属和过度聚类等问题,利用三支决策的思想和方法,通过引入三支灰类的概念描述决策对象和灰类之间的不确定聚类关系;将其代替灰色定权聚类中的灰类和严格的聚类关系,构建基于三支决策的灰色可能度聚类方法,并采用决策粗糙集中的贝叶斯推理确定聚类阈值;最后,以案例验证所提方法的有效性和合理性。结果表明:本文所构建的模型是经典灰色可能度聚类评估模型的拓展和泛化,可以有效避免过度聚类,降低决策风险,提高聚类可靠性。

多粒度三支决策研究进展

多粒度三支决策利用三支决策理论,从多视角、多层次对复杂问题进行数据分析与处理,逐渐成为一种高效、可靠的智能决策方法。本文对多粒度三支决策的研究工作进行综述,主要介绍了多粒度融合策略、多视角三支决策和多层次三支决策,以及从定性和定量两个角度探讨了多粒度三支决策,讨论了不同多粒度三支决策模型之间的关系,并指出了多粒度三支决策研究中存在的若干问题,为该领域的深入研究提供参考。

基于三支决策的多视图低秩稀疏子空间聚类算法

多视图子空间聚类是一种从子空间中学习所有视图共享的统一表示,挖掘数据潜在聚类结构的方法.作为一种处理高维数据的聚类方法,子空间聚类是多视图聚类领域的研究热点之一.多视图低秩稀疏子空间聚类是一种结合了低秩表示和稀疏约束的子空间聚类方法.该算法在构造亲和矩阵过程中,利用低秩稀疏约束同时捕捉了数据的全局结构和局部结构,优化了子空间聚类的性能.三支决策是一种基于粗糙集模型的决策思想,常被应用于聚类算法来反映聚类过程中对象与类簇之间的不确定性关系.本文基于三支决策的思想,设计了一种投票制度作为决策依据,将其与多视图稀疏子空间聚类组成一个统一框架,从而形成一种新的算法.在多个人工数据集和真实数据集上的实验表明,该算法可提高多视图聚类的准确性.

基于云模型的三支决策方法及应用

针对决策过程中的随机性、模糊性和不确定性,将云模型与“三分而治”的思想进行结合,提出一种融合云模型的三支决策模型。首先构建评价指标体系,利用熵权法计算指标权重;其次,确定每个等级的取值范围,根据云模型隶属度函数确定隶属度;然后构造条件概率以及综合损失函数,从而得到三支决策规则,实现三个域的划分。将模型应用于长江经济带水资源承载力分析,并根据决策结果进行分析。

基于优势熵矩阵的模糊软集三支决策方法

讨论了模糊软集上的三支决策问题。通过模糊软集上的模糊优势熵关系来构造模糊优势熵矩阵,从而提出模糊软集上的三支决策方法。首先,介绍了传统的优势关系和优势关系,类比两种优势关系提出了优势熵关系的定义;其次,通过优势熵关系构造了优势熵矩阵及定义了优势熵类,基于优势熵类给出了模糊占优度的定义,依据优势熵矩阵定义模糊软集的损失函数表,计算模糊软集的三支决策阈值,结合模糊占优度来实现模糊软集的三支决策。最后,通过一个算例以及相关的对比分析,验证了本文所提三支决策方法的实用性和有效性。

基于三支决策的联邦学习客户选择模型

大量拥有有限的资源和低质量的训练数据的客户端可能会对联邦学习的模型训练产生负面影响。因此,如何在拥有大量不同客户端的大规模网络中选择客户端参与训练过程对联邦学习全局模型的性能至关重要。针对联邦客户选择的问题,提出了一种基于三支决策的客户端选择策略,根据客户端的损失值和精度,利用三支决策的阈值判断客户端是否参与该轮次的联邦聚合训练,并在三个不同的数据集上进行对比实验。结果表明,与随机选择方法相比,基于三支决策的联邦客户选择模型在Fashion-MNIST数据集上提高了约5%的准确率。

基于层次聚类的三支决策移动策略

治略是三支决策TAO模型中的一个重要步骤,是实现对象移动的重要手段。通过实施策略,促使对象从不利区域移动到有利区域。近年来,对于治略方面的研究,学者们提出了两种移动策略,一种是基于区域的移动,另一种是基于对象的移动。然而,这两种移动策略都是从单层次的角度分析和制定移动策略,并未从多层次上考虑移动策略的制定。因此,为了制定多个层次上的移动策略,文中引入层次聚类,提出了一种基于层次聚类的三支决策移动策略模型。首先,使用层次聚类,将不利区域中的对象划分成不同的层次,每一层次上的聚类结果不同。然后,根据全局属性值频率最高准则,为每个层次中的簇制定一个移动策略,不同的簇有不同的移动策略。此外,文中还利用移动过程中产生的收益和代价,对不同层次上的移动策略进行评估。最后,实验结果证明了所提模型的有效性。

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。

地下工程岩体质量评判的三支决策方法

为了提高地下工程评判效率,利用三支决策的方法对地下工程岩体稳定性进行质量评判.首先利用模糊相对比较决策对地下工程岩体进行总体排序;其次通过贝叶斯决策规则做出期望损失最小的决策;然后用三支决策对地下工程岩体质量评判,得到分级结果;最后将该模型运用到实际工程中,验证该评判模型的科学性和可行性.为以后计算机在岩体质量评判中更为深入的应用打好理论基础.

融合云概念的粗糙Vague集的三支决策模型

Vague集是模糊集的扩展模型,从正反两方面来描述事物的不确定性,粗糙Vague集比粗糙模糊集更具有普遍性。目前,三支决策的阈值主要是由单个专家给出,不能反映认知过程中复杂的不确定性形式。针对这一问题,提出了一种融合云概念的粗糙Vague集的三支决策模型。使用基于密度中心的云概念群决策方法求解损失函数,不仅保证综合评价的精度,还为损失函数提供了新的语义解释。构建了粗糙Vague集的三支决策模型并揭示了其误分类代价随着粒度细化而单调递减的规律。通过实验验证了该方法的可行性,克服了现有模糊集在三支决策中对事物不确定性表达不够清楚的缺点。

三支决策模型应用方法研究进展

粗糙集理论是一种有效的数学工具,可用于处理模糊数据及问题不确定性分析.但经典粗糙集理论处理实际问题存在很大弊端,例如对等价类划分的要求过高、边界域处理困难等.文章对近年来的三支决策模型有关的研究进行详细的综述,主要包括三支决策模型分析方法的理论框架、基本概念以及主要研究思想,并对目前已有的三支决策模型研究中存在的一些问题进行探讨,为后续研究提供理论参考.

三支决策——基于可解释性研究视角

该文从可解释性研究视角探讨了三支决策的相关理论与方法。首先,阐明了三代粗糙集模型的演化过程,厘清三支决策的发展轨迹;其次,聚焦三支决策与粒计算的深度融合,介绍了序贯三支决策和层次三支决策的相关理论与方法;再次,分析三支分类的有效性,揭示了三支决策能够增强分类效果的内在原因;最后,从认知视角诠释了三支决策与人工智能融合的机理,并给出了三支决策可解释性未来的研究方向。

面向不完备单值中智信息的三支决策模型

首先,给出了单值中智信息系统和不完备单值中智信息系统的概念,在此基础上,利用平均值法将一个不完备单值中智信息系统补全为完备的单值中智信息系统;然后,基于补全的单值中智信息系统给出了对象间的相似度的定义,进一步建立了面向不完备单值中智信息的三支决策模型;最后,通过例子阐述了模型的具体应用,并讨论了模型中的参数对决策结果的影响.

基于三支决策的KNN渐进式文本分类方法

在传统的文本分类中,KNN算法以其简单、分类准确率高、非参数得到了广泛的应用。但是传统KNN算法在进行文本分类的过程中,需要计算待分类文本与每一个训练样本的相似度,当面对海量的文本时,分类的效果会明显降低。针对此问题,提出了一种基于三支决策的KNN渐进式文本分类方法用于提高其分类效率,结合三支决策在分类问题中的优势,将三支决策与KNN算法相结合,对标题、摘要、关键词等进行渐进式的分类处理,从而完成待分类文本的分类,提高文本分类的效率和性能。实验表明,该算法能够在确保KNN算法分类准确率的基础上,同时提高分类效率。

基于代价敏感多类别三支决策的目标意图识别方法

针对传统意图识别算法在现代化空中对抗中识别飞机行动意图结果存在冲突,甚至无法识别目标意图的问题,提出了一种基于代价敏感多类别三支决策的目标意图识别方法;建立意图识别与代价敏感多类别三支决策相结合的数学模型,在每一个识别阶段计算出误分类代价损失值最小的那一种意图分类,得到唯一的识别结果,避免冲突结果的产生,同时,引入误分类代价第二最小损失的分类结果作为延迟域的备选选项,弥补多类别三支决策延迟域缺失的这一状况。最后通过仿真实验,验证了设计算法的有效性。

三支决策的时空性

从三支决策发展历史和已有研究出发,在总结和分析三支决策近年来理论、方法、算法及应用的基础上,基于时间和空间两个维度,分别提出了时间三支决策模型和空间三支决策模型。时间三支决策注重在动态决策环境下对序贯决策进行诠释;空间三支决策主要基于"多层次"和"多视角"的粒计算思想对最优粒层和粒度进行选择。此外,对三支决策的时空性作了深入探讨和分析,厘清了三支决策发展过程和研究脉络。最后,对三支决策的研究现状进行总结,并给出未来发展方向。

广义三支决策与狭义三支决策

从三支决策发展历史出发,在总结三支决策近年来研究的基础上,基于三支决策现有模型、算法及应用,提出了一种广义三支决策和狭义三支决策理论。广义三支决策注重对三支决策概念内涵和外延进行诠释;狭义三支决策主要注重三支决策在实际决策问题中的语义解释。提出了一种"四层次"三支粒结构决策模型,从静态和动态、广义和狭义两种视角对三支决策进行剖析,厘清了三支决策发展过程和研究脉络。最后,给出了三支决策的研究现状和未来发展方向。

深度置信网络的代价敏感多粒度三支决策模型研究

最优粒度选择是自编码网络构造多粒度特征的关键环节。针对自编码网络粒度选择方法不合理导致特征提取效果差以及错误分类成本和测试成本高的问题,提出一种基于小批量梯度下降(mini-batch gradient descent, MBGD)的粒度层选取策略。该方法通过改变粒度选择方式重新构建多粒度空间,设计一个新的基于深度置信网络(deep belief network, DBN)的代价敏感多粒度三支决策模型。更优的粒度选择方法提升网络的特征提取能力,促使多粒度空间的构造朝着最快到达最细粒度空间的方向发展,降低图像重构误差以达到更小的错误分类代价和测试代价。实验结果表明,提供合理的粒度选取策略提高了代价敏感多粒度三支决策模型的决策准确性,并在给定代价情况下更快地获得总代价最小的最优粒层。

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。