区间正态信息集成算法的数据库选择模型

在区间正态模糊信息环境下,对于指标权重信息完全未知的多属性群决策问题,设计了两种信息集成算法,建立一种区间正态模糊多属性群决策模型。首先给出区间正态模糊数的基本运算规则;然后,分别从算术和几何角度设计了区间正态模糊加权平均(IVNFWA)算子和区间正态模糊加权几何(IVNFWG)算子,同时对新建立的2个算子进行大小比较分析;最后在区间正态模糊信息环境下将提出的信息集成算法与距离公式相结合,构建一种属性权重完全不可知的多属性决策模型;结合数据库系统选择实例,对提出的决策方法进行验证。测试结果表明,提出的多属性决策方法是正确的、可行的与高效的。

不完整数据集的信息熵集成分类算法

集成方法是处理包含缺失属性数据集分类问题的一种简单有效的方法,但目前针对不完整数据的集成分类算法在衡量各子分类器的权重时只考虑对应的数据子集的维数和大小.考虑到不完整数据集的缺失属性对类别的贡献度,使用信息熵衡量缺失属性之间的差异,提出一种新的针对不完整数据的集成学习分类算法———信息熵集成分类算法(EECA).应用以BP神经网络为基础分类器的集成分类器在UCI数据集上进行实验.实验结果表明,EECA比简单使用缺失属性的多少计算子分类器权重的方法更有效,最终结果准确度更高.