基于决策理论粗糙集的一种新属性约简方法

决策理论粗糙集是一种对噪声数据具有很好容忍效果的粗糙集模型,然而由于该模型正区域的非单调性,因此传统的属性约简无法直接构造.本文将在决策理论粗糙集模型中提出一种新的属性约简方法,首先给出属性约简一种新的定义,即属性约简的正区域必须不小于属性全集的正区域,然后根据这一定义提出了相应的属性约简算法,最后进行一系列的仿真实验,通过属性约简的大小、属性约简集的分类精度以及算法效率三个方法证明了该算法的有效性和优越性.

基于区间值犹豫模糊多粒度粗糙集的三支决策模型

针对区间值犹豫模糊信息系统,提出了两种基于区间犹豫模糊多粒度粗糙集的三支决策模型。首先,借助多粒度粗糙集理论,提出乐观和悲观区间犹豫模糊多粒度粗糙集模型。其次,引入区间犹豫模糊连续交叉熵的概念,用TOPSIS方法来计算对象在不同情况下的条件概率。基于此,定义区间犹豫模糊决策理论粗糙集并给出相应的三支决策规则。最后,通过实例验证了这两种模型对目标评估采取不同的态度和决策方案,并且证明了所提算法的有效性。

覆盖多粒度梯形模糊数决策理论粗糙集模型

作为经典Pawlak粗糙集模型的推广,基于论域上的等价关系,针对风险决策分类问题,多粒度粗糙集已有研究。其特点是在力争决策的期望损失(亦称决策的条件风险)最小的条件下,比较客观地确定对象分类区域的概率描述临界值,进而进行对象的最佳分类决策。然而,在实际应用中论域上的等价关系很难把握,况且特征状态的风险损失往往带有某种不确定性。凡此,无疑在一定程度上限制了多粒度决策理论粗糙集的应用。对此进行了研究:提出了覆盖多粒度梯形模糊数决策理论粗糙集模型,分别就平均、乐观和悲观的情形进行了讨论和刻划;得到了覆盖多粒度梯形模糊数决策理论粗糙集与已有相关模型之间的关系;结果和算例表明了模型的广泛性。

区间决策粗糙集

考虑到实际决策问题中损失函数的"多值性"特征,从贝叶斯理论出发,将区间值损失函数引入决策粗糙集,提出区间值决策粗糙集模型。首先,讨论了在贝叶斯期望风险最小的决策语义下,区间值决策粗集理论基本模型的构建过程。其次,分析了区间值决策粗集理论的相关数学性质和准则。最后,通过一个石油投资问题来阐明区间值决策粗糙集模型的应用过程。

模糊数决策粗糙集

考虑到实际决策问题中损失函数的不确定性特征,从贝叶斯理论出发,将模糊数损失函数引入决策粗糙集,提出模糊数决策粗糙集模型。首先,讨论在贝叶斯期望风险最小决策的语义下模糊数决策粗集理论基本模型的构建过程。其次,分析模糊数决策粗集理论的相关数学性质和准则。最后,通过一个企业信用评估问题来阐明模糊数决策粗糙集模型的应用过程。

不完备邻域多粒度决策理论粗糙集与三支决策

多粒度决策理论粗糙集是多粒度视角下三支决策中一种重要的模型。在数值型不完备数据下建立邻域容差关系;在其基础上提出乐观和悲观的邻域多粒度决策理论粗糙集模型。为了弥补这两种模型的局限,提出平均邻域多粒度决策理论粗糙集模型,并分析相关性质以及相互关系。同时为了使所提出的邻域多粒度决策理论粗糙集适用于不完备数据环境,运用区间值的形式表示代价函数,并通过选取不同参数的方式提出一种可变三支决策。实例分析表明,该模型与方法具有一定的合理性与灵活性。

基于多伴随直觉模糊粗糙集的三支决策

决策粗糙集提供了处理不确定数据和风险数据决策问题的一个新方法,基于决策粗糙集的三支决策理论是典型的风险决策理论的推广.传统的直觉模糊粗糙集采用一对三角模与蕴涵算子来构造逻辑算子,未考虑属性之间的差别,而多伴随直觉模糊粗糙集采用多个伴随对构造逻辑算子,更好地体现了用户偏好.构造了多伴随直觉模糊粗糙集模型,研究了基于多伴随直觉模糊粗糙集的三支决策.首先,定义了乐观多伴随直觉模糊粗糙集,并用于处理直觉模糊数的复杂计算问题;然后利用隶属函数和非隶属函数计算损失函数,通过期望损失函数对事件对象进行评估,进一步构造了相应的三支决策模型;基于期望损失函数值最小的原则诱导出三支决策,并得到相应决策的风险值.此模型中期望损失函数的构造是基于支持度与非支持度两种度量的综合讨论,考虑更全面,更能有效地反映实际生活情况,满足用户偏好.最后用医学诊断的例子来验证该模型的有效性.

基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.

基于模糊数风险最小化的拓展决策粗糙集模型

决策粗糙集模型中损失函数一般是基于单值的。考虑到实际决策问题中损失函数的不确定特征,为了处理一般的情形,引入模糊数来表示损失函数。从模糊数学的角度出发,通过一系列模糊运算得出决策阈值α、β的模糊分布,并据此给出决策规则。同时,对比区间决策粗糙集模型,给出获得更紧凑的阈值α、β上、下确界的方法。最后,通过一个石油投资的例子来阐明该模型的应用过程。

基于三支决策的人才培养评价模型研究——以计算机类选修课程为例

作为高校人才培养质量与培养过程的重要补充手段之一,高校开设了计算机类选修课程。但是在培养的全过程中存在着种种不确定因素,制约了人才培养的质量进而导致评价出现偏差。以选课及考核环节,综合考虑培养目标和培养成本,制定了选课建议分类评价指标。基于三支决策粗糙集理论,对计算机类选修课程的选课建议分类模型以及课程考核三支思想进行阐述,实现了三支决策理论的拓展应用。

优势-等价关系下序贯三支决策的属性约简

序贯三支决策方法是一种能够表示问题中的多重层次粒度,并将多粒度结合起来解决不确定决策问题的有效途径。优势-等价关系粗糙集则是针对条件属性具有偏好关系的分类问题,提取有序信息,对目标概念进行近似,从而形成决策知识。利用传统的优势关系粗糙集方法进行知识约简和提取的效率低下,而目前大部分序贯三支决策方法则局限在符号值属性的信息系统中,对连续值和有序值不能进行有效处理,造成一定程度的信息丢失。因此,将序贯三支决策的思想应用于优势关系粗糙集模型中,定义了一种新的基于序贯三支决策的属性约简及相应的属性重要度,对具有偏好值属性的信息系统进行更加高效的处理,通过多粒度的表示和关系的研究,加速了知识约简过程。选取了多组UCI数据进行实验,结果表明所提出的基于优势关系的序贯三支决策方法能够在保证约简质量的基础上明显降低时间耗费。

一种改进的局部多粒度决策理论粗糙集模型

局部多粒度决策理论粗糙集要预先获取给定数据集中所有对象的信息颗粒,只需要对特定的目标概念中的对象的信息颗粒进行计算,开创了一种有用的计算范式。然而,传统的局部多粒度决策理论粗糙集在计算三个区域(正域,边界域和负域)时需要主观的给定一对概率阈值(α,β)。在实际的决策应用中,该获取阈值的方法可能会造成信息丢失或判断不准确的问题。为了解决这个问题,这篇文章提出了一种改进的局部多粒度决策理论粗糙集模型,叫做广义的局部多粒度决策理论粗糙集。该模型可以通过一个补偿系数ζ,即可自适应的获得相对应的参数α和β.这不仅减少了人为设置参数的个数,还强化了由多个粒度结构所产生损失的语义解释。

基于包含度的不一致决策表约简新方法

在不一致决策表中,以知识的包含度为基础,将一致和不一致对象分开,定义了一种新的属性重要性;为克服区分矩阵法时间复杂度随系统大小增加而指数增长的缺陷,给出分布约简的数学判定定理,提出了一种求分布约简的启发式方法。实例验证分析表明,新的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简。

基于相似度的直觉模糊多粒度决策理论粗糙集

多粒度决策理论粗糙集具有强大的理论基础和合理的语义解释。考虑直觉模糊集和多粒度决策理论粗糙集在知识表达和信息处理方面各自具有很强的优势,本文提出了直觉模糊多粒度决策理论粗糙集模型。首先,在多源直觉模糊信息系统中,通过构造直觉模糊相似关系,对对象集进行直觉模糊划分,进而得到了多源直觉模糊粒结构。其次,利用直觉模糊相似度及多源直觉模糊相似类实现了对目标集合的多粒度近似。另外,给出了该模型的一些主要性质。最后,通过实例验证了该模型的有效性。该模型为实际应用中的多源数据分析提供了一种有效的思路与方法。

不完备邻域加权多粒度决策理论粗糙集及三支决策

关注粒度间差异性和不平衡性,利用粒度分类能力挖掘粒度权重,从而构建两种基于粒度加权策略的粗糙集模型实施相关的三支决策。首先,根据边界域对知识划分的影响定义粒度重要度并诱导粒度权重,融合权重与条件概率提出不完备邻域加权多粒度决策理论粗糙集,得到三支决策。然后,考虑属性的特定限制,建立不完备邻域加权限制多粒度决策理论粗糙集,得到相关性质与相互关系。最后,利用可变三支决策进行实例分析与数据实验,证实新模型的合理性与优越性。关于不完备邻域多粒度决策理论粗糙集,两种加权模型优化改进与系统扩张了对应的基础模型,有利于相关数据分析与决策制定。

L水平相似关系下不完备区间值信息表的三支决策

推广了不完备信息表的三支决策模型。首先,根据决策者的风险偏好,定义一个L水平相似关系用以度量区间值信息表上不同对象间的相似程度。其次,从不完备信息表中存在的缺失值的两种语义出发,利用区间数获取损失函数进而通过贝叶斯最小风险决策理论求得三划分所需要的阈值。最后,将三支决策模型推广到由区间值不完备信息和损失函数矩阵组成的混合区间值信息表上,并且研究了模型的性质。

一种实域粗糙集模型及属性约简方法

通过对实域区间和决策值的重新划分,对已经存在的属性广义重要度度量准则进行了扩展,构建了对象空间上的广义邻域关系及广义邻域关系下的实域粗糙集模型,并在此基础上提出了实域决策系统中属性约简方法(ARRDDS).对不同数据集的实验测试结果表明,与其他相关方法相比,ARRDDS方法能够较好地处理决策表中实数域属性约简问题.

基于相似度量的自适应三支垃圾邮件过滤器

垃圾邮件过滤是信息时代的一个重要研究课题,一封重要邮件被错分会产生不可估量的代价.因此,如何提高过滤器的性能成为垃圾邮件过滤领域中的核心问题.目前,业界通常采用机器学习算法中的二分类模型以处理垃圾邮件过滤问题.然而,较之于三支决策模型,二分类模型会产生较大的错分代价.作为三支决策的一个重要分支,基于决策理论粗糙集的三支决策模型符合人类认知习惯,且能有效地降低错分代价,进而提高过滤器的性能.然而,在构造损失函数时,少有研究考虑由于等价类之间的差异性而对分类结果带来的影响.因此,在基于决策理论粗糙集的三支决策模型的基础上,提出了一种基于相似度量的自适应三支垃圾邮件分类模型.该模型根据集合方差计算了条件属性的权重,并基于相似度量建立了一种刻画差异信息的综合评价函数,进而根据贝叶斯决策规则构建了一种计算自适应阈值对的方法.实验结果表明所提模型在垃圾邮件过滤领域表现优异.

基于广义自适应多粒度的多源信息融合研究

多粒度粗糙集模型是一种有效的信息融合策略。利用该策略能从多个角度将多源信息进行融合,并转化成一致的信息表示。现有的大多数多粒度信息融合方法对每个知识粒度都采用相同的阈值,然而,众所周知,不同的信息源的来源和噪声都不尽相同,其对应的知识粒度的阈值也应不同。为此,首先在广义多粒度粗糙集中引入单参数决策理论粗糙集,提出了广义自适应多粒度粗糙集模型。然后,利用经典的融合策略设计了4种广义多粒度模型,所有模型都可以通过一个参数补偿系数ζ来自适应地获得知识粒度对应的阈值对,并讨论了这些模型的相关性质。最后,通过实验结果证明,所提模型在实际应用中灵活性更高,决策更为合理。

基于不完备信息系统的三支冲突分析

将Pawlak的冲突分析模型推广到不完备的信息系统中,并结合三支决策思想研究了不完备信息系统上的三支冲突分析。首先,对缺失的值进行了处理,把不完备的信息系统转化为完备的信息系统。其次,通过冲突相似距离这一概念,讨论了代理之间的冲突关系,从而建立了不完备信息系统中的冲突分析模型。最后,根据决策理论粗糙集求解了模型中代理三划分所需阈值的大小,从而得到最为合理的三划分决策结果。