基于可辨识矩阵的启发式属性约简方法及其应用

在基于可辨识矩阵的属性约简算法的基础上，提出了基于可辨识矩阵的计算属性重要性的方法，并以此作为启发式知识来约简决策表中的冗余属性。这种方法直接源于评审数据，思路清晰，拟合结果表明本约简算法合理、可靠。

基于启发式属性约简和神经网络的供应链协同管理绩效预测

面对激烈的市场竞争,供应链的协同管理至关重要。为提高供应链协同管理的效果,绩效预测是关键,是供应链协同管理的一个重要环节。为此从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的理论和方法,建立基于粗糙集和BP(Back Propagation)神经网络相结合的供应链协同管理绩效预测模型,并给出基于分辨矩阵的启发式评价指标约简方法和基于梯度的BP算法;结合预测实例,对其基于平衡记分卡的指标体系进行约简后将约简的评价指标输入到BP神经网络中进行智能训练,把预测的样本输入到训练好的BP神经网络中得出供应链协同管理绩效的预测值,预测结果与实际结果基本吻合。

混合决策系统启发式增量属性约简方法研究

对于混合决策系统的属性约简,现有方法主要存在动态效果不佳、复杂度过高,以及约简精度差等问题,为此,提出一种启发式增量属性约简方法。针对混合决策系统的动态波动,基于粗糙集建立了邻域关系模型,根据邻域相对差异对增量属性进行更新。同时,为进一步增强约简算法的动态适应性,引入条件熵求解相对差异。考虑到单纯利用邻域依赖虽然有利于处理样本的分布不均,但是很难获得良好的属性评估,引入粒度模型进行优化,将邻域关系采用粒度重新描述,从而细化邻域关系。利用邻域依赖性得到决策属性度量,构造启发计算,同时,通过条件和决策间的关联度,以及粒度模型的单调,求解出条件和决策共同约束下的邻域关系。再根据决策属性度量作为启发,直至单一属性对子集决策性能不再有影响,完成属性约简。基于数据集的仿真,验证了提出的启发式增量属性约简方法能够降低约简冗余度和约简长度,有效提高属性约简精度和约简时间效率。

基于启发式约简的虚拟企业知识共享风险预警

从虚拟企业知识共享风险预警的评价标准入手,提出具有层次结构的风险预警评价属性模型。然后,利用粗糙集的基本理论和方法,建立基于启发式属性约简的虚拟企业知识共享风险预警模型框架结构图,并给出基于分辨矩阵的启发式指标属性约简算法,进行指标优化。最后通过实例说明该预警模型的有效性及实用性。

基于启发式约简和DEA的油田供应链绩效决策

通过使用粗糙集的理论和方法,对某油田供应链企业的绩效指标离散化、设计决策表、进行启发式属性约简,对其绩效指标体系进行优化。然后利用度量决策单元相对有效性的DEA模型,对其26年的投入产出情况进行了研究,分析了绩效不佳年份造成的原因,提出了改善油田供应链投入产出指标如何调整的管理信息。与此同时,对经济效益指标体系的不完善性和统计数据的不合理性等进行了分析。

供应链协同管理的绩效评估

供应链协同管理是通过对供应链系统的人力、物力、资金及信息等资源的规划、组织和控制,来实现其目标。供应链协同管理的效果如何,可通过绩效评估进行检验,他是协同管理的一个重要环节。使用平衡积分卡、粗糙集中启发式属性约简的方法和BP神经网络的理论,探索建立了平衡积分卡、启发式属性约简和BP神经网络相结合的供应链协同管理的绩效评估模型。并结合一个实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到BP神经网络中进行智能训练,最后把评估的样本输入到训练好的BP网络中得出供应链协同管理的绩效评估值,评估结果与实际结果基本吻合。

基于改进的粗糙集理论与贝叶斯网络的变压器设备故障诊断模型

电力变压器是电力系统最为关键的一部分,快速准确地判断变压器故障类型对变压器安全运行具有重要作用,传统的粗糙集理论进行故障诊断往往存在两个问题,一是忽视属于NP-hard问题的最佳属性约简;二是未充分考虑故障诊断的概率属性。基于此,提出了一种基于改进的粗糙集理论与贝叶斯网络的变压器设备故障诊断模型,通过构建可分辨二进制矩阵,引入启发式属性约简算法求解最佳属性约简,并基于最佳属性约简构建最小诊断规则,用贝叶斯网络完成概率建模实现变压器故障诊断。通过案例分析,该模型能有效地判断变压器设备故障类型,且与油色谱三比值法相比,准确率有所提升。

一种改进的基于粗糙集理论的特征选取方法

借鉴已有的特征选取方法和粗糙集相关理论,本文提出了一种改进的基于粗糙集理论的特征选择方法,其主要思想是通过构造粒度函数将其应用于特征在分类中的重要性度量和约简,最后通过实验验证了该方法是有效的,并能够显著降低文本特征维数,提高分类的效率和精度。