基于限制相似优势关系的粗糙决策分析模型

针对信息不完全的偏好多属性决策问题,给出了一种基于拓展粗糙集的决策分析模型.首先提出了限制相似优势关系的概念;然后在限制相似优势关系下得到知识的粗糙近似,给出了分类决策规则.对比分析证明:限制相似优势关系既保留了相似优势关系的优点,又在一定程度上克服了相似优势关系的局限性.最后通过一个实例验证了所提出的模型对信息不完备决策系统的处理更符合实际情况.

基于“不可区分-相似-优势”关系的定序分类模型

经典粗糙集方法的优点在于能够通过不可区分关系来获取知识,但其不足之处在于不能够处理定性属性、定量属性以及准则属性同时出现的定序分类问题。为此,本文对经典粗糙集进行扩展并提出了一个新的决策分析方法,该方法采用"不可区分-相似-优势"关系来代替经典粗糙集中的不可区分关系以获取知识的粗糙近似,从而不但能够解决上述定序分类问题,而且还能处理决策表中可能存在的不一致现象。实例验证了该方法的有效性与优越性。

(α,β)集对限制优势粗糙集及决策模型

针对不完备信息系统中的偏好多属性决策问题,提出了一种基于(α,β)集对限制优势粗糙集的决策分析模型。引入集对优度和关键属性构建一种集对限制优势关系,构造了基于(α,β)集对限制优势关系的粗糙集模型;在此基础上,研究了粗糙近似算子的性质、知识的属性约简和决策规则的提取方法,并采用计算机仿真的方法分析其分类误判率。(α,β)集对限制优势关系比原有的集对优势关系更加符合实际,分类的整体性能更优。比较研究的结果表明:(α,β)集对限制优势关系在保持较高的分类精度和质量的基础上,其分类误判率显著优于集对优势关系和限制相似优势关系。

均值限制相似优势粗糙集及决策分析模型研究

针对不完备信息系统中的偏好多属性决策问题,提出了一种基于均值限制相似优势粗糙集的决策分析模型.首先提出了均值限制相似优势关系的概念;然后在均值限制相似优势关系下得到知识的粗糙近似和属性约简,给出了分类决策规则.与相似优势关系和限制相似优势关系比较研究的结果表明:均值限制优势关系的分类精度和质量介于二者之间,而分类误差率则优于相似优势关系和限制相似优势关系,得到的决策规则可信度更高,决策模型与实际情况更加相符.

不完备序值决策系统中的拓展粗集模型及集对分析

在不完备序值决策系统中,根据容差优势关系进行分类过于宽松,而相似优势关系过于严格,根据这样的解释,提出了基于限制容差优势关系的粗糙集模型。进一步地,在不完备序值决策系统中,引入集对分析方法,提出了基于联系度的优势关系粗糙集模型,并进行了实例分析以说明新提出优势关系的有效性。

不完备序值系统中的粗糙集与模糊粗糙集

以不完备序值信息系统为研究对象,其中不仅包含丢失型未知属性值,而且属性值域为全序集,提出相似优势关系的概念,并在不完备序值决策系统中给出基于相似优势关系的粗糙集模型。在不完备模糊序值决策系统中,给出基于相似优势关系的模糊粗糙集模型,并讨论其相关性质。

一种多属性和准则定序分类模型

针对经典粗糙集理论在解决定性属性、定量属性以及准则属性同时出现的定序分类问题时能力较弱的这种情况,对经典粗糙集理论进行扩展,并给出了一个基于扩展粗糙集的决策分析方法.该方法使用"不可区分-相似-优势"关系来代替经典粗糙集理论中的不可区分关系来获取知识的粗糙近似.实例验证表明该方法不但能够解决上述问题而且还能处理决策表中可能存在的不一致现象,具有较好的有效性与优越性.