基于仿真实验的QFD相关分析粗糙集方法研究

在运用质量功能展开工具构建质量屋时极为重要的一个步骤是对顾客需求与工程特性的相关性分析。虽然最近有文献论述粗糙集依赖分析相比其他方法而言更为有效,但是本研究发现语言信息数据标量间距不等这一特殊性质,在一定程度上会削弱该方法在质量功能展开相关性分析运用中的有效性。本研究基于语言信息理论详细阐述了该方法应用中问题产生的机理,在此基础上提出运用于质量功能展开中粗糙集依赖度分析的优化模型,并利用仿真实验验证了优化模型的有效性。

基于邻域粗糙集的高维类不平衡数据在线流特征选择

在许多实际应用中,数据经常呈现高维不平衡特征,特征还根据需求在不同时间段动态生成.基于此种情况,文中提出基于邻域粗糙集的高维类不平衡数据的在线流特征选择算法.算法设计基于小类重要度的粗糙依赖度计算公式,同时,提出在线相关性分析、在线冗余度分析、在线重要度分析三种策略,用于选择在大类和小类之间具有高可分离性的特征.在7个高维类不平衡数据集上的实验表明,文中算法可以有效选择一个较好的特征子集,性能较优.

QFD中基于语言信息理论的粗糙集方法优化模型

语言信息变量的标量间距不等这一特殊性质,在一定程度上会削弱粗糙集方法在质量功能展开(QFD)中运用的有效性。为了解决这一问题,本研究基于语言信息理论详细阐述了它产生的机理,在此基础上提出了语言信息均匀化这一新概念,并以此构建了针对粗糙集方法的优化模型。最后,运用企业真实案例验证了优化模型的有效性和可行性。