基于限制优势关系的集对粗糙决策分析模型

在不完备偏好信息系统中,目前已有多种扩充,如基于扩展优势关系、基于广义扩展优势关系、基于限制优势关系等扩充,但这些扩充都存在各自的局限性。针对这些局限性,采用集对分析方法,定义集对α近似限制优势关系概念,提出一种基于限制优势关系的集对粗糙决策分析模型。这种模型是基于限制优势关系的集对粗糙决策分析模型的扩充和改进。该模型通过近似程度α的调节和控制,保证这种限制优势关系划分的准确性,同时更具灵活性,更适合处理大型不完备偏好信息系统。

优势关系多粒度粗糙集中近似集动态更新方法

随着数据的不断变化,从信息系统中获取有用的信息,可有效地为决策提供依据.为此在多粒度环境下,优势关系多粒度粗糙集中粒度增加时,分析了优势关系乐观多粒度粗糙集和悲观多粒度粗糙集近似集动态更新的定理和相关性质,提出了一种优势关系多粒度粗糙集模型中,当粒度结构动态增加时,近似集更新的算法.该算法的基本思想是不需要重新计算粒度结构变化时信息系统的优势类、下近似集和上近似集,只需根据新增粒度结构的相关信息计算所有对象的优势类;然后根据优势关系乐观多粒度粗糙集和悲观多粒度粗糙集中动态更新近似集的相关定理计算近似集,提高了更新效率.通过与传统的静态算法做比较,验证了本算法的有效性.

一种优势关系粗糙集近似集动态更新算法

近似集计算是运用粗糙集理论在数据挖掘相关研究领域中发现隐藏在数据中潜在知识的一个关键步骤。实际问题求解中,人们常常面对的信息系统是动态变化的。针对信息系统中对象集变化的情况,提出一种基于有序等价类进行信息粒合并的优势关系粗糙集近似集动态快速更新策略及相应算法。通过一个数值化算例验证了信息粒动态更新的可行性,实验结果反映出粒度动态更新方法能有效提高近似集的动态更新效率。

对象集变化置信优势关系粗糙集近似集动态更新方法

对象集变化会造成近似集的改变,动态更新方法可以高效计算近似集.对于不完备有序信息系统,讨论了单个对象增加或删除造成的决策类、置信优势类及置信劣势类的变化情况,给出了基于置信优势关系粗糙集的近似集动态更新方法.通过M atlab在UCI数据集上的实验结果表明,与非增量式方法相比,所提出的动态更新方法在对象集变化情况下计算近似集时间效率更高.

优势关系下属性值粗化细化时近似集分析

基于优势关系粗糙集模型反映属性间的偏好情况,实际上多数数据库中的数据是动态变化的。如何利用已有的信息更新近似集对于提高知识发现效率有重要意义。提出不完备信息系统在优势关系下属性值粗化细化的定义,讨论优势关系下不完备信息系统中属性值粗化细化时近似集的变化情况,对比分析优势关系下属性值粗化细化前后的粗糙近似精度和粗糙近似质量。通过实例分析验证了该方法的有效性。

计算优势关系粗糙集中近似集的快速算法

优势关系粗糙集克服经典粗糙集无法处理偏序关系数据的缺陷,而减少近似集的计算时间可以提高数据处理的效率.基于此种情况,文中提出计算优势关系粗糙集中近似集的快速算法,在对象和属性同时增加时,能快速计算优势关系粗糙集的近似集.算法改进近似集相关参数的定义,通过尽可能少的参数求出近似集,简化计算过程,提高算法运算速度,节省内存.实验表明,文中算法具有较快的运算速度,尤其当数据量增大或数据类别增多时效果更明显.

(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。

扩展优势关系下的变精度粗糙集模型

基于优势关系的变精度粗糙集模型将传统粗糙集中的等价关系扩展为优势关系,并结合变精度的思想来定义相关概念,从而可以处理具有偏好关系的信息并具有一定的容错能力。然而,传统优势关系的定义仍然过于严格,只有当一个对象x的每个属性值都优于另一个对象y时,该对象x才优于y。当属性个数较多时,这种优势关系的定义会导致对象的优势集偏小,影响到规则的提取和决策结果。为了解决这一问题,通过引入参数的方法扩展了传统优势关系的定义,并在此基础上进一步给出了扩展后的优势集和近似集的概念,建立了扩展优势关系下的变精度粗糙集模型,采用覆盖率和测试精度作为模型的评估指标。最后给出算例,并在UCI数据集上进行大量的实验将所提模型与传统优势关系下的变精度粗糙集模型进行比较。

多准则分类问题中近似集的增量更新方法

在优势关系粗糙集方法(DRSA)的框架下,优势关系可用于处理带有序关系属性(准则)的数据,并且已经被广泛用于处理多准则决策问题。然而在实际应用中,当属性集和对象集发生变化时,信息系统会随之不断更新。在这种动态环境下,DRSA中用于属性约简、规则提取以及决策制定的近似集需要得到相应的更新。针对对象集发生变化时(增加或删除一个对象)的多准则分类问题,采用增量方法来更新近似集并提出两种相应的更新算法DRSA1和DRSA2。同时,对不同情况下的更新原则进行了讨论并给出了相关的理论结果与详细的证明。最后给出算例,并在UCI数据集上进行大量的实验,与非增量的方法(传统的DRSA)进行对比,结果充分体现了所提增量方法的有效性与可扩展性。

双向S-优势概率粗集的构造及应用

S-概率粗糙集和优势关系粗糙集都是粗糙集理论的重要扩充,但均有局限性。结合上述两种模型的优点,提出了一种双向S-优势概率粗集模型,新模型既考虑了系统的动态统计特性又考虑到实际偏好信息的有效处理,模型具有一定的抗噪声能力,同时又具备较高的分类准确性和分类合理性,非常适合处理含有偏好信息的动态多属性决策问题。

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。

基于置信优势关系粗糙集的近似集动态更新方法

置信优势关系粗糙集是处理不完备有序信息的重要模型,上、下近似集的计算是核心内容之一.在实际应用中,属性集通常会发生变化.根据属性集的增加或减少,首先讨论置信优势类及劣势类变化情况,随之给出上、下近似集增量式的变化规律,提出相应的近似集动态更新方法.通过Matlab在UCI数据集上的实验结果表明,与非增量式方法相比,所提出的置信优势关系粗糙集下的上、下近似集的增量式更新方法可行、高效.

优势关系下直觉模糊决策信息系统的下近似约简

传统粗糙集理论是基于等价关系来对信息系统进行属性约简的。对于带有决策属性的信息系统,当决策属性值为直觉模糊数的时候,不能直接用粗糙集理论进行属性约简。该文在直觉模糊决策信息系统中引入优势关系。基于优势关系,定义了条件属性集的下近似决策协调集,建立了条件属性集的下近似约简模型,同时给出下近似约简的判定定理以及算法步骤。在一些决策属性值为直觉模糊数的决策信息系统中,利用该文提出的下近似约简方法,可以得到更为简洁的决策规则。最后给出一个实例验证算法的有效性。

不完备信息系统中基于特征关系的粗集模型

考虑一种广义的不完备信息系统,其中同时具有缺席和遗漏型未知属性值.在这种广义的不完备信息系统中,深入研究特征关系,探讨根据特征关系进行分类而有可能出现的2种不合理的情形,进而提出Ⅰ型和Ⅱ型2种特征关系.在此基础上,结合这两者的优点,构建Ⅲ型特征关系.最后用1个实例说明3种特征关系在处理广义不完备信息系统时的有效性.