基于偏好关系的不完全信息变精度粗集方法

利用Ziarko变精度粗集模型与Greco扩展粗集模型研究不完全信息系统,提出新的基于偏好关系的不完全信息系统变精度粗集决策模型．该模型克服了传统决策方法的主观性和无法处理信息不完全系统决策问题的不足．用案例验证了模型的可行性和有效性．     

基于粗糙集和混合聚类法的决策表约简算法

在分析粗糙集理论、分层聚类算法和k-means聚类算法的基础上,提出一种基于粗糙集和混合聚类法的决策表约简算法,该算法首先是使用基于分层聚类的k-means混合聚类法离散化决策表中的连续属性,然后利用粗糙集理论对离散后的决策表进行属性约简,得到决策规则集,并通过在铁路客运量预测系统中的应用验证了算法的可行性和有效性.     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于优势关系粗糙集的驾驶行为研究

在分析驾驶行为影响因素的基础上,提出了用粗糙集理论求解驾驶员的轨迹决策问题的方法.将驾驶员模糊多目标轨迹决策模型看成是一个具有偏好信息的多属性决策问题,用优势关系代替不可分辨关系,并通过优势属性集来推理决策规则,从而确定各预期轨迹点的排序.     

基于粗糙集理论的冲模实例特征属性权值确定方法

在简要介绍基于实例推理的冲模设计方法基础上,给出了基于粗糙集的冲模设计实例知识表达系统,然后提出了基于粗糙集理论的冲模实例特征属性约简和权值确定方法,即首先利用粗糙集理论判断实例特征属性的重要度,并将其进行规范化处理,得到各特征属性的权值.该方法可有效地克服传统权值确定方法中对主观经验的过分依赖.最后,以冲压件排料间隙的确定为例,说明了该方法有效性.     

基于粗糙集理论的冲模实例特征属性权值确定方法

在简要介绍基于实例推理的冲模设计方法基础上,给出了基于粗糙集的冲模设计实例知识表达系统,然后提出了基于粗糙集理论的冲模实例特征属性约简和权值确定方法,即首先利用粗糙集理论判断实例特征属性的重要度,并将其进行规范化处理,得到各特征属性的权值.该方法可有效地克服传统权值确定方法中对主观经验的过分依赖.最后,以冲压件排料间隙的确定为例,说明了该方法有效性.     

基于事例和置信度的多因素重要性排序方法

在多因素中确定各因素的重要性排序是涉及多因素问题研究的一个重要环节.借助模糊聚类方法和粗糙集理论中的重要性原理提出一个基于事例和模糊置信水平的确定多因素排序的客观方法.针对如何从客观数据中提取各种因素的重要性作了详细的讨论,最后给出了一个该方法的应用实例.     

一种改进的最小属性约简算法

最小属性约简是粗糙集理论中的一个重要内容,通过对属性约简算法的研究,指出基于U/{a}划分的最小属性约简算法中的不足,并提出了一种改进的最小属性约简算法.该算法以基于等价类的方法对论域进行压缩,有效地降低了算法的空间复杂度,用基于核的方法求解最小约简,从而保证可获得最小约简.实验结果表明,该算法具有复杂性低、存储空间小和效率高的特点,是一种有效的最小属性约简算法.     

基于粗糙集的立体停车库选址决策研究

提出了一种应用粗糙集理论选址方法,利用粗糙集理论建立模型,考虑到高峰时段停车数量、步行距离、土地价格等客观因素的影响,选取条件属性和决策属性建立决策表,采用差别矩阵属性约简算法进行约简,并对约简结果进行验证,最后归纳得到决策规则.以某城市一地区为例,介绍了该方法的应用,得出了该地区修建立体停车库选址的决策方法.     

基于多因素数据融合的PC斜拉桥安全评估

以沈阳某斜拉桥为工程背景,借鉴现有的桥梁影响因素理论研究成果,采用数值模拟和数据融合相结合的方法,开展了多因素数据融合在斜拉桥安全评估中的应用研究.在研究现有桥梁安全评估方法的基础上,把神经网络和粗糙集理论结合起来应用于PC斜拉桥的安全评估.将桥梁承载能力等级按照满足目前使用要求的程度划分为五级,利用Kohonen神经网络对建立起的安全评估数据库进行聚类,从而给出了五类安全等级所对应的具体评定指标;将粗糙集和神经网络相集成的粗神经网络算法应用到该数据库的数据融合当中,利用粗糙集的属性约简功能减少神经网络的输入维数,对神经网络进行训练学习和预测;将训练好的神经网络应用到斜拉桥的安全评估中,直接输入该桥对应的6个具体属性指标值,得到该桥目前所处的安全状况,并给出了相应的管理建议.     

基于粗集理论的交通流丢失数据补齐方法

为了解决交通检测器检测到的数据存在丢失的问题,提出了一种基于粗集理论的丢失数据补齐方法。利用检测到的交通流数据构造信息系统,通过计算扩充可辨识矩阵,并对其进行多次完整化分析,实施丢失数据的补齐,并采用英国南安普敦市的实际检测数据对算法进行了验证。研究结果表明:同一时间段,当仅有一个属性数据丢失时,粗集理论的补齐精度较高,绝对相对误差较小,基本保持在0～5%之间;当不同属性的数据同时丢失时,补齐精度较低,绝对相对误差甚至高达20%;当所有属性数据全部丢失时,补齐精度非常低,可视为无法实现补齐。可见,粗集理论是一种补齐少量丢失数据的有效方法。     

粗集决策与聚类分析的改进模型

通过分析粗集理论与聚类分析的内在联系，从理论上探讨了两者的融合机理，并给出了相关的数学证明．考虑到粗集决策难以构造决策表的缺陷，采用聚类分析构造等价关系扩展信息表，提出了等价聚类的概念。建立了基于聚类分析的粗集模型；考虑到聚类分析权重确定存在的问题，采用粗集理论的属性约简思想，解决聚类分析中的权重和冗余性问题，建立了基于粗集理论的聚类分析模型，从而解决了原有模型的不足．     

用粗集理论挖掘项目审查(评估)中的专家共识

为了改进现有的评估方法。在项目审查(评估)中，采用基于决策表的粗糙集模型算法。从众多专家的决策中找到潜在地存在于各个决策中的、公认的决策共识作为项目审查的依据和最终结果．应用该算法可以找出条件属性集中对决策最为重要的影响因素，确定实际应用中的数据采集规则．提出采用条件属性集的约简作为新的条件属性集的方法，以降低决策的复杂性，防止决策者个体的舞弊行为．     

基于变精度Rough集的对象甄选优化模型

定义了对象甄选信息系统,并根据属性值序列间的距离,给出了对象的相似关系,并利用Rough集理论讨论了对象的分类问题,最后给出了甄选的优化模型.     

基于云变换和特性关系下粗糙集的决策树构造

为了从不完备信息系统中挖掘分类知识,提出了一种基于云变换和特性关系下粗糙集的决策树构造算法(DTCCRSCR).其核心思想是,利用云变换离散化连续型数据,选择特性关系下加权平均粗糙度最小的属性作为当前的分裂节点.实验表明,由DTCCRSCR构造的决策树不仅结构简单,分类准确率较高,而且分类规则也容易理解.     

基于粗糙集和遗传算法的道路交通事故分析

通过对道路交通事故的原因分析,确定了造成道路交通事故的影响因素.研究了利用粗糙集理论从交通事故历史数据中提取有效信息的方法,并给出了基于遗传算法的道路交通事故决策表属性约简算法,得出了道路交通事故决策规则表.计算结果表明:文中所建数学模型科学合理,算法高效可行.为建立道路交通事故智能分析系统提供了一个有效的方法.     

基于粗糙集理论的模型结构选择与知识发现

为了合理选择决策模型，提出了一种基于粗糙集理论获取模型选择知识并利用获取的知识选择模型的方法．通过随机设定模型参数，得到备选模型的属性值为连续值的决策表；通过设定误差范围，获得决策表中对象之间的关系；利用该关系和粗糙集理论，对决策表进行属性约简，获得决策规则；按该决策规则进行推理，实现智能决策的模型选择．实例表明，该算法是可行的。     

概率信息系统中扩展决策规则的决策推理

用概率信息系统表示对象与属性值之间的概率关系．根据粗糙集理论，采用平均算子，获取概率信息系统的扩展决策规则集．用关系合成的模糊推理方法，实现了扩展决策规则集的决策推理．     

Algorithm for Extracting All Relative-Attribute Reducts in Decision System of Large-Scale Records

A new algorithm based on rough core was proposed to extract all relative-attribute reducts in decision information systems of large-scale records. In the algorithm, the rough core of the decision-making information system is first calculated. Then, an approach based on a top-down strategy is adopted to select the non-core condition attributes and generate candidate relative-attribute reducts. Finally, the set of all relative-attribute reducts is obtained by pruning the candidate relative-attribute reducts. Experimental results show that the proposed algorithm is superior to the other methods such as the algorithm without computing core, the exhaustive method and the discernibility matrix method in extracting all relative-attribute reducts for large-scale data sets.