区间值Vague集在多传感器信息融合中的应用*

采用区间值Vague集表达多传感器信息融合问题,提出了一种新的融合方法。定义区间值Vague集的距离和得分函数,利用关系矩阵确定各传感器的综合支持度,进而得到目标的综合得分函数,给出融合结果。实例分析验证了方法的有效性。     

大数据环境下多决策表的区间值全局近似约简

在电力大数据中,很多具体的应用如负荷预测、故障诊断都需要依据一段时间内的数据变化来判断所属类别,对某一条数据进行类别判定是毫无意义的.基于此,将区间值粗糙集引入到大数据分类问题中,分别从代数观和信息观提出了基于属性依赖度和基于互信息的区间值启发式约简相关定义和性质证明,并给出相应算法,丰富和发展了区间值粗糙集理论,同时为大数据的分析研究提供了思路.针对大数据的分布式存储架构,又提出了多决策表的区间值全局约简概念和性质证明,进一步给出多决策表的区间值全局约简算法.为了使得算法在实际应用中取得更好的效果,将近似约简概念引入所提的3种算法中,通过对2012上半年某电厂一台600MW的机组运行数据进行稳态判定,验证所提算法的有效性.实验结果表明,所提的3种算法均能在保持较高分类准确率的条件下从对象和属性个数两方面对数据集进行大幅度缩减,从而为大数据的进一步分析处理提供支撑.     

User selection based on user-union and relative entropy in mobile crowdsensing

A critical issue in mobile crowdsensing (MCS) involves selecting appropriate users from a number of participants to guarantee the completion of a sensing task. Users may upload unnecessary data to the sensing platform, leading to redundancy and low user selection efficiency. Furthermore, using exact values to evaluate the quality of the user-union will further reduce selection accuracy when users form a union. This paper proposes a user selection method based on user-union and relative entropy in MCS. More specifically, a user-union matching scheme based on similarity calculation is constructed to achieve user-union and reduce data redundancy effectively. Then, considering the interval-valued influence, a user-union selection strategy with the lowest relative entropy is proposed. Extensive testing was conducted to investigate the impact of various parameters on user selection. The results obtained are encouraging and provide essential insights into the different aspects impacting the data     

基于差别矩阵的区间值决策系统β分布约简

当前区间类型数据的规模越来越大,若采用传统的属性约简方法进行处理,就需要对数据进行预处理,而这会损失原始信息。针对上述问题,提出了区间值决策系统β分布的约简算法。首先,给出区间值决策系统β分布的概念和约简目标,并证明了提出的相关定理;然后,对于该约简目标构建了β分布约简的差别矩阵和差别函数,提出了区间值决策系统β分布约简算法;最后,使用14组UCI数据集进行实验验证。在数据集Statlog上,当相似度阈值为0.6,对象数目为100、200、400、600、846时,β分布约简算法的平均约简长度为1.6、2.2、1.4、2.4、2.6,基于差别矩阵的分布约简算法（DRADM）的平均约简长度为2.0、3.0、3.0、4.0、4.0,基于差别矩阵的最大分布约简算法（MDRADM）的平均约简长度为2.0、3.0、3.0、4.0、3.0。实验结果验证了所提β分布约简算法的有效性。     

基于遗传算法的气象观测数据区间值属性约简算法

针对气象观测数据采集目的性弱、数据冗余度较高以及观测数据区间化中单值较多、等价类划分精度低的问题,提出一种基于遗传算法的气象观测数据区间值属性约简算法（MOIvGA）。首先,通过改进区间值相似度,使其能够同时适用于单值等价关系判断和区间值相似度分析;其次,通过改进自适应遗传算法,提高其收敛性;最后,通过仿真实验证明,相对于运行自适应遗传属性约简（AGAv）算法求解最优值,所提算法迭代代数减少了22代;在区间长度为1 h降水分类中,基于依赖度的区间值决策表λ-约简（MOIvGA）平均分类准确率比RIvD算法提高了6.3%,对无雨的预测准确率提高了7.13%;同时约简后的属性子集显著提高了分类准确率。由此可见,MOIvGA在区间值气象观测数据分析中能够提高收敛速度以及分类准确率。     

一种考虑区间直觉模糊集的多属性匹配决策方法

针对属性及属性权重均为区间直觉模糊数（IVIFN）的多属性匹配决策问题,提出一种匹配决策方法．首先根据区间直觉模糊数加权绝对值距离的定义,以逼近理想解法的思想,构建一方主体与另一方潜在对象最优匹配度的分式规划模型,并通过Charnes-Cooper变换,将原模型化为线性规划模型并求解模型得到双方的匹配度矩阵;然后,以匹配度最大为目标,建立一种双目标区间优化模型,通过线性加权转为单目标优化模型并求解得到匹配结果．最后,算例说明了所提方法的可行性和有效性．