Rough集综合评价矩阵及其在风险决策中的应用

综合评价就是对多种因素所影响的事物或现象做出总的评价，即对评价对象的全体，根据所给的条件，给每个对象赋予一个非负实数——评价指标，再据此排序择优．根据Rough集和Bayes理论中的决策规则的确定性因子的涵义及其功能，本文提出了决策规则的条件属性确定性因子的概念，再利用条件属性的综合权重建立了Rough集综合评价矩阵，在风险决策时可以给决策者提供一定的决策依据．     

科学地形成系统的综合评价指标体系--Rough集的应用

本文提出了基于Ｒｏｕｇｈ集的Ｒｏｕｇｈ决策规则,并以此为理论讨论了对评价指标体系的指标属性进行简化,从而科学地形成综合评价指标体系。     

基子粒计算的偏序粗集模型研究

本文依据标准粗糙集理论，结合粒计算思想，将基于等价关系的粗糙集模型扩展到偏序关系下，并进一步利用偏序关系的性质构造了不同分类来探讨上、下近似集，构造了基于粒计算的偏序粗集模型。模型在一定程度上扩充了标准粗集理论的应用范围，有利于人们研究生活中具有偏序关系的问题，文章结合信号传播现象阐述了其现实意义。     

近似精度Rough数及其在DSS中的应用

本文在介绍Ｒｏｕｇｈ集基础上，用Ｒｏｕｇｈ下和上近似集定义了近似精度Ｒｏｕｇｈ数及其运算法则。并举例说明了这种新构想的Ｒｏｕｇｈ数被应用于ＤＳＳ（决策支持系统）中颇有新意。最后，阐述了近似精度μ将使Ｒｏｕｇｈ逻辑的五值被扩充为多值。     

基于Rough集和概率统计方法的决策规则提取

Rough集是一种处理不精确的、不一致的、不完整的信息,并从中发现隐含的知识,揭示潜在规律的新型方法.Rough集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,删除其中不相关或不重要的知识,从而导出问题的决策或分类规则.概率统计方法是传统数据处理方法,两者各有其优缺点.在决策规则提取过程中,将两者方法结合起来,在满足决策规则力度、肯定因子和覆盖因子的基础上对规则进行筛选,从而提高了决策的准确性和合理性.     

Rough集在企业数据挖掘中的应用

企业信息系统中收集到的大量数据往往是不完备的,引入相似关系定义不完备信息系统的分明矩阵,采用分明矩阵的简化方法计算约简,对每个约简中的不完备数据,按照对象条件属性值相对决策属性取值的先验概率进行完备化,完备化后的信息系统生成了一组决策规则,这些规则不但存在冗余而且规则解释能力低,按照特征描述逐步挖掘规则并给出了挖掘所有最简决策规则的算法.整个过程中,通过客户信息资料描述一系列过程,验证了新的信息系统完备化方案以及挖掘算法的合理性和有效性.     

偏序决策表的数据分析与决策规则挖掘--Rough集理论的应用

1引言 Rough集理论是一种新型的处理模糊和不确定知识的数学工具.自1982年由波兰科学家Pawlak教授首次提出后[1],20世纪90年代至今无论在Rough集理论体系完善还是实际应用方面都有了很大的发展.Yao.Y.[2,3],S1owluski[4]等文献在经典Rough集理论的等价关系模型基础上提出了一些非等价关系模型.     

基于Rough集距离函数的属性值区间化及其应用

Rough集作为一种处理模糊和不确定性问题的新颖方法已经在许多领域得到了广泛的应用。本文通过计算使决策表中的属性值区间化[3 ] ,删去冗余的决策规则 ,从而生成一种更具代表性的数据隐含式。利用上下距离函数和Rough决策因子代替统计方法或专家经验方法 ,在实际开发的系统中更具实用性。     

基于Rough集的Rough数及λ算子的逻辑价值

本文在介绍Ｒｏｕｇｈ集基础上，提出了基于Ｒｏｕｇｈ集理论的Ｒｏｕｇｈ数概念及其运算法则，并给出了这种Ｒｏｕｇｈ数应用实例及其近似程度算子λ在Ｒｏｕｇｈ逻辑中的理论价值。     

基于Rough集的Rough数及入算子的逻辑价值*

本文在介绍Rough集基础上，提出了基于Rough集理论的Rough数概念及其运算法则．并给出了这种Rough数应用实例及其近似程度算子λ在Rough逻辑中的理论价值．