三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

不完备混合决策系统的三支决策模型与规则获取方法

现有三支决策主要针对各类完备信息系统或不完备单一型信息系统进行研究,而现实应用领域中数据往往呈现不完备性和复杂性等特征,为此,构建面向不完备混合决策系统的三支决策模型与规则获取方法。首先,计算不完备混合数据的完备邻域容差类,并将其代替等价类计算三支决策模型的条件概率;然后,根据扩展的损失函数区间概念获取各对象在乐观、折中和悲观决策下的不同阈值,进而针对不完备混合决策系统构造三种决策风险下的三支决策模型。最后,通过理论分析和医疗诊断实例详细分析了算法的有效性和可解释性,并通过实验比较和分析可知,所构模型较其他已有模型的分类过程更加合理有效,同时该模型也扩充了三支决策模型和知识发现的理论与应用研究。     

考虑决策者心理行为的直觉模糊三支决策方法

针对传统的二支决策只能得到方案排序的不足，同时考虑到决策者具有参照依赖和损失规避行为，提出了考虑决策者心理行为的三支多属性决策方法。对于大多数三支决策模型中的代价损失函数以精确值形式给出，无法有效表达模糊信息，通过采用直觉模糊决策信息来处理这一问题，同时采用TODIM方法计算各方案的综合感知优势度，依据分类规则获得决策结果。以工业机器人的项目投资开发为例，验证所提方法的有效性与合理性。     

面向混合数据的代价敏感三支决策边界域分类方法

针对现有三支决策模型的研究对象多为单一性数据的决策系统,对于混合数据边界域样本处理的研究相对较少,本文面向混合数据提出了基于核属性的代价敏感三支决策边界域分类方法。该方法基于正域约简计算混合邻域决策系统的核属性集,在此基础上计算混合邻域类,并利用三支决策规则分别将对象划分到各决策类的正域、边界域和负域;提出了一种基于代价敏感学习的三支决策边界域分类方法,并构造了误分类代价的计算方法,以此划分边界域中的对象。通过对UCI上的10个数据集进行实验对比与分析,进一步验证了本文方法,为处理边界域样本提供了一种可行有效的方法。     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

三支决策中不承诺决策的转化代价与风险控制

三支决策将决策域分为接受域、拒绝域和不承诺域3个部分,是二支决策理论的扩展,取得了广泛的应用。由于三支决策的不承诺型决策结果也要付出代价,因此首先对不承诺型决策进行风险分析,其次研究构建不承诺型决策向二支决策的转化流程,再次给出基于最小转化代价的不承诺型决策的风险控制模型,最后用实例分析证明了模型的有效性。     

广义三支决策与狭义三支决策

从三支决策发展历史出发,在总结三支决策近年来研究的基础上,基于三支决策现有模型、算法及应用,提出了一种广义三支决策和狭义三支决策理论。广义三支决策注重对三支决策概念内涵和外延进行诠释;狭义三支决策主要注重三支决策在实际决策问题中的语义解释。提出了一种"四层次"三支粒结构决策模型,从静态和动态、广义和狭义两种视角对三支决策进行剖析,厘清了三支决策发展过程和研究脉络。最后,给出了三支决策的研究现状和未来发展方向。     

求三支决策最优阈值的新算法

传统的三支决策模型是依靠专家经验来设置阈值的,从而阻碍了三支决策模型在许多领域的广泛应用。针对此不足,提出不需要依赖于专家经验的基于网格搜索的最优阈值生成算法,即以三支决策风险损失函数为模型,以决策风险最小为目标,以网格搜索为手段,以样本的条件概率为搜索空间,找出能使风险损失最小的参数组合——最优阈值。最后将以该算法得到的阈值构建的三支分类器与贝叶斯分类器分别应用于UCI部分数据集,结果显示三支分类器分类性能更优,从而说明该算法有效。     

改进的决策模型在手机垃圾短信过滤中的应用

研究手机垃圾短信过滤模型;针对于手机传统过滤方式采用了二枝决策模型引起较大决策损失的问题,提出了改进的决策模型-三枝决策模型;对改进的决策模型进行理论论证,证明三枝决策较二枝决策的决策损失更小,尝试将此改进模型应用于手机垃圾短信过滤实验;实验结果表明,三枝决策模型较传统的二枝决策模型在决策分类过程中产生错分率更低,决策更有效;通过对该模型的理论分析和实验证明,可知改进的三枝决策模型较传统的二枝决策模型风险损失小,分类效果更优。     

三支决策的时空性

从三支决策发展历史和已有研究出发,在总结和分析三支决策近年来理论、方法、算法及应用的基础上,基于时间和空间两个维度,分别提出了时间三支决策模型和空间三支决策模型。时间三支决策注重在动态决策环境下对序贯决策进行诠释;空间三支决策主要基于“多层次”和“多视角”的粒计算思想对最优粒层和粒度进行选择。此外,对三支决策的时空性作了深入探讨和分析,厘清了三支决策发展过程和研究脉络。最后,对三支决策的研究现状进行总结,并给出未来发展方向。     

分段延迟代价敏感三支决策

决策粗糙集理论中,三支决策代价目标函数是典型的单调线性函数.然而,在实践经验中经常发现延迟决策的代价与决策概率之间的函数关系往往呈现非单调特性,决策粗糙集理论的经典代价敏感三支决策模型无法对上述非单调现象进行直接的建模和推理,导致决策粗糙集理论的应用受到了限制.为了求解这种具有非单调延迟代价的代价敏感三支决策问题,提出一种新型分段延迟代价敏感三支决策模型.该模型定义了具有单调递增和单调递减特性的两组延迟决策损失函数,并结合经典正负域决策损失函数构造了分段延迟三支决策代价目标函数体系、度量指标和分段决策策略;然后,基于条件概率、损失函数及基础度量指标之间关系的4种分段延迟代价敏感三支决策分类模式被提了出来,并且对相应的三支分类阈值进行了推理;最后,通过一组典型实例,验证了分段延迟代价敏感三支决策模型及其三支分类是可行的.     

贝叶斯决策网在智能决策系统中的应用研究

面向复杂的决策问题，提出基于贝叶斯决策网在智能决策支持系统中的应用，通过决策网可以直接计算不同行动方案下的效用，直接为决策者服务。文章深入阐述了贝叶斯决策网的语义、语法、效用函数的构造和详细探讨了在求解复杂决策问题中决策模型构建和推理算法实现的方法和途径。最后建立了供应链管理中零售商预定冰激凌的实例，实际运行表明把基于贝叶斯决策网的智能决策系统用于复杂决策问题是有效的，尤其适用于多角色参与的决策问题。     

基于决策粗糙集的广义序贯三支决策方法

三支决策是求解动态不确定性问题的有效方法之一。相比传统的二支决策,序贯三支决策方法在信息不充分或证据不足时能有效平衡决策结果代价和过程代价。在研究多层次的粒结构、多选择的处理对象和多样化的代价结构的基础上,提出了一种基于决策粗糙集的广义序贯三支决策模型。该模型在每一层都考虑了7种不同的对象处理方式。最后,通过实验对比分析了该模型中7种方法的效率和性能。     

基于收益最大化的三支决策中不承诺决策转化

三支决策是对传统二支决策的推广,它在原有的二支决策中增加了不承诺域,避免了直接做出接受决策或拒绝决策所需承担的风险。但是,从效果上看,不承诺决策和拒绝决策是相同的,不承诺决策同样需要承担风险。基于收益最大化原则的转化方法给出了三支决策中不承诺决策的转化模型,并且比较了收益最大化原则和转化代价最小原则在不同情景中决策上的相同和差异,最后通过实例证明了模型的正确性和可行性。     

基于效用曲线改进的前景理论价值函数

针对选取前景理论函数参数时仅考虑决策的不理性而并未区分决策者的风险态度这一特点,基于效用曲线改进了前景理论价值函数的形式并扩展了其参数范围.该函数借鉴效用曲线依据曲线形状区分决策者风险态度的方法,同时对比已有的实验数据,得出价值函数曲线形状与决策者风险态度相关,为价值函数参数选取提供了一定的理论依据.计算实例表明,该方法便于参数选取,决策结果稳定、有效,此外,风险决策时决策结果受参考点变化的影响远大于决策者不同的风险态度,在实际决策时对于参考点的选取需要非常谨慎.     

基于MDFT的服装风格决策模型

当今服装款式风格评价都是通过专家主观审视决定的,但服装智能化设计需要有可用于服装风格的决策模型,而已有的决策模型不能很好地体现多款服装风格对比变化,给出基于多择决策场理论MDFT[2](Multialternative Decision Field Theory)的服装款式风格强弱度评价框架,建立了动态的风格决策模型。该模型综合考虑服装部件的属性和决策者心理、外界环境等各种不确定性因素的影响,更接近实际的决策过程。非理性效应是多择选择的一个重要现象,该模型能够突出体现它对决策过程的影响。     

多类分类模型和多层次增量算法*

多类分类问题的实际应用中,在决策对象的认识由粗粒度向细粒度转化时,通过使用粒结构,提出一种基于多类分类的序贯三支决策模型。在此基础上,使用该模型非增量的方法计算序贯三支决策的时间开销较大,针对决策表中条件属性的变化,给出该模型的增量方法来进行决策。首先,通过增加新属性得到每层的条件属性,构建多层次粒结构。在多层次粒结构下,给出每层决策表的损失函数矩阵。然后,按层依次计算决策表中每个决策类的阈值,进行决策表的三支决策。最后,给出多类分类的序贯三支决策算法,通过实例说明该算法的计算过程。为了动态更新多层次下的三个域集,基于多类分类给出计算序贯三支决策的增量算法,通过仿真实验验证了该方法的有效性。     

一种新的基于粒度重要度的三支决策模型

粒度重要度是多粒度粗糙集中的一项重要研究内容。针对现有粒度重要度只考虑单个粒度对决策的直接影响而忽略了其他粒度对决策综合影响的问题,结合多粒度粗糙集近似质量的概念,通过研究粒度重要度的构造方法,提出了一种新的多粒度间的粒度重要度的计算方法,并给出了基于该方法的粒度约简算法。同时,为减少冗余决策信息,将约简集与三支决策理论相结合,构建了基于粒度重要度的三支决策模型,给出了决策规则。最后通过实例证明,新的粒度约简算法可以获得具有更高区分度的数据,且缩小了延迟域范围,使最终决策更合理。     

基于证据理论的三支决策模型

三支决策模型和证据理论在概念、信息处理方式上存在着互通互补之处。首先,将证据理论基本概念引入到三支决策中,分析其延迟信任区间可能包含的可变语义,分别构建了基于证据理论的确定和可变三支决策模型。然后,通过调节信任系数取值,结合贝叶斯风险分析形成了乐观策略、悲观策略及其相应的决策规则,以满足特定语义环境下的应用需求。最后,通过对防空作战态势评估的风险分析说明了模型的具体应用过程。