应用于洪涝灾害案例推理中的层次熵分析法

案例推理中影响匹配案例检索的关键因素之一就是特征属性权值的分配与确定。将层次熵分析法应用于洪涝灾害案例推理中,对灾后救灾口粮的需求进行了预估。由层次分析法分析决策问题的目标及多种层次因素,构造出合理的层次结构。结合主观判断信息得出特征属性权值的优先级。在此基础上利用熵技术对其进行修正,确保特征属性权值具有客观性,使得优选案例更加切合实际情况。通过实验结果证明,该方法适用于洪涝灾害案例推理,可以从多项历史案例中选择与目标案例匹配最佳的案例,从而为准确预测救灾口粮需求提供了科学的参考。     

主动推送模式下的情报需求预测模型

针对主动推送模式下的情报需求预测问题,提出了基于案例推理的解决方案。设计了进行情报需求预测案例分析的工作流程,建立了案例属性描述模型;应用最近邻法进行案例的相似度评价,并通过信息增益的计算确定每个属性的权值,获得相似案例(集);提出了方案调整和推理策略。     

油料保障预测系统中案例推理方法

一般油料保障需求预测都采用历史数据回归分析的方法,这些方法无法适用缺少油料消耗历史数据的突然性的部队行动样式。为解决此问题,引入了人工智能领域的案例推理技术,采用层次分析法计算油料保障需求案例各特征属性权重;针对油料保障需求案例属性缺失的普遍问题,提出了一种基于结构可比度和属性相似度的二次案例相似度计算方法。最后模拟某坦克团的一次军事行动油料保障需求预测对上述理论和方法进行了仿真和验证,仿真结果表明,案例推理技术在油料保障需求预测中能够在缺少历史数据的情况下进行比较精确的预测。     

面向案例消耗推理的应急物资预测

面向案例推理（Case-Based Reasoning,CBR）的应急物资需求预测中,针对老旧案例影响推理结果精确度的问题进行了研究,给出了一种基于消耗策略的案例推理的应急物资预测方法。通过粗糙集属性依赖度的计算确定了案例属性之间的权重系数;针对地震应急数据特征提出了一种消耗策略的定义,确定消耗函数、消耗参数和消耗区间参数,采用消耗策略对各案例间的相似度进行优化调整,减小老旧案例的权重,进而不同程度地削弱老旧案例对案例匹配结果的影响,再从案例库中检索到与目标案例匹配的最佳源案例,从而决策出目标案例的处理方案;通过进行地震实例分析,验证了参数调节后的案例消耗推理的预测结果精度更高。该方法在应急救援的物资预测中有一定的借鉴意义。     

WDRR:一种带权重的多维案例推理算法

案例推理技术已经成为故障诊断、管理辅助决策、专家系统等实现的重要手段.现有的案例推理算法针对海量案例集时,普遍存在检索效率不高问题.设计了一种带权重的多维案例推理算法(Weighted DimensionReduction and R-tree,WDRR),该算法结合案例的多维特征权重,将多维案例降维成二维案例点,并在此基础上建立R树空间索引;案例检索时首先借助R树索引,确定案例的二维点所在,再结合二次权重和K近邻(KNN)算法进行精确过滤,根据相似度阈值输出案例推理的结果,并完成案例学习和索引修正.实验证明该方法针对海量案例集的检索效率和准确率都有较大的提升.     

基于案例推理的ISP知识重用方法

针对企业信息化中信息系统规划(ISP)在较大程度上依赖先前规划经验和知识的特点,为有效支持ISP知识重用和管理创新,将案例推理技术应用于ISP知识重用的全过程,提出基于案例推理的ISP知识重用方法(HRM KGANNA),研究应用框架、案例表示、案例检索算法与重用等关键技术。通过组织案例库进行ISP知识检索实验,结果表明HRM KGANNA法具有良好的准确性和较高的效率。     

基于案例的备件需求预测技术及软件

运用基于案例的推理（CBR）原理,提出一种备件需求的预测技术,研究了相似识别、相似度,相似基准系统等问题。并设计、并发基于案例推理的备件需求预测软件系统。     

基于CBR与灰色关联度的财务危机预警

提出一种基于案例推理(CBR)与灰色关联度的企业财务危机预警模型。将灰色关联分析应用于企业财务危机预警的案例推理中,采用特征属性的主客观权重计算案例相似度。根据各特征属性对案例检索的重要程度,通过权重向量排除非关键指标对案例判断的干扰。实验结果表明,该方法得到的案例相似性排序结果符合实际情况,可提高相似企业的检索效率,满足企业财务危机预警的要求。     

CFW的CBR动态预测

结合CBR（Case-Based Reasoning,基于案例推理）方法学,探索了CFW（Cucumber Fusarium Wilt,黄瓜枯萎病）动态预测技术。提出一种优势案例机制辅助案例检索,快速定位相似案例集以提高检索效率,并借助灵敏度分析思想确定最优相似案例。对遍历检索及基于优势案例机制的检索进行了对比分析,确定了系统案例库的最优分类数范围。利用交叉验证方法,对每个测试案例进行准确度及联想特性值评价,得出不同相异阈值下推理算法的推理有效性,并依此确定了系统案例检索的最优相异阈值。     

信息系统总体设计中案例推理与规则推理集成方法的研究

通过对信息系统总体方案设计任务特点的分析和对案例推理与规则推理优、缺点的比较,提出一种信息系统总体设计的案例推理与规则推理相结合的集成推理方法,可以提高信息系统总体设计的效率和质量。     

A forecasting method of forest pests based on the rough set and PSO-BP neural network

In order to improve the forecasting accuracy of the occurrence period of insect pests, this paper proposes a kind of forecasting method based on the combination of rough set theory and improved PSO-BP neural network. It takes insect pests of Euphrates poplar forests as the object of study. First, an attribute reduction algorithm of rough set is used to eliminate redundancy attributes. Input factors of the forecasting model of insect pests (temperature, humidity and rainfall) can be reduced from sixteen to eight. Then, particle swarm optimization (PSO) algorithm is improved using the inertia weight, and weights and thresholds of BP neural network are optimized using the improved PSO algorithm. Finally, the forecasting model of insect pests is established using rough set and an improved PSO-BP network. The test results show that rough set theory can effectively reduce the feature dimension and the improved PSO algorithm can reduce the iteration times, with an average accuracy of 94.8 %. This method can provide the technical support for the prevention and control of the insect pests of the Euphrates poplar forests.     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

基于邻域近似条件熵的启发式属性约简

目前粗糙集的研究局限于有限集,且现有的邻域粗糙集属性约简算法中属性重要性度量方式单一。针对邻域粗糙集存在的问题,提出了基于无限集的邻域近似条件熵模型。该模型以邻域近似条件熵下的属性重要度为启发条件,构造了一种基于邻域近似条件熵的前向贪心搜索属性约简算法。利用熵的单调性,证明了算法的正确性,并分析了算法的时间复杂度。通过实例分析和多个UCI数据集上的实验表明,所提出的算法是可行的,能有效减少属性数量,与现有的算法相比,不仅能够获得较小的属性约简结果,而且具有较好的分类性能。     

一种基于知识粒度的启发式属性约简算法

属性约简是粗糙集理论进行知识获取的核心问题之一。根据属性相似度与知识粒度的一致性,通过条件属性与决策属性以及条件属性之间的相似度度量,提出了一种基于知识粒度的启发式属性约简算法。根据条件属性与决策属性的相似度对条件属性进行降序排列,根据条件属性之间的相似度度量选择重要的属性,从而得到约简集合。理论分析与实验结果表明,该算法具有较高的运行效率和较好的约简效果。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

采用二分法的信息系统属性约简研究

属性约简是粗糙集理论的重要研究内容之一,并已经证明是一个NP难问题。为了提高算法的效率,提出了一个采用二分策略的属性约简方法,即计算信息系统的划分核心,利用划分核心将原始对象集逐次二分,对每个二分后的对象子集分别计算划分辨识集,计算划分辨识集的极小覆盖,通过合并极小覆盖与划分核心获得信息系统的属性约简。分析和实验结果表明随着划分核心数量的增长,使用二分法大幅度提高了算法的效率。     

基于粗集理论的贝叶斯故障诊断方法研究

贝叶斯统计推断方法是故障诊断技术领域一项重要的技术,在统计模式识别领域具有广泛的应用;针对朴素贝叶斯方法的缺点,提出了基于粗集理论的贝叶斯诊断方法,该方法利用历史诊断记录,综合考虑故障征兆和故障原因之间的依赖关系,基于粗集方法进行了故障征兆属性信息的约简,得到了故障征兆和故障原因的最小描述;通过属性约简,改善了贝叶斯方法中要求的属性信息之间的独立性限制,实验结果表明,基于粗集理论的贝叶斯故障诊断方法对于简化诊断模型,减少算法执行时间,提高诊断速度具有重要作用.     

基于粗集和距离函数的决策树构造方法

决策树是一种有效用于分类的数据挖掘方法.在决策树构造算法中,粗集理论的相对核已被应用于解决多变量检验中属性的选择问题.考虑到决策树技术和粗集的优缺点,将二者结合起来,先对每个结点包含的属性个数加以限制,再用属性相关度和De Mantaras距离函数选择相关的属性组合作为属性选择的标准,给出一种新的构造算法.该算法的优点是能有效降低树的高度,而且增强了分类规则的可读性.     

三支决策视角下的属性约简加速方法

Attribution reduction is one of the key topics in the field of rough set theory. Based on such theory, the concept of ensemble attribute reduction has been proposed. The ensemble reduction is to divide the sample into multiple decision systems in terms of the decision categories and then calculate them separately. Although ensemble attribute reduction balances the requirements of various decision classes, the corresponding time of attribute reduction is increased. To solve this problem, an attribute reduction acceleration method based on sequential three-way decisions is proposed. The specific steps are as follows: (1) The importance of the attribute in the decision system is calculated. (2) The attributes are divided into three groups in terms of the significance degree of corresponding attribute. Then, the attributes with maximal significance degree are classified into the positive domain, the attributes with zero significance degree are classified into the negative domain, and other attributes will be classified into the boundary domain. (3) The significance degree of the attributes in the boundary domain is calculated cyclically and the obtained result is divided, until theconstraint is satisfied. 8 UCI data sets are selected to conduct experiments in the traditional attribute reduction and ensemble reduction environments, respectively. The experimental results show that, under the premise of ensuring the classification performance, the proposed method can effectively reduce the time of attribute reduction in such two environments.