模糊数决策粗糙集

考虑到实际决策问题中损失函数的不确定性特征,从贝叶斯理论出发,将模糊数损失函数引入决策粗糙集,提出模糊数决策粗糙集模型。首先,讨论在贝叶斯期望风险最小决策的语义下模糊数决策粗集理论基本模型的构建过程。其次,分析模糊数决策粗集理论的相关数学性质和准则。最后,通过一个企业信用评佑问题来阐明模糊数决策粗糙集模型的应用过程。     

基于模糊数风险最小化的拓展决策粗糙集模型

决策粗糙集模型中损失函数一般是基于单值的。考虑到实际决策问题中损失函数的不确定特征,为了处理一般的情形,引入模糊数来表示损失函数。从模糊数学的角度出发,通过一系列模糊运算得出决策阈值α、β的模糊分布,并据此给出决策规则。同时,对比区间决策粗糙集模型,给出获得更紧凑的阈值α、β上、下确界的方法。最后,通过一个石油投资的例子来阐明该模型的应用过程。     

基于不完备区间值信息系统的决策粗糙集

在不完备区间值信息系统中,提出一种基于极大相容类的决策粗糙集模型。首先,针对不完备区间值信息系统中属性相似度存在的缺陷,对属性相似度进行改进。其次,在不完备区间值信息系统中,由于容差关系下建立粗糙集模型存在冗余度高、分类精度低的问题,采用极大相容类代替等价类,结合贝叶斯最小风险决策原则,建立决策粗糙集模型。经证明,基于极大相容类建立粗糙集模型可有效提高分类精度。最后,基于正域分布不变的原则提出基于区分矩阵的属性约简算法并将该算法应用于实例。     

Bayes决策的概率型粗糙集模型

本文讨论了概率型粗糙集模型与Bayes决策方法的联系，建立了Bayes决策方法的概率型粗糙集模型，实现了粗糙集理论应用于Bayes决策的方法。     

单向S-区间值模糊粗糙集及应用

以Z.Pawlak粗集理论为基础,将动态区间值模糊近似概念引入区间值模糊粗糙集中。由此提出了单向S-区间值模糊粗糙集概念,给出了单向S-区间值模糊粗糙集的结构与性质。定义了单向S-区间值模糊粗糙集的粗相等、截集、粗糙度等概念,并对一些相关性质进行讨论和证明;给出了单向S-区间值模糊粗糙集的应用及存在价值。     

基于蕴涵的区间值直觉模糊粗糙集

提出一种基于区间值直觉模糊蕴涵的区间值直觉模糊粗糙集模型.首先,介绍了区间值直觉模糊集、区间值直觉模糊关系和区间值直觉模糊逻辑算子的概念;然后,利用区间值直觉模糊三角模和区间值直觉模糊蕴涵,在区间值直觉模糊近似空间中定义了区间值直觉模糊集的上近似和下近似;最后,给出并证明了这些近似算子的一些性质.     

基于区间二型模糊决策粗糙集的三支决策方法

考虑到区间二型模糊数在描述高度不确定性信息方面的优势,将区间二型模糊数拓展到决策粗糙集中,提出两种区间二型模糊三支决策方法.在没有类标签的区间二型模糊信息系统中,解释损失函数与确定条件概率是需要解决的两个关键问题.首先,根据区间二型模糊数的性质,将其引入决策粗糙集中,为损失函数提供一种新的解释.其次,基于贝叶斯决策过程...     

三枝决策粗糙集

从贝叶斯理论出发,介绍基于三枝决策粗集理论。首先讨论在期望风险最小决策的语义下决策粗集理论基本模型的构建过程。其次,分析决策粗集三枝决策方法在不同概率区间犯错的可能性,并通过其与二枝决策及Pawlak粗集三枝决策的差异,给出决策粗集三枝决策方法优于其他两种决策方法的成立条件。最后,提供一种利用决策粗集三枝决策解决实际问题的方法。     

监督机制多粒度决策粗糙集模型及应用

为弥补多粒度决策粗糙集刻画不确定性知识能力的不足,鉴于监督学习能够考虑对象现有或预测的类别标签信息,在多粒度决策粗糙集中引入类内阈值和类间阈值的概念,提出了基于监督机制的多粒度决策粗糙集,给出模型的下、上近似,并对相关性质和结论进行证明。以工地项目建设的实例验证了模型的有效性与可靠性。实验结果表明,通过调整类内阈值和类间阈值,可进一步提高原模型的容错和分类能力。     

基于不完备信息系统的三角模糊数决策粗糙集

在不完备信息系统中,针对用区间值表示一个未知参量时,整个区间内取值机会被认为是均等的,得到的结果可能会产生过大误差的问题,将三角模糊数引入到决策粗糙集中,提出了一种基于不完备信息系统的三角模糊数决策粗糙集。首先,定义了一种描述不完备信息的相似关系;然后,针对不完备信息系统中的缺失值,利用三角模糊数来获取损失函数,构建了三角模糊数决策粗糙集模型;实例表明,本文提出的方法不仅能够弥补用区间数表示的不足,而且可以突出可能性最大的主值,从而减少分类误差。     

直觉模糊数决策粗糙集

决策粗糙集模型的代价函数不包含模糊概念,不能够细腻地描述包含模糊信息的决策。针对上述不足,首先将模型中精确值的代价函数拓展为直觉模糊数,构建直觉模糊数决策粗糙集模型。然后,通过分析基于直觉模糊数下、上理想的决策预期代价函数,形成保守、激进、可变的决策策略和相应的决策规则,并分析其相关数学性质。最后,通过对战略目标防空部署策略的风险分析来说明模型的具体应用过程。     

基于多代价的决策粗糙集属性约简

与经典粗糙集相比,传统的决策粗糙集将代价考虑在内,利用代价矩阵生成一对阈值。但决策粗糙集不具备经典粗糙集的单调性,这为粗糙集的属性约简带来了新的挑战。传统的决策粗糙集中的代价矩阵只有一个,没有考虑到代价的变化性。首先介绍了多代价决策粗糙集下的悲观决策规则和乐观决策规则的定义,利用多个代价矩阵来生成阈值,并将其用于属性约简中。在属性约简中,从单独的决策类出发而不是基于全部的决策类提出了启发式的Local属性约简方法,且从相关实验结果中可以得到,相对于基于全部的决策类的属性约简,Local属性约简在乐观条件下比在悲观条件下能获得更多的正域规则。     

基于加权代价的决策粗糙集模型

经典决策粗糙集模型仅仅依据单个代价矩阵进行风险决策,没有考虑到风险代价的多样性和复杂性。为了弥补现有模型的不足,首先,从加权投票机制的角度引入基于多重代价融合的风险分析方法 ,提出一种基于加权代价的决策粗糙集方法。然后,研究基于加权代价的决策粗糙集 模型与其他模型的性质和关系,分析它们之间的度量和代价关系 。最后,通过UCI数据集验证该方法的有效性和鲁棒性。     

一种新的决策粗糙集启发式属性约简算法

属性约简是粗糙集理论中最重要的研究内容之一。在决策粗糙集中,学者提出了多种属性约简的定义,其中包括保持所有对象正决策不变的约简定义。针对该约简定义,为了高效地获取约简集,设计了一种启发式函数 ——决策重要度,这种启发式函数根据每个属性正决策对象集合的大小来定义其重要性,正决策对象集合越大表示重要性越高,由此构造了基于决策重要度的启发式属性约简算法。该算法的优点是通过对属性决策重要度的排序,确定了一个搜索方向,避免了属性的组合计算,减少了计算量,能够找出一个较小的约简集。实验结果表明,该算法是有效的,能够得到较好的约简效果。     

一种基于决策粗糙集的自动聚类方法

提出了一种基于决策粗糙集的面向知识的自动聚类方法。在面向知识的聚类算法中,获取初始聚类结果依赖人工阂值的设置。为此,首先根据物理学知识提出了一种差值排序方法来自动得到阂值。另外,讨论了决策粗糙集模型的损失函数,提出了一种聚类评佑方法;通过对聚类结果的评佑来实现自动聚类。实验结果表明新方法是有效的。     

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。     

可变多重代价决策粗糙集模型

通过分析乐观决策粗糙集和悲观决策粗糙集的不足之处,提出一种δ-可变多重代价矩阵的融合规则,进而建立一种可变多重代价决策粗糙集模型。引入非线性映射sigmoid函数,将可变域拓展到实数域范畴。研究了可变多重代价决策粗糙集、乐观决策粗糙集和悲观决策粗糙集的性质和关系,分析了它们之间的度量和代价关系。实例分析结果验证了该模型的可行性。