概率逻辑结果支持度的合成算法

Haenni的概率推理系统在与D-S理论相互转化的过程中进行了投影,从而不可避免地导致一些有价值信息的丢失。为此提出一种新的概率逻辑结果支持度的合成算法来避免信息的丢失。     

基于公共权重数据包络分析的军事训练绩效排序

针对传统数据包络分析(DEA)公共权重生成方法不同时具备线性、规模无关优点的问题,根据军事训练绩效评估需求,提出了一种新的DEA公共权重生成方法。该方法以DEA有效单位为计算基础,首先对训练数据进行归一化,然后运用多目标规划模型求解,绩效排序结果更加公平合理,并且同时具有线性、规模无关的优点。最后,通过一个军事应用,证明了该方法科学、有效。     

变精度粗糙集的逻辑解释及其约简

针对Ziarko提出的变精度粗糙集缺乏相应的逻辑解释, 且约简方法不合理, 对经典粗糙集的逻辑解释进行了扩展, 提出了变精度粗糙集决策算法应满足的四个条件, 证明了变精度粗糙集决策算法与β近似的关系并得到变精度粗糙集决策算法的性质; 其次, 在变精度粗糙集的逻辑解释下, 提出基于β下近似分布和β上近似分布变精度粗糙集的约简方法, 从而保证了约简前后分类能力大小不发生改变且符合变精度粗糙集的逻辑解释; 最后, 通过实例说明基于β下近似分布和β上近似分布约简方法的合理性。     

一种面向标签排序数据集的特征选择方法

针对标签排序问题的特点,提出一种面向标签排序数据集的特征选择算法（Label Ranking Based Feature Selection, LRFS）。该算法首先基于邻域粗糙集定义了新的邻域信息测度,能直接度量连续型、离散型以及排序型特征间的相关性、冗余性和关联性。然后,在此基础上提出基于邻域关联权重因子的标签排序特征选择算法。实验结果表明,LRFS算法能够在不降低排序准确率的前提下,有效剔除标签排序数据集中的无关特征或冗余特征。     

基于元学习思想的算法选择问题综述

算法选择实际上可视为一种学习任务.鉴于此,首先分析基于元学习思想的算法选择框架;然后从数据集特征和元算法两个角度对基于元学习思想的算法选择方法进行归纳总结;最后分析基于元学习思想的算法选择存在的问题,并指出未来发展方向.     

一种计算逻辑结果支持度的新方法

在R.Haenni构造的概率推理系统中,给出了一种基于条件概率思想计算逻辑结果支持度的新方法,将该方法应用于一个逻辑电路中元件是否正常的可能性判定。