一、不完备信息系统下限制容差关系模型的改进(论文文献综述)
张玉[1](2020)在《不完备信息填充及基于VPRS模型的属性约简研究》文中研究说明粗糙集理论模型是数据挖掘的有力工具,被广泛应用到机器学习、过程控制、知识获取、模式识别等领域,粗糙集理论可以运用属性约简发现数据表中的隐藏信息。在实际生产生活中,数据收集过程往往会遇到数据缺失、不确定、不完整的情况,使得最终收集到的不完备数据表无法直接应用经典粗糙集模型进行属性约简。因此,本文从不完备决策信息系统的填充及属性约简入手,对其展开相关研究。本文以不完备决策信息系统为对象,对其缺失属性值的填充方法进行研究,并提出基于极大正域的变精度粗糙集属性约简定义,将其运用到填充后的信息系统中,从而进行属性约简。具体内容如下:1.简述关于不完备信息系统填充方法的国内外研究进程,对现有经典粗糙集、变精度粗糙集属性约简定义进行分类和阐述,以期设计新的不完备信息系统填充方法,并将变精度粗糙集属性约简运用到填充后的信息系统中,从而确定文章主要研究内容。2.对不完备决策信息系统的区分矩阵进行改进,提出贡献矩阵的概念,在其基础上给出属性贡献率、属性的属性值完备率等定义;再将属性的相对贡献率、属性值相对完备率与参数?,?相结合,给出基于参数?,?的属性重要度定义。3.在基于参数?,?的属性重要度的基础上给出重要属性及不必要对象的定义,并以决策表中属性值出现的频率为依据,给出相应的缺失值填充方法,将不完备决策信息系统转化为带权决策信息系统。4.针对现有属性约简定义的不足提出变精度粗糙集模型中极大正域的概念,并给出基于极大正域的VPRS模型属性约简;同时,论证了基于极大正域的属性约简与已有几类属性约简间的关系;为方便应用,分别给出基于极大正域的属性约简的一般算法以及基于遗传算法的极大正域属性约简算法,分析了他们的优点与不足。5.针对带权决策信息系统,首先给出保持相对正域不变的VPRS模型属性约简定义,再给出基于极大正域的VPRS模型属性约简定义及算法,最终选取UCI中的两个数据集验证了本文所提算法的可行性及有效性。
夏冰莹[2](2020)在《基于决策粗糙集与证据理论的空气质量评价研究》文中研究表明目前,我国经济高速发展,随之带来的空气污染问题也愈发引起社会的关注。然而,在实际监测工作中,空气污染数据可能存在遗漏和冗余等现象,这些情况增加了准确分析空气质量指数的难度。面对大规模、复杂度高、信息量大的数据,传统的数据挖掘和研究方法面临着巨大挑战。从某种意义上来说证据理论和决策粗糙集都是处理不精确信息的有效工具。本文在不完备信息系统下对决策粗糙集进行改进,并且引入证据理论。将两者结合起来可以更好地适应新的需求,获得更准确的决策信息。为了解决证据理论中识别框架是不完整的情况,提出开放识别框架的概念,解决对未知命题的基本概率赋值问题。将Murphy平均法进行改进,并且扩展到开放识别框架中,有效合成冲突数据,进一步完善了开放识别框架下的证据理论模型。选用极大相容类代替经典粗糙集中的等价类,构造不完备信息系统下的决策粗糙集模型。对于属性约简问题,提出两种保正域不变的启发式属性约简算法。为了节约资源,降低约简中的属性个数,提高约简的效率。本文从局部的角度出发,只对单独的关键决策类进行属性约简,提出保正域不变的局部属性约简算法。在进行信息融合时首先需要应用决策粗糙集对信息系统进行属性约简,接着进行规则提取。在对信息表数据进行初步处理后,重新定义概率分配函数,从而确定类概率函数,得到最终的决策结果。结合遥感和站点观测到的实际数据,对比分析属性拟合预测、决策粗糙集理论的预测、决策粗糙集与证据理论结合的预测结果,通过实验结果验证本文方法具有合理性与有效性。
许鑫鑫[3](2019)在《基于粗糙集理论的信贷资产证券化关键影响因素研究》文中研究指明在经济下行压力增大、金融监管日渐严格的大环境中,我国商业银行盈利放缓,存量资产亟待盘活。信贷资产证券化被认为是盘活银行存量的金融创新工具之一,发展却不尽人意。毋庸置疑,系统科学地分析信贷资产证券化业务的关键影响因素对实现银行业健康稳定的发展至关重要。当下,信贷资产证券化数据信息系统含有不完备知识,同时充斥着大量区间型数据,给商业银行构建全面适用的信贷资产证券化影响因素指标体系带来了一定困难。基于此,本文借助粗糙集在处理不完备区间值信息系统的优势,探讨了信贷资产证券化影响因素这一基于多属性视角的复杂决策问题,为市场决策提供依据,保持信贷资产证券化业务进程的稳定推进。首先,在国内宏观经济发展的背景下,总结信贷资产证券化业务的成因,同时梳理影响信贷资产证券化业务开展的诸多因素,遵守相关指标构建原则,从资产分析、经营管理和资本充足情况三个层次着手构建商业银行信贷资产证券化关键影响因素指标体系,并结合我国证券化市场的实际发展情况,选取不同影响因素维度下代表性较强的指标进行详细说明。其次,考虑到商业银行指标庞杂、高维、不完备等特点,对经典粗糙模型进行优化和改进,建立基于可能度容差关系的多粒度粗糙决策分析模型,使得新模型能够更好地处理不确定的、多源分布的不完备区间值决策信息系统。以此为基础,提出了新的属性约简算法,得出约简信息决策表和对应的决策规则,阐述了基于改进粗糙集的信贷资产证券化影响因素研究流程。最后,以随机选出的15家商业银行数据为例进行影响因素的实证研究,获取关键影响因素,生成决策规则,精简影响因素研究流程。实践证明,改进的粗糙集模型在信贷资产证券化影响因素研究中具有很好的灵活性,可以在不同的经济环境下,为信贷资产证券化业务进程的推进提供强而有力的指导,促使商业银行更好地服务于实体经济。
彭莉莎[4](2019)在《面向不完备邻域数据的三支决策模型与属性约简算法研究》文中研究表明不完备、不精确和模糊数据大量存在于现实生活和实际应用中,经典粗糙集和概率粗糙集是处理这类数据的有效粒计算工具,随着粒计算理论的不断完善,一种新的信息计算范式三支决策被提出。三支决策继承了传统粗糙集理论的分类能力,又弥补了传统粒计算理论的容错性低等缺陷,其核心思想是“三分而治”,即通过基于贝叶斯风险决策最小化计算而来的一对阈值将论域划分成三个互不相交的域(正域、边界和负域),然后对这三个域中的对象采取对应的决策(接受、不承诺和拒绝)。三支决策分而治之的思想提高了人们分析数据和管理决策的效率,相比于只有接受和拒绝的二支决策,其边界域对应的延迟决策也降低了人们在决策问题中错误接受和错误拒绝的概率,从而一定程度减少了决策代价。由于在实际应用领域中不完备连续和不完备混合型数据等广泛存在,而三支决策对这些数据的研究相对较少,为进一步拓展三支决策模型及其应用领域,本文研究了面向不完备邻域数据的三支决策模型与属性约简算法,具体构建了面向邻域系统、不完备邻域系统和不完备混合邻域系统的三支决策模型,并鉴于现有的三支决策属性约简算法大多面向所有决策类,而对于单个决策类的研究较少,为此,本文还提出了面向特定类的三支概率属性约简算法。(1)在面向邻域系统的三支决策模型中,将邻域概念引入经典三支决策模型用于处理连续型数据。在该模型中,只计算某个对象包含于其所属对象集的条件概率,而不计算该对象包含于所有对象集的条件概率,从而一定程度提高了传统三支决策模型的运算效率。将该模型成功应用于学生综合素质评价体系中,进一步说明了该模型的有效性和实际意义。(2)在面向不完备邻域系统的三支决策模型中,提出邻域非对称相似关系用于求解不完备连续型数据的邻域粒度。实验对比面向不完备邻域系统的经典粗糙集、0.5概率粗糙集和邻域容差关系,验证了该模型能获得更高的划分准确率和更低的误划分损失,为三支决策对不完备邻域数据的处理提供了一种有效可行的方法。(3)在面向不完备混合邻域决策系统的三支决策模型中。针对不完备混合数据提出新的完备邻域容差关系和阈值计算公式,构建“乐观”、“折中”和“悲观”三支决策规则,通过理论分析和医疗诊断实例详细说明了算法的有效性和可解释性,并通过实验分析验证了所构模型比其他相关模型对不完备混合数据的分类过程更加合理,分类效果更优。(4)在面向特定类的三支概率属性约简算法中,基于相对依赖度和信息熵构建了代数论和信息论下的启发式属性约简算法。通过医疗诊断实例详细给出了算法在一致和不一致决策系统中的约简过程和运算步骤,合理解释了算法的约简结果,同时也说明了算法的有效性和可行性,扩充了三支属性约简的应用范围。
于娟[5](2019)在《基于限制容差关系的动态不完备数据的特征选择》文中研究表明经典粗糙集理论是一种处理完备数据的数学工具。由于数据的测量误差、对数据提取的限制等原因,导致不完备、不确定的数据随处可见,并且数据随时间动态变化,这使得经典粗糙集理论应用受限。因此如何高效的处理动态变化的数据,找到合适的粗糙集扩展模型是当前研究者们重点研究的课题之一。在粗糙集理论中,特征选择是知识获取的关键和核心。利用传统的属性约简算法对动态数据进行属性约简,需要消耗大量的计算时间,占用较大的内存,最终导致运行速度缓慢,无法达到预期的效果。因此在不完备信息系统中如何动态更新属性约简算法,提高算法的效率是数据挖掘等领域的重点课题之一。本文以粗糙集为基础,以获取知识为目的,针对动态变化的不完备信息系统的属性约简方法进行深入的研究和讨论,主要工作包括:首先,以限制容差关系模型为基础,考虑了由于属性值缺失程度的不同而导致的不完备信息系统的差异性,结合完备度的定义,给出了对象间完备度的限制容差关系的粗糙集扩展模型,并对该模型进行理论和实例的证明。其次,结合正区域的定义提出了一种新的正区域的等价计算公式。当属性集发生动态变化时,分析了正区域的计算方法,结合属性重要度的定义,设计了属性集增加和删除时的更新算法(算法AIAR和算法DIAR),并对算法的时间复杂度进行分析,证明了算法的可行性。另外,讨论了当单个对象发生动态变化时新正区域的计算方法,根据正区域的计算方法和已有算法,给出了单个对象动态变化时的更新算法(算法ASOIAR)。当多个对象发生动态变化时,根据算法ASOIAR的思想,提出了多个对象动态变化时的更新算法(算法MOIAR),并通过时间复杂度分析验证了算法的有效性。最后,从UCI数据库中选取4个不完备数据集,分析并验证了算法的有效性和合理性。
钱文彬,彭莉莎,王映龙,段德林[6](2020)在《不完备混合决策系统的三支决策模型与规则获取方法》文中研究说明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。
黄思妤[7](2018)在《基于粗糙集的分布式集值数据属性约简研究》文中研究表明随着数据类型的多样化,在实际的应用中,由于获取手段的限制或是实际问题的需要,我们获取到的数据很有可能是集值数据等非标准化数据。因此研究如何处理这类非标准化数据对更好地解决实际问题意义重大。与此同时,作为大数据的一种表现形式,分布式数据普遍地存在在许多实际问题中,但由于成本高、数据量庞大以及安全问题等因素的限制,在解决这类问题时往往不能将他们集中进行处理,这就导致了传统方法的使用受到限制。因此,如何有效地、分布地处理分布存储的数据是当前大数据研究中的一个热点问题。属性约简是数据预处理中的一个重要研究内容,它能够有效地约简掉数据中冗余的或是不重要的属性,从而加快后续对数据的处理进度,最终达到提高数据处理效率的目的。目前针对分布存储的标准化数据和不完备数据,已有研究者提出了相应的理论方法使得在保持系统约简前后分类能力不变的情况下对其进行有效地约简。但针对分布式集值数据的属性约简问题还有待研究。本论文深入研究了集值数据以及分布式集值数据的属性约简问题,主要内容如下:1.研究了析取语义背景下集值数据的属性约简。首先,提出了一种基于概率的相似关系来衡量两个集值对象之间的相似程度,克服了现有方法的局限性。然后,针对集值决策信息系统提出了一种相应的基于正域的属性约简算法。实验结果表明该方法可以有效地简化集值决策信息系统且分类准确率也比现有方法有所提高。2.研究了分布式集值数据的属性约简。首先,定义了分布式集值决策信息系统下的粗糙集模型。然后,在保持系统的正域不变的前提下讨论了系统中属性的可约简性,并提出了分布式集值决策信息系统下基于正域的属性约简算法。实验结果表明该方法可以在保持系统分类能力基本不变的情况下有效地去掉系统中的冗余属性。
丁棉卫[8](2017)在《基于二进制区分矩阵的增量式知识约简算法研究》文中研究表明知识约简是粗糙集理论的核心内容之一。通过知识约简可以在保证信息系统决策和分类能力不变的前提下剔除数据集中冗余信息。现实生活中,数据以不可预期的速度在增加。每获得一个新对象数据,在冗余信息剔除计算中都对整个数据集重新进行知识约简计算,必然是浪费时间和低效的。因此,对于以原有决策表知识约简计算结果为基础,计算新增加部分从而获得新决策表知识约简的增量式知识约简算法具有重要的理论和现实意义。本文针对传统二进制区分矩阵存储空间大以及如何有效地将二进制矩阵在完备和不完备信息系统中用于增量式知识约简的问题,研究了基于二进制区分矩阵的增量式知识约简算法,并将约简算法用于光伏发电功率预测系统的数据预处理,主要研究内容包括:(1)探索了在完备信息系统下基于二进制区分矩阵的增量式属性约简算法。为了解决二进制区分矩阵存储空间大的问题,提出了一种压缩二进制区分矩阵的方法,将二进制区分矩阵的存储空间从|C|+1列简化成3列。当增加单个新实例时,根据建立的压缩二进制区分矩阵,通过动态更新二进制区分矩阵的方法实现增量式属性求核,并以属性核为出发点,提出了在增加单个实例时基于二进制区分矩阵的增量式属性约简算法。(2)探索了在完备信息系统下增加成组数据时基于二进制区分矩阵的增量式属性约简算法。根据新增数据是单一实例还是成组实例对象,选择不同的分支程序来更新二进制区分矩阵。根据更新后的二进制区分矩阵快速求核,并以属性核为出发点,提出了适用于成组对象增加的基于二进制区分矩阵的增量式属性约简算法。(3)探索了基于二进制区分矩阵的不完备信息系统增量式属性约简算法。不完备信息系统下的增量式属性约简求解首先需要求解容差类。当在已有系统中新增实例时,为了快速求解新的容差类,首先提出了一种快速、稳定性较好的容差类静态求解方法,然后在此基础上提出了容差类的增量式求解方法。根据增量式求得的新容差类,通过动态更新二进制区分矩阵,提出了不完备信息系统下基于二进制区分矩阵的增量式属性约简算法。(4)探索了增量式属性约简算法用于光伏发电功率预测数据的特征提取。对采集的光伏数据建立光伏发电功率预测数据模型决策表,并对采集到的光伏数据进行相应的离散化处理。当新增数据时采用增量式属性约简算法进行特征提取,并对提取特征数据采用神经网络算法进行训练和预测。
丁棉卫,张腾飞,马福民[9](2017)在《基于二进制区分矩阵的不完备系统增量式属性约简算法》文中认为不完备信息系统下的增量式属性约简是动态数据挖掘技术的重要研究内容之一。求解增量式属性约简时首先需要求解容差类。当已有系统新增实例时,为了快速求解新的容差类,首先提出一种快速且稳定性较好的容差类静态求解方法,然后在此基础上提出容差类的增量式求解方法。根据增量式求得的新容差类,结合二进制区分矩阵直观及便于处理的优点,通过动态更新二进制区分矩阵方法,提出了不完备信息系统下基于二进制区分矩阵的增量式属性约简算法。通过实例及仿真实验验证了算法的有效性。
刘城霞[10](2016)在《柔性逻辑在数据挖掘中的应用研究》文中进行了进一步梳理数据挖掘是从海量的、没有固定规律的、不完整的数据中抽取尚未被发现的、有一定价值的信息和知识。粗糙集理论在数据挖掘中已有广泛应用,它能够通过基于分明集合(标准逻辑)的上下近似来表示和处理不精确、不确定的问题,但它只能针对离散化数据进行,对连续的数据则需要进行离散化后再进行处理,这也限制了粗糙集理论的应用范围。柔性逻辑是在标准逻辑和各种非标逻辑基础上发展出来的,可针对各种不确定性、不精确性、模糊性以及不完全性进行连续的信息处理。正是由于柔性逻辑和粗糙集都是针对不确定性的,这给二者的结合带来了可行性与便利性,也给连续型属性数据带来了新的处理方法。本文尝试把柔性逻辑和粗糙集理论结合起来,探索研究了不可分辨关系和容差关系的改进及将其应用在属性约简中的方法,并使用实验数据对其在数据挖掘过程中的应用进行了验证,取得了如下研究成果和创新:(1)提出了完备信息系统中的连续属性的柔性逻辑处理方法。在数据挖掘过程中,当信息系统中属性连续的情况下,一般先要将连续属性离散化,然后应用粗糙集理论的有关算法来处理这些数据。如此在整个数据挖掘的过程中会增加离散化的步骤、时间和误差。而柔性逻辑既可以处理离散数据,也可以处理连续数据。利用该特点本文应用柔性逻辑将粗糙集中的不可分辨关系(等价关系)重新进行定义,分析了新不可分辨关系的性质并对其进行证明,特别是针对连续的属性信息,应用新不可分辨关系对其进行等价类划分,可以取得更好的分类效果,并用实例进行了说明和验证。这项研究既扩展了粗糙集的适用范围,也使得柔性逻辑可以结合粗糙集理论来指导应用。(2)提出了新的不完备信息系统量化容差关系的量化方法;并将柔性逻辑引入不完备信息系统,定义了新的泛容差关系。传统的粗糙集只能针对完备信息系统进行处理,对于不完备信息系统要对粗糙集模型进行扩充,将其等价关系扩充为非等价关系,如容差关系或相似关系等。本文提出了一个新的量化容差关系,引入属性之间的相关性,定义了属性相关因子参与相似度的计算,得到更简洁有效的相似度的量化计算方法。已证明了新的量化容差关系的性质,并以实例对该量化容差关系的有效性进行了验证。本文还结合柔性逻辑中的泛等价关系,扩展容差关系的范围,得到泛容差关系的定义。在此基础上定义了新的相似度计算方法,得到新的基于泛容差的量化容差关系。已证明了新量化泛容差关系的性质,用实例数据对数据的填充效果进行了验证。(3)将新不可分辨关系应用到包含连续属性的区分矩阵属性约简中,并用实验数据比较了改进属性约简和经典属性约简算法所用的时间。在完备信息系统中,将改进后的新不可分辨关系代替原不可分辨关系应用到包含连续属性的属性约简中,并利用等价类的概念和离散定律中吸收率的概念对不可分辨函数进行化简,进而再求得其属性约简,并用实验数据比较了改进前后的约简时间。从结果来看应用新不可分辨关系在进行数据处理时省去了数据离散化过程,简化了数据预处理的步骤,势必有效地减少属性约简的时间。另外,为了和已有属性约简算法进行横向比较验证,本文还实现了基于区分矩阵(可分辨矩阵)属性约简、启发式的属性约简、基于条件信息熵的属性约简及动态属性约简等经典属性约简算法,将它们和用新不可分辨关系改进的基于区分矩阵的属性约简进行了约简时间的比较。(4)在实现聚类数据挖掘算法的基础上,用实验数据比较了应用柔性逻辑前后的聚类时间的不同,并对泛非在文本挖掘中的应用做了初步探讨。在分析了聚类数据挖掘经典算法后,在VC环境下实现了分级聚类算法、K-均值聚类算法及模糊聚类算法,并用实验数据比较了原始数据聚类时间和使用改进属性约简后的聚类总时间,并提出了下一步研究和改进的方向。最后对柔性逻辑中的泛非逻辑运算在数据挖掘中的应用做了初步的探索,将泛非运算用到义原相似度的计算中,完成了基于关键词的Web用户挖掘的实现及简单数据验证。
二、不完备信息系统下限制容差关系模型的改进(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、不完备信息系统下限制容差关系模型的改进(论文提纲范文)
(1)不完备信息填充及基于VPRS模型的属性约简研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 不完备信息处理方法国内外研究现状 |
1.2.2 粗糙集的发展现状 |
1.2.3 经典粗糙集属性约简国内外研究现状 |
1.2.4 变精度粗糙集属性约简国内外研究现状 |
1.3 主要研究内容 |
第二章 理论基础 |
2.1 信息系统的基本概念 |
2.2 经典粗糙集的基本概念 |
2.3 变精度粗糙集的基本概念 |
2.4 本章小结 |
第三章 不完备决策信息表处理 |
3.1 不完备决策信息表属性重要度 |
3.1.1 已有的属性重要度定义分析 |
3.1.2 一种改进的区分矩阵及属性重要度 |
3.2 不完备决策信息表填充及算法 |
3.2.1 不完备决策信息表填充 |
3.2.2 不完备决策信息表填充算法 |
3.3 本章小结 |
第四章 基于极大正域的VPRS模型属性约简 |
4.1 现有VPRS模型属性约简定义及分析 |
4.2 决策表的极大正域VPRS模型属性约简 |
4.2.1 基于极大正域的VPRS模型属性约简 |
4.2.2 五种约简定义间的联系 |
4.2.3 两种决策表中基于极大正域的属性约简算法 |
4.3 带权决策表的极大正域VPRS模型属性约简 |
4.3.1 带权决策表基于正域的VPRS模型属性约简 |
4.3.2 带权决策表基于极大正域的VPRS模型属性约简 |
4.3.3 两种带权决策表中基于极大正域的属性约简算法 |
4.4 本章小结 |
第五章 数据实验 |
5.1 基于极大正域VPRS模型属性约简实验 |
5.2 不完备决策信息系统属性约简 |
5.3 本章小结 |
第六章 总结与展望 |
参考文献 |
附录 |
附录一 Post-Operative Patient数据集 |
附录二 Mammographic Mass数据集 |
附录三 Mammographic Mass数据集填充结果 |
致谢 |
攻读学位期间参加的项目和发表论文情况 |
(一)参与项目名称 |
(二)发表学术论文 |
(2)基于决策粗糙集与证据理论的空气质量评价研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 决策粗糙集模型研究现状 |
1.2.2 证据理论研究现状 |
1.2.3 决策粗糙集与证据理论结合研究现状 |
1.3 论文的组织结构 |
1.3.1 论文创新点 |
1.3.2 论文框架 |
第2章 不完备信息系统下的决策粗糙集理论 |
2.1 经典粗糙集理论 |
2.1.1 知识表示与信息系统 |
2.1.2 不确定性度量标准 |
2.1.3 属性约简与核 |
2.2 决策粗糙集模型 |
2.3 不完备信息系统 |
2.3.1 基本概念 |
2.3.2 不完备信息系统下的决策粗糙集 |
2.4 本章小结 |
第3章 证据理论 |
3.1 经典证据理论的基本概念 |
3.1.1 识别框架 |
3.1.2 基本概率赋值 |
3.1.3 信任函数 |
3.1.4 似然函数 |
3.1.5 信任区间与不确定性表示 |
3.2 合成规则 |
3.2.1 两组的合成规则 |
3.2.2 多组的合成规则 |
3.2.3 存在不足 |
3.3 开放框架识别方法 |
3.3.1 基本概念 |
3.3.2 实例分析 |
3.4 本章小结 |
第4章 不完备信息系统下决策粗糙集与证据理论融合 |
4.1 决策粗糙集与证据理论的联系 |
4.2 不完备信息系统下证据信息获取 |
4.2.1 数据的完备化和一致化 |
4.2.2 决策系统的正域约简 |
4.2.3 决策系统的局部正域约简 |
4.2.4 规则提取 |
4.3 信息融合算法分析 |
4.3.1 证据理论的引入 |
4.3.2 证据合成 |
4.3.3 信息融合算法 |
4.4 实验分析 |
4.4.1 局部保正域属性约简对比 |
4.4.2 信息融合实验分析 |
4.5 本章小结 |
第5章 对空气质量指数进行预测 |
5.1 引言 |
5.2 对收集到的数据进行分析处理 |
5.3 对预测方法进行对比分析 |
5.3.1 实验环境搭建 |
5.3.2 AQI的单属性拟合预测 |
5.3.3 基于决策粗糙集理论对AQI进行预测 |
5.3.4 基于决策粗糙集理论与证据理论结合对AQI进行预测 |
5.4 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位间撰写的论文 |
致谢 |
(3)基于粗糙集理论的信贷资产证券化关键影响因素研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目标 |
1.3 国内外研究现状 |
1.3.1 信贷资产证券化影响因素研究方法综述 |
1.3.2 粗糙集研究综述 |
1.4 研究思路 |
1.5 研究内容 |
第二章 粗糙集理论概述 |
2.1 基本概念 |
2.1.1 信息系统与不可分辨关系 |
2.1.2 粗糙集近似 |
2.1.3 近似精度与近似质量 |
2.1.4 属性约简和决策规则提取 |
2.2 不完备区间值信息系统的粗糙模型扩展 |
2.2.1 基于可能度容差关系的粗糙集模型 |
2.2.2 基于相似联系度容差关系的粗糙集模型 |
2.3 多粒度粗糙模型及其扩展 |
2.3.1 多粒度粗糙集 |
2.3.2 多粒度决策粗糙集 |
2.4 本章小结 |
第三章 基于可能度容差关系的多粒度粗糙决策分析方法 |
3.1 基于可能度容差关系的多粒度决策粗糙集 |
3.2 属性约简 |
3.3 决策规则获取 |
3.4 应用实例 |
3.5 本章小结 |
第四章 信贷资产证券化影响因素指标体系构建 |
4.1 影响因素指标选择原则 |
4.2 影响因素指标体系构建思路 |
4.2.1 信贷资产证券化影响因素的理论概述 |
4.2.2 信贷资产证券化影响因素指标体系构建思路阐释 |
4.3 信贷资产证券化影响因素指标的选择 |
4.4 基于粗糙集的信贷资产证券化影响因素研究流程 |
4.5 本章小结 |
第五章 基于粗糙集的信贷资产证券化影响因素研究实证分析 |
5.1 决策信息表 |
5.2 获取粗糙近似 |
5.3 属性约简 |
5.4 提取决策规则 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 主要创新点 |
6.2 研究展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间参加的科研项目 |
致谢 |
(4)面向不完备邻域数据的三支决策模型与属性约简算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 三支决策国内外研究现状 |
1.2.1 三支决策研究现状 |
1.2.2 邻域决策系统的相关研究 |
1.2.3 不完备单一型决策系统的相关研究 |
1.2.4 不完备混合型决策系统的相关研究 |
1.2.5 属性约简的相关研究 |
1.3 论文研究内容与结构安排 |
1.3.1 主要研究内容 |
1.3.2 本文结构安排 |
1.4 粗糙集理论 |
1.4.1 经典粗糙集理论 |
1.4.2 概率粗糙集理论 |
1.4.3 邻域粗糙集理论 |
1.5 三支决策理论 |
第二章 面向邻域系统的三支决策模型 |
2.1 引言 |
2.2 邻域三支决策模型 |
2.2.1 主要思想 |
2.2.2 算法描述 |
2.3 基于邻域三支决策的学生综合素质评价 |
2.3.1 算法描述 |
2.3.2 评价流程 |
2.3.3 实例分析 |
2.3.4 实验分析 |
2.4 本章小结 |
第三章 面向不完备邻域系统的三支决策模型 |
3.1 引言 |
3.2 基于邻域非对称相似关系的三支决策模型 |
3.2.1 邻域非对称相似关系 |
3.2.2 算法描述及时间复杂度分析 |
3.3 实验分析和对比 |
3.3.1 参数对划分结果的影响 |
3.3.2 与其他粒计算模型的实验比较 |
3.3.3 与容差关系下三支决策模型的实验比较 |
3.4 本章小结 |
第四章 不完备混合邻域系统的三支决策模型 |
4.1 引言 |
4.2 处理不完备混合数据的粒计算方法 |
4.2.1 邻域容差关系 |
4.2.2 限制邻域容差关系 |
4.2.3 完备邻域容差关系 |
4.3 新的完备邻域容差关系近似度量方法 |
4.4 不完备混合数据的三支决策阈值获取方法 |
4.5 不完备混合数据的三支决策模型 |
4.5.1 算法描述 |
4.5.2 实例分析 |
4.6 实验分析和对比 |
4.6.1 参数对本文方法的单调性影响 |
4.6.2 分类性能分析与比较 |
4.7 本章小结 |
第五章 面向特定类的三支概率属性约简算法 |
5.1 引言 |
5.2 面向特定类的经典三支决策属性约简 |
5.3 面向特定类的三支概率属性约简 |
5.3.1 代数观下特定类的三支属性约简 |
5.3.2 信息论下特定类的三支属性约简 |
5.4 医疗诊断实例分析 |
5.5 约简模型的普适性研究 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
发表成果和学术经历 |
(5)基于限制容差关系的动态不完备数据的特征选择(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究内容和组织结构 |
1.3.1 主要研究内容 |
1.3.2 组织结构 |
2 预备知识 |
2.1 经典粗糙集的相关理论 |
2.2 不完备信息系统的粗糙集扩展模型 |
2.2.1 经典粗糙集理论的扩展模型 |
2.2.2 基于对象间完备度的限制容差关系的粗糙集扩展模型 |
2.2.3 应用举例 |
2.3 本章小结 |
3 属性集动态变化时增量式特征选择 |
3.1 引言 |
3.2 基于正区域的特征选择算法 |
3.3 属性集增删时正区域的计算方法 |
3.4 案例分析 |
3.5 属性集增删时增量式更新算法 |
3.5.1 算法设计 |
3.5.2 算法的时间复杂度分析 |
3.6 本章小结 |
4 对象集动态变化时增量式特征选择 |
4.1 引言 |
4.2 单个对象增删时增量式特征选择 |
4.2.1 单个对象增加时正区域的计算方法 |
4.2.2 单个对象删除时正区域的计算方法 |
4.2.3 案例分析 |
4.2.4 单个对象动态变化时增量式更新算法 |
4.3 多个对象增删时增量式特征选择 |
4.3.1 多个对象增删时正区域的计算方法 |
4.3.2 案例分析 |
4.3.3 多个对象增删时增量式更新算法 |
4.3.4 时间复杂度分析 |
4.4 本章小结 |
5 实验测试 |
5.1 实验配置及数据集 |
5.2 属性集增删时的实验测试 |
5.2.1 运行时间 |
5.2.2 分类精度 |
5.3 对象集增删时的实验测试 |
5.3.1 属性约简的个数 |
5.3.2 运行时间 |
5.3.3 分类精度 |
5.4 本章小结 |
结论与展望 |
参考文献 |
致谢 |
作者简历及攻读硕士学位期间的科研成果 |
(7)基于粗糙集的分布式集值数据属性约简研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 集值数据的处理 |
1.2.2 分布式数据的处理 |
1.3 论文的主要工作 |
1.4 论文组织结构 |
第2章 粗糙集理论基础 |
2.1 经典粗糙集 |
2.2 基于粗糙集的属性约简 |
2.2.1 基于正域的属性约简 |
2.2.2 基于可辨识矩阵的属性约简 |
2.2.3 基于信息观的属性约简 |
2.3 本章小结 |
第3章 集值决策信息系统的属性约简 |
3.1 集值信息系统 |
3.2 一种基于概率的相似关系 |
3.3 集值决策信息系统的属性约简 |
3.3.1 理论基础 |
3.3.2 算法设计 |
3.3.3 实例分析 |
3.4 实验设计与分析 |
3.4.1 实验设计 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第4章 分布式集值决策信息系统的属性约简 |
4.1 集值决策信息系统中的粗糙集 |
4.2 分布式集值决策信息系统下的粗糙集模型 |
4.3 分布式集值决策信息系统下的属性约简 |
4.3.1 理论基础 |
4.3.2 算法设计 |
4.3.3 实例分析 |
4.4 实验设计与分析 |
4.4.1 实验设计 |
4.4.2 实验结果与分析 |
4.5 本章小结 |
第5章 结束语 |
5.1 主要工作与创新点 |
5.2 后续研究工作 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(8)基于二进制区分矩阵的增量式知识约简算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 课题研究现状 |
1.2.1 完备信息系统下研究现状 |
1.2.2 不完备信息系统下研究现状 |
1.3 课题研究内容及框架 |
第二章 相关概念与基础知识 |
2.1 完备信息系统下的相关概念 |
2.2 不完备信息系统下的相关概念 |
2.3 本章小结 |
第三章 完备信息系统下的增量式属性约简算法 |
3.1 引言 |
3.2 一种压缩二进制区分矩阵方法 |
3.2.1 压缩二进制区分矩阵定义 |
3.2.2 实例计算说明 |
3.3 基于二进制区分矩阵的增量式属性约简方法 |
3.3.1 单个实例增加时的增量式求核算法 |
3.3.1.1 算法思路 |
3.3.1.2 实例计算说明 |
3.3.2 单个实例增加时的增量式属性约简算法 |
3.3.2.1 算法基本思想 |
3.3.2.2 算法复杂度分析 |
3.3.2.3 实例计算说明 |
3.3.2.4 实验仿真及分析 |
3.4 适用于成组实例增加的增量式求核与属性约简方法 |
3.4.1 成组实例增加时的增量式求核算法 |
3.4.1.1 算法思路 |
3.4.1.2 实例计算说明 |
3.4.2 成组实例增加时的增量式属性约简算法 |
3.4.2.1 算法基本思想 |
3.4.2.2 算法复杂度分析 |
3.4.2.3 实例计算说明 |
3.4.2.4 实验仿真及分析 |
3.5 本章小结 |
第四章 不完备信息系统下的增量式属性约简算法 |
4.1 引言 |
4.2 快速容差类求解算法 |
4.2.1 算法基本思想 |
4.2.2 实验仿真及分析 |
4.3 容差类的增量式快速求解算法 |
4.3.1 算法基本思想 |
4.3.2 实例计算说明 |
4.3.3 实验仿真及分析 |
4.4 容差关系模型下基于二进制区分矩阵的增量式属性约简算法 |
4.4.1 算法基本思想及流程 |
4.4.2 算法复杂度分析 |
4.4.3 实例计算说明 |
4.4.4 实验仿真及分析 |
4.5 本章小结 |
第五章 增量式约简算法在光伏发电预测系统的应用 |
5.1 应用背景 |
5.2 光伏发电预测数据离散化处理 |
5.3 神经网络预测模型设计 |
5.3.1 预测模型 |
5.3.2 学习算法 |
5.4 基于增量式约简算法的光伏预测模型 |
5.5 实验仿真对比分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 论文展望 |
参考文献 |
附录 攻读硕士学位期间撰写的论文 |
致谢 |
(9)基于二进制区分矩阵的不完备系统增量式属性约简算法(论文提纲范文)
1 引言 |
2 相关概念 |
3 改进的容差类求解方法 |
3.1 改进的容差类静态求解算法 |
3.2 容差类的增量式求解算法 |
3.3 实验结果及分析 |
4 不完备信息系统下基于二进制区分矩阵的增量式属性约简 |
4.1 基于二进制区分矩阵的不完备系统增量式属性约简算法 |
4.2 复杂度分析 |
4.3 实例计算 |
4.4 实验仿真及分析 |
(10)柔性逻辑在数据挖掘中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题的背景与研究现状 |
1.1.1 数据挖掘中用到的粗糙集理论及现有理论的局限性 |
1.1.2 泛逻辑的产生和发展 |
1.2 本文的主要创新工作 |
1.3 本文的结构安排 |
本章参考文献 |
第二章 数据挖掘、粗糙集及柔性逻辑理论基础 |
2.1 数据挖掘简介 |
2.1.1 数据挖掘方法简介 |
2.1.2 数据挖掘过程简介 |
2.2 粗糙集理论简介 |
2.2.1 粗糙集基础概念 |
2.2.2 属性约简的方法简介 |
2.2.3 粗糙集理论的扩展 |
2.3 柔性逻辑理论基础 |
2.3.1 柔性逻辑学理论基础 |
2.3.2 零级泛运算模型 |
2.3.3 一级泛运算模型 |
2.3.4 泛非命题连接词及其逻辑公式 |
2.4 柔性逻辑学理论和粗糙集理论结合的可能性 |
2.4.1 柔性逻辑和粗糙集理论的结合 |
2.4.2 柔性逻辑用在数据挖掘过程中——理论的验证 |
本章参考文献 |
第三章 完备信息系统下的属性约简研究 |
3.1 泛等价处理连续属性 |
3.1.1 不可分辨关系 |
3.1.2 泛等价处理连续值属性 |
3.1.3 应用泛等价关系对不可分辨关系进行新的定义 |
3.2 应用泛等价改进基于区分矩阵的属性约简算法 |
3.2.1 基于区分矩阵的属性约简算法及其泛等价改进策略 |
3.2.2 应用新不可分辨关系后的实例分析 |
3.2.3 应用新不可分辨关系改进后属性约简算法的实验验证 |
3.3 本章小结 |
本章参考文献 |
第四章 不完备信息系统下的泛容差关系 |
4.1 粗糙集扩展理论基础 |
4.1.1 容差关系 |
4.1.2 量化容差关系 |
4.2 改进量化容差关系 |
4.2.1 基于相关性的新量化容差关系 |
4.2.2 新量化容差关系下的实例分析 |
4.3 泛量化容差关系 |
4.3.1 泛容差关系 |
4.3.2 应用泛容差关系进行实例分析 |
4.4 本章小结 |
本章参考文献 |
第五章 数据挖掘中属性约简算法的实现与比较 |
5.1 基于区分矩阵的属性约简算法的实现 |
5.1.1 基于区分矩阵属性约简算法的过程简介 |
5.1.2 基于区分矩阵的属性约简算法实现及实验测试 |
5.2 启发式属性约简的实现 |
5.2.1 启发式属性约简算法过程简介 |
5.2.2 启发式属性约简算法的实现及实验测试 |
5.3 基于信息熵的属性约简算法的研究及实现 |
5.3.1 基于信息熵的属性约简过程简介 |
5.3.2 基于信息熵的属性约简的实现及实验测试 |
5.4 动态属性约简算法研究与实现 |
5.4.1 动态属性约简的过程简介 |
5.4.2 动态属性约简的实现与实验测试 |
5.5 几种属性约简算法时间比较 |
5.6 本章小结 |
本章参考文献 |
第六章 柔性逻辑在数据挖掘中的应用探索及验证 |
6.1 改进属性约简用在聚类挖掘中的实验验证 |
6.1.1 单连接层次聚类算法 |
6.1.2 K-Means聚类算法 |
6.1.3 FCM聚类算法 |
6.1.4 应用柔性逻辑约简前后的数据挖掘时间的比较 |
6.2 基于关键词相似度的web数据挖掘初探 |
6.2.1 关键词间相似度算法 |
6.2.2 词语相似度算法分析 |
6.2.3 用户相似度算法 |
6.2.4 结果分析 |
6.3 柔性逻辑应用到数据挖掘的探索与构想 |
6.4 本章小结 |
本章参考文献 |
第七章 总结与展望 |
7.1 研究工作总结 |
7.2 将来的研究展望 |
致谢 |
攻读博士学位期间发表的论文 |
四、不完备信息系统下限制容差关系模型的改进(论文参考文献)
- [1]不完备信息填充及基于VPRS模型的属性约简研究[D]. 张玉. 广西大学, 2020(07)
- [2]基于决策粗糙集与证据理论的空气质量评价研究[D]. 夏冰莹. 江苏科技大学, 2020(03)
- [3]基于粗糙集理论的信贷资产证券化关键影响因素研究[D]. 许鑫鑫. 南京邮电大学, 2019(02)
- [4]面向不完备邻域数据的三支决策模型与属性约简算法研究[D]. 彭莉莎. 江西农业大学, 2019(03)
- [5]基于限制容差关系的动态不完备数据的特征选择[D]. 于娟. 大连海事大学, 2019(06)
- [6]不完备混合决策系统的三支决策模型与规则获取方法[J]. 钱文彬,彭莉莎,王映龙,段德林. 计算机应用研究, 2020(05)
- [7]基于粗糙集的分布式集值数据属性约简研究[D]. 黄思妤. 重庆邮电大学, 2018(01)
- [8]基于二进制区分矩阵的增量式知识约简算法研究[D]. 丁棉卫. 南京邮电大学, 2017(02)
- [9]基于二进制区分矩阵的不完备系统增量式属性约简算法[J]. 丁棉卫,张腾飞,马福民. 计算机科学, 2017(07)
- [10]柔性逻辑在数据挖掘中的应用研究[D]. 刘城霞. 北京邮电大学, 2016(02)