| 【中文题名】 | 基于属性关联度的启发式约简方法及其在群体推理中的应用 |
| 【英文题名】 | An Relationship of Degree Based Heuristic Algorithm for Attribute Reduction and Its Application in Group Reasoning |
| 【学科专业】 | 管理科学与工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-7-18 |
| 【中关键词】 | 粗糙集,属性约简,启发式信息,关联度,群体推理, |
| 【英关键词】 | Rough sets,attribute reduction,heuristic knowledge,relationship of degree,group reasoning, |
| 【分类导航】 | 数理科学和化学>数学>代数、数论、组合理论>模糊数学>> |
| 【论文摘要】 |
粗糙集作为一种处理不精确、不确定与不完全数据的新的数学理论，同模糊集、神经网络、证据理论一起成为不确定性理论计算的一个重要分支。粗糙集的特点是在信息不完备的情况下尽可能的给出问题的最大可能解，我国从94年开始了对粗糙集的研究，近几年来，粗糙集理论凭借其有效地分析和处理不完备信息的能力，日益受到国际学术届的重视，已经在许多科学与工程领域得到成功的应用。
属性约简是粗糙集用于数据分析的重要概念。寻求一种高效的属性约简算法仍然是粗糙集的研究热点之一，现尚不存在一种非常有效的约简算法。研究表明，最小约简的计算和全部约简的求算都是NP问题，在人工智能中，解决这类问题的一般方法是利用启发式信息进行约简。本文详细分析了几种典型的约简算法，提出了一种新的基于属性关联度的启发式约简算法。从算法的执行时间、约简的完备性和约简的最小性几方面进行对比分析，通过实例说明了该方法是有效的。基于粗糙集理论的群体推理——即将不确定性信息处理技术与群决策理论与方法集成的研究，是一个崭新的研究领域。其主要思想是运用粗糙集理论，对专家根据经验和逻辑推理形成的规则进行约简，得到简明实用的规则，并从主、客观两方面对群体规则进行集... |
| 【论文题纲】 |
|
第一章 绪论 |
11-18 |
|
1.1 基于粗糙集的数据分析方法概述 |
11-14 |
|
1.1.1 粗糙集理论的基本思想 |
11-12 |
|
1.1.2 粗糙集理论的国内外研究概况 |
12-13 |
|
1.1.3 基于粗糙集的数据分析体系结构 |
13-14 |
|
1.2 粗糙集理论在数据分析应用中存在的问题 |
14-17 |
|
1.2.1 数据预处理中的问题 |
14-16 |
|
1.2.2 高效的约简算法 |
16-17 |
|
1.3 本文的主要研究内容及结构安排 |
17-18 |
|
第二章 粗糙集理论简介 |
18-27 |
|
2.1 粗糙集理论的基本概念 |
18-23 |
|
2.1.1 信息系统与决策表 |
18-19 |
|
2.1.2 近似与粗糙集 |
19-20 |
|
2.1.3 属性的依赖性 |
20-21 |
|
2.1.4 属性的约简 |
21-22 |
|
2.1.5 属性值的约简 |
22-23 |
|
2.2 粗糙集理论的扩展模型 |
23-25 |
|
2.3 基于粗糙集理论的典型应用系统 |
25-26 |
|
2.4 本章小结 |
26-27 |
|
第三章 以属性的关联度作为启发式信息的属性约简方法 |
27-39 |
|
3.1 基于属性的关联度的属性约简方法 |
27-32 |
|
3.1.1 基于区分矩阵和区分函数的属性约简方法 |
27-28 |
|
3.1.2 基于属性互信息的属性约简方法 |
28-30 |
|
3.1.3 基于属性的关联度的属性约简方法 |
30-32 |
|
3.2 几种方法的比较分析 |
32-38 |
|
3.2.1 实例验证 |
32-38 |
|
3.2.2 结果分析 |
38 |
|
3.3 本章小节 |
38-39 |
|
第四章 基于粗糙集的群体推理方法 |
39-49 |
|
4.1 群体推理概述 |
39 |
|
4.2 基于粗糙集的群体推理方法 |
39-42 |
|
4.3 基于粗糙集的群体推理示例 |
42-48 |
|
4.4 本章小节 |
48-49 |
|
第五章 总结与展望 |
49-50 |
|
5.1 主要研究成果 |
49 |
|
5.2 进一步的研究方向 |
49-50 |
|
参考文献 |
50-53 |
|
| 【DOI】 | LunWen.ID:2.2008.11863 |
