决策粗糙集模型中参数的多目标优化方法

发布时间：2017-10-25 07:18

  本文关键词：决策粗糙集模型中参数的多目标优化方法

  更多相关文章： 决策粗糙集 邻域决策粗糙集 帕累托解集 F-measure MOGA SPEA2 不确定性 阈值求解 半径选择

【摘要】：作为一种新兴的粒计算工具,粗糙集模型被广泛用于处理不确定问题。该模型能够对相关决策进行定量分析,为决策者提供了有效、可靠的决策建议。针对粗糙集及其扩展模型中属性约简、阈值求解、信息表示、条件概率估算、决策规则获取及粒度选择等问题的研究多采用数据挖掘、模式识别等智能方法,但较少文献采用优化方法。基于此,本文针对决策粗糙集和邻域决策粗糙集等两个粗糙集扩展模型,利用多目标方法对前者的阈值优化和后者的邻域粒度及阈值综合优化分别进行了研究。针对决策粗糙集的阈值优化问题,提出一种决策粗糙集阈值多目标优化方法。该方法在修改了前人最小化决策代价目标函数的基础上,增加了一个最小化边界域目标函数。同时,为了提高结果的分类性能,加入了两种F-measure约束,并以此建立模型。在模型求解过程中,分别设计了无F-measure约束、考虑F1-measure和考虑F2-measure约束三种情况下的多目标遗传算法以获得帕累托解集。对于考虑F2-measure约束条件下的不可行解,利用多元线性回归,设计了修正机制。在仿真实验中,采用12个UCI数据集对该方法的有效性进行了验证。同时,实验结果揭示了两个目标函数之间的竞争合作关系,即越小的边界域意味着更大的决策代价,而反之亦然。对于邻域决策粗糙集的邻域半径选择以及阈值求解等问题,提出一种邻域决策粗糙集的邻域半径及阈值综合优化方法。该方法在前人的基础上,通过去除惩罚参数,将邻域粗糙集中进行邻域粒度选择的单目标函数更改为两个最小化目标函数,同时将决策粗糙集中的最小化决策代价目标函数进行修改引入到邻域决策粗糙集中,建立了同时考虑邻域和阈值的多目标综合优化模型。在模型求解过程中,采用带有F-measure约束的强度帕累托进化算法获得帕累托解集。在仿真实验部分,利用8个UCI经典数据集对该方法的有效性进行了验证。结果显示,利用该方法同时得到的邻域半径和阈值具有良好的分类性能。本文将多目标方法应用到了决策粗糙集参数的优化研究中,从而扩展了相关粗糙集的研究思路。
【关键词】：决策粗糙集 邻域决策粗糙集 帕累托解集 F-measure MOGA SPEA2 不确定性 阈值求解 半径选择
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：C934
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-15
• 1.1 研究背景与意义8-9
• 1.1.1 研究背景8-9
• 1.1.2 研究目的和意义9
• 1.2 相关粗糙集的国内外研究现状9-13
• 1.2.1 决策粗糙集国内外研究现状9-10
• 1.2.2 邻域粗糙集国内外研究现状10-12
• 1.2.3 邻域决策粗糙集国内外研究现状12
• 1.2.4 问题的提出12-13
• 1.3 论文主要研究内容及结构13-14
• 1.3.1 研究内容13
• 1.3.2 论文框架13-14
• 1.4 本章小结14-15
• 2 相关理论基础15-23
• 2.1 决策粗糙集理论的基础知识15-19
• 2.1.1 粗糙集模型的基本概念15-17
• 2.1.2 决策粗糙集的基本概念17-19
• 2.2 邻域粗糙集的基本概念19-21
• 2.2.1 邻域粗糙近似19-20
• 2.2.2 邻域决策系统20-21
• 2.3 邻域决策粗糙集的基本概念21-22
• 2.4 本章小结22-23
• 3 决策粗糙集阈值多目标优化方法23-41
• 3.1 决策粗糙集阈值多目标优化模型23-25
• 3.1.1 目标函数24
• 3.1.2 约束条件24-25
• 3.2 带有F-measure修正机制的多目标遗传算法25-31
• 3.2.1 帕累托最优及多目标遗传算法25-27
• 3.2.2 带有F-measure修正机制的算法步骤27-31
• 3.2.3 复杂度分析31
• 3.3 仿真实验31-39
• 3.3.1 实验设计31-32
• 3.3.2 实验结果32-39
• 3.3.3 实验分析39
• 3.4 本章小结39-41
• 4 邻域决策粗糙集的邻域半径及阈值综合优化方法41-53
• 4.1 邻域决策粗糙集半径选择及阈值求解综合优化模型41-44
• 4.2 带有F-measure约束的改进强度帕累托进化算法44-46
• 4.2.1 改进的强度帕累托进化算法介绍44-45
• 4.2.2 SPEA2的算法步骤45-46
• 4.3 仿真实验46-52
• 4.3.1 实验设计46-47
• 4.3.2 实验结果47-51
• 4.3.3 实验分析51-52
• 4.4 本章小结52-53
• 5 总结与展望53-55
• 5.1 总结53
• 5.2 展望53-55
• 主要参考文献55-60
• 图清单60-61
• 表清单61-62
• 攻读硕士学位期间取得的研究成果62-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 谭耀武;;基于数据挖掘粗糙集技术的电信运营商客户价值评价[J];沿海企业与科技;2006年01期

2 范霄文;郭惠英;;粗糙集理论的统计扩展及应用[J];统计与决策;2008年13期

3 刘昭斌;李金祥;刘文芝;;基于粗糙集的研究性学习的评价[J];管理观察;2008年15期

4 梁如冰;蔡小娟;;粗糙集理论在水文水资源方面的应用现状及展望[J];水利科技与经济;2009年12期

5 刘香怡;;粗糙集在教学质量评价中的应用[J];中国管理信息化;2011年22期

6 于迎春;;覆盖粗糙集中基于信息熵的几个定义[J];商业文化(下半月);2012年02期

7 梁第;张铭丽;邓伟;;粗糙集理论与其他理论结合的研究[J];山东省农业管理干部学院学报;2012年02期

8 吕跃进;张旭娜;韦碧鹏;;基于优势关系粗糙集的模糊综合评价的权重确定[J];统计与决策;2012年20期

9 刘超;吴洪波;;粗糙集理论及其在管理决策中的应用现状[J];职业技术;2007年12期

10 骆公志;杨晓江;;基于划分类归并的粗糙集属性约简新算法[J];统计与决策;2009年20期

中国重要会议论文全文数据库 前10条

1 黎文航;陈善本;王兵;;粗糙集理论在焊接中的应用综述[A];第十一次全国焊接会议论文集（第2册）[C];2005年

2 尹宗成;;粗糙集理论在我国粮食产量预测中的应用[A];现代农业理论与实践——安徽现代农业博士科技论坛论文集[C];2007年

3 邹刚;滕书华;孙即祥;陈森林;敖永红;;一种粗糙集优化协同原型模式约简分类方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

4 葛丽;傅彦;;粗糙集在科学数据属性约简中的应用[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

5 陈雪飞;;粗糙集分类中耦合数据的处理方法研究[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

6 肖健梅;芦晓明;王锡淮;;集装箱起重机防摇系统粗糙集控制[A];第二十六届中国控制会议论文集[C];2007年

7 王印松;冯康;;主汽温调节系统性能评价的粗糙集实现方法[A];第二十七届中国控制会议论文集[C];2008年

8 王红萍;万程亮;金彦丰;;应用粗糙集理论的对抗效果权重确定方法[A];2009’中国西部地区声学学术交流会论文集[C];2009年

9 王莉;周献中;;一种基于粗糙集的模糊神经网络模型在钢材力学性能预测中的研究[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

10 卓明;王丽珍;谭旭;;基于粗糙集近似集扩展的规则提取算法[A];第十七届全国数据库学术会议论文集（技术报告篇）[C];2000年

中国博士学位论文全文数据库 前10条

1 马希骜;概率粗糙集属性约简理论及方法研究[D];西南交通大学;2014年

2 唐孝;基于粗糙集的知识发现方法及其在ECG信号识别中的应用[D];电子科技大学;2015年

3 曾凯;邻域粒化粗糙计算的关键技术研究与应用[D];电子科技大学;2015年

4 鲍忠奎;面向不确定信息系统的粗糙集扩展模型研究[D];合肥工业大学;2015年

5 王永生;基于粗糙集理论的动态数据挖掘关键技术研究[D];北京科技大学;2016年

6 薛佩军;正负域覆盖广义粗糙集与知识粗传播研究[D];山东大学;2007年

7 孔芝;粗糙集理论若干问题的研究与应用[D];东北大学;2009年

8 秦中广;基于粗糙集的交叉研究及其在中医诊断的应用[D];华南理工大学;2002年

9 刘少辉;知识发现中粗糙集理论的研究[D];中国科学院研究生院（计算技术研究所）;2003年

10 邓大勇;基于粗糙集的数据约简及粗糙集扩展模型的研究[D];北京交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 江飞;粗糙集神经网络故障诊断方法研究[D];西安石油大学;2015年

2 何理荣;粗糙集理论在银行信贷风险评估中的应用研究[D];华南理工大学;2015年

3 张德齐;基于粗糙集理论的电机故障诊断方法研究[D];渤海大学;2015年

4 杨礼;基于粗糙集的公路交通安全预警研究[D];西南交通大学;2015年

5 聂萌瑶;基于泛系串并模型的粗糙集概念扩展与拓扑空间[D];兰州大学;2015年

6 徐鹏;基于粗糙集的建筑起重机械安全精细化评价研究[D];西安建筑科技大学;2015年

7 孙宇航;粗糙集属性约简方法在医疗诊断中的应用研究[D];苏州大学;2015年

8 张曼;基于粗糙集和包含度的聚类分类算法研究[D];青岛理工大学;2015年

9 车世远;基于群搜索优化粗糙集的脑科学数据研究[D];大连海事大学;2015年

10 林哲;基于粗糙集的马田系统研究及其在银行直接营销客户分类中的应用[D];南京理工大学;2015年

，

本文编号：1092656