面向不確定性決策的雜合粗糙集方法及其應(yīng)用

內(nèi)容概要

本書(shū)介紹了粗糙集理論、方法與應(yīng)用，并針對(duì)實(shí)際應(yīng)用領(lǐng)域中知識(shí)表示系統(tǒng)可能包含的多種不確定性情況，較系統(tǒng)地介紹了粗糙集理論與其他相關(guān)軟技術(shù)理論的雜合方法與應(yīng)用。書(shū)中融入了國(guó)內(nèi)外學(xué)者研究的許多最新成果。全書(shū)內(nèi)容分為八章，包括緒淪，粗糙集理論，粗糙集與概率論的雜合，粗糙集與優(yōu)勢(shì)關(guān)系的雜合，粗糙集與模糊集的雜合，粗糙集與灰色系統(tǒng)的雜合，變精度粗糙集、模糊集與神經(jīng)網(wǎng)絡(luò)的雜合，以及雜合粗糙集方法的應(yīng)用分析等。    本書(shū)可作為高等院校經(jīng)濟(jì)管理類(lèi)專(zhuān)業(yè)及應(yīng)用數(shù)學(xué)、信息科學(xué)、自動(dòng)控制等專(zhuān)業(yè)的高年級(jí)本科生及研究生教材，也可作為人文、社會(huì)科學(xué)及其他相關(guān)學(xué)科的參考書(shū)，還可作為相關(guān)企事業(yè)單位管理人員、科研機(jī)構(gòu)及工程技術(shù)人員等廣大研究人員與實(shí)際工作者的參考書(shū)。

書(shū)籍目錄

第一章 緒論　1.1 軟計(jì)算技術(shù)產(chǎn)生的時(shí)代背景和義　1.2 粗糙集理論的特點(diǎn)與研究現(xiàn)狀　1.3 粗糙集理論與其他軟技術(shù)理論的雜合　1.4 本章小節(jié)第二章 粗糙集理論　2.1 集息系統(tǒng)與分類(lèi)　2.2 決策表與規(guī)則獲取　2.3 數(shù)據(jù)離散　2.4 屬性約簡(jiǎn)的常用算法　2.5 應(yīng)用案例　2.6 本章小節(jié)第三章 粗糙集與概率論的雜合　3.1 粗糙隸屬函數(shù)　　3.2 變精度粗糙集模型　3.3 基于變精度精糙集的分層知識(shí)粒度構(gòu)建　　3.4 基于粗糙的不一致信息系統(tǒng)規(guī)則獲取方法　　3.5 本章小結(jié)第四章 粗糙集與優(yōu)勢(shì)關(guān)系的雜合　4.1 優(yōu)勢(shì)粗糙集　4.2 優(yōu)勢(shì)變精度粗糙集　　4.3 應(yīng)用案例　4.4 本章小結(jié)第五章 粗糙集與模糊集的雜合第六章 粗糙集與灰色系統(tǒng)的雜合第七章 變精度粗糙集、模糊集與神經(jīng)網(wǎng)絡(luò)的雜合第八章 雜合粗糙集方法的應(yīng)用分析參考文獻(xiàn)

章節(jié)摘錄

　　第一章　緒論　　數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)已成為當(dāng)前非常活躍的研究領(lǐng)域，粗糙集理論作為數(shù)據(jù)推理的強(qiáng)大工具已被成功地應(yīng)用于知識(shí)獲取、決策分析、預(yù)測(cè)、專(zhuān)家系統(tǒng)及數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)等許多領(lǐng)域。粗糙集理論與灰色系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、概率統(tǒng)計(jì)、模糊集等理論有較強(qiáng)的互補(bǔ)性，將粗糙集理論與其他軟技術(shù)兩個(gè)或多個(gè)優(yōu)勢(shì)互補(bǔ)地雜合，構(gòu)建功能更加強(qiáng)大的雜合軟決策方法，可以拓寬粗糙集理論的適用范圍，為不確定性決策問(wèn)題提供多種科學(xué)、規(guī)范的決策方法?！　?.1　軟計(jì)算技術(shù)產(chǎn)生的時(shí)代背景和意義　　隨著Internet和數(shù)據(jù)庫(kù)技術(shù)的迅猛發(fā)展和廣泛應(yīng)用，數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)量以驚人的速度增加，龐大的數(shù)據(jù)量滲透到社會(huì)生活和生產(chǎn)的各個(gè)領(lǐng)域，其結(jié)果導(dǎo)致傳統(tǒng)的統(tǒng)計(jì)技術(shù)及數(shù)據(jù)管理工具不再適用于分析這些巨量的數(shù)據(jù)集。海量的數(shù)據(jù)被描述為“豐富的數(shù)據(jù)，貧乏的知識(shí)”。人們需要采用自動(dòng)化程度更高、效率更高的數(shù)據(jù)處理方法來(lái)處理大量數(shù)據(jù)，并提供有用的知識(shí)。從金融業(yè)到制造業(yè)，越來(lái)越多的公司正依賴(lài)于巨量數(shù)據(jù)的分析獲得競(jìng)爭(zhēng)優(yōu)勢(shì)，知識(shí)已成為社會(huì)生活和生產(chǎn)的第一推動(dòng)力。為了幫助人們智能化地分析海量數(shù)據(jù)，自動(dòng)地分析一些事例，出現(xiàn)了新一代的技術(shù)和工具，這些技術(shù)和工具主要用于數(shù)據(jù)挖掘（data mining，DM）和知識(shí)發(fā)現(xiàn)（knowledge discovery in database，KDD）領(lǐng)域。KDD指從大型數(shù)據(jù)庫(kù)中自動(dòng)提取知識(shí)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中隱藏的、以前未知的、潛在有用的知識(shí)，本質(zhì)上是在大的數(shù)據(jù)集合中尋找數(shù)據(jù)間的規(guī)則及普遍模式。數(shù)據(jù)挖掘可以視為用來(lái)發(fā)現(xiàn)這些規(guī)則和模式的方法。KDD的流程如圖1．1所示?！　?.數(shù)據(jù)挖掘的分析方法　　從功能上可以將數(shù)據(jù)挖掘的分析方法劃分為自動(dòng)預(yù)測(cè)趨勢(shì)和行為、關(guān)聯(lián)分析、聚類(lèi)分析、概念描述和偏差檢測(cè)五種。　?。?）自動(dòng)預(yù)測(cè)趨勢(shì)和行為　　數(shù)據(jù)挖掘自動(dòng)在大型數(shù)據(jù)庫(kù)中尋找預(yù)測(cè)性信息，以往需要進(jìn)行大量手工分析的問(wèn)題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。一個(gè)典型的例子是市場(chǎng)預(yù)測(cè)問(wèn)題，數(shù)據(jù)挖掘使用過(guò)去有關(guān)促銷(xiāo)的數(shù)據(jù)來(lái)尋找未來(lái)投資中回報(bào)最大的用戶(hù)，其他可預(yù)測(cè)的問(wèn)題包括預(yù)測(cè)破產(chǎn)以及認(rèn)定對(duì)指定事件最可能作出反應(yīng)的群體等?！　　?/pre>








圖書(shū)封面



圖書(shū)標(biāo)簽Tags
無(wú)




評(píng)論、評(píng)分、閱讀與下載



還沒(méi)讀過(guò)(46)
勉強(qiáng)可看(335)
一般般(572)
內(nèi)容豐富(2372)
強(qiáng)力推薦(194)


 


    面向不確定性決策的雜合粗糙集方法及其應(yīng)用 PDF格式下載