一、决策支持系统中粗糙集理论的应用研究（论文文献综述）
陈亮[1]（2021）在《基于不完备多尺度信息的决策规则提取方法研究》文中研究指明随着大数据时代的到来,不同类型的数据往往具有多尺度结构,在不同尺度的属性信息下对数据进行分析和处理,已经成为一种处理不确定信息的重要方法。然而现有的多尺度数据分析模型大多是面向完备信息系统建立的,在不完备信息系统上所开展的最优尺度选择与规则提取方法也只是局限于某一固定的尺度,无法体现多尺度信息融合的思想特点。本文正是基于上述考虑,研究了基于不完备多尺度信息系统的决策规则提取方法。首先,将完备信息系统延伸到不完备信息系统,考虑不完备多尺度决策信息系统的整体泛化约简,通过引入粒度树和剪枝的概念,对整体泛化约简、最优尺度和k尺度属性约简进行了细致的比较研究。接着,从局部的角度研究了对象的泛化约简,通过该方法可以获得更一般的决策规则。其次,研究了不完备的广义多尺度决策信息系统与尺度组合,探讨不同尺度组合下的粗糙近似的定义与性质。然后,提出了协调的不完备广义多尺度决策信息系统的最优尺度组合选择方法,包括全局最优尺度组合和局部最优尺度组合的选择方法。最后,通过实例进行了说明,设计了相关算法,并进一步给出了属性约简与规则提取的实现方法与具体步骤。
王敬前[2]（2021）在《覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用》文中认为化工过程反应复杂,具有高度非线性、连续性和时变性等特点,一旦发生故障,将会给经济和生命安全带来严重的损失。因此,如何从海量工业数据中挖掘出有用信息,进行化工过程的故障诊断成为当前研究的热点。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代。但对于多故障诊断和不完备信息下的故障诊断等问题,还有待进一步探索。粗糙集理论和模糊集理论是人工智能领域两种处理信息系统中不完备和不确定性数据的重要工具。目前,模糊集理论在故障诊断领域已得到了较为广泛的应用,而粗糙集理论在该领域中的应用还处在刚刚起步的阶段。本文通过融合覆盖粗糙集与模糊粗糙集,针对田纳西伊斯曼（TE）化工过程、化工汽轮机组和聚合釜三类化工过程的故障诊断,研究了覆盖粗糙集模型与模糊覆盖粗糙集模型中的相关不确定性问题,建立了相关数据分析与挖掘的理论体系,为解决化工过程故障诊断提供了更加智能的方法。本文的主要工作与贡献如下:1)针对不完备信息条件下的故障诊断问题,利用覆盖粗糙集提出了从不完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在化工汽轮机组的故障诊断中。首先,从矩阵的角度研究了覆盖粗糙集中有关最大、最小描述的相关问题,并利用机器学习库中的公开数据集与传统的计算方法做比较,实验结果表明基于矩阵的计算方法节省了计算时间。借助于上述最大描述的矩阵计算方法,提出了计算不完备信息系统中极大相容块的矩阵计算方法,很好得解决了数据维数过高时,计算耗时的问题。接着,通过极大相容块,将原不完备决策表转化为极大相容块最全描述决策表。在新的决策表基础上,提出了基于分辨矩阵的属性约简计算方法。最后,基于所提出的基于极大相容块的属性约简方法,建立了“极大相容块+智能分类器”的故障诊断方法,为解决不完备信息条件下的故障诊断问题提供一种新方法。并针对不完备信息条件下化工汽轮机组的故障诊断问题,进行了仿真实验。实验结果表明,若智能分类器分别选择支持向量机（SVM）、随机森林和决策树,则所提出的“极大相容块+智能分类器”故障诊断方法的准确率均为87.5%,而只使用上述智能分类器的故障诊断准确率最高只有75%,准确率至少提高了 12.5%。2)针对完备信息条件下的故障诊断问题,利用模糊覆盖粗糙集提出了从完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在TE化工过程的故障诊断中。理论方面:首先,作为模糊β-覆盖近似空间中已有可约元和约简概念的补充,提出了I-可约元和I-约简的概念。在此基础上,研究了模糊β-最小描述与β-约简之间的等价刻画、模糊β-最大描述与β-核之间的等价刻画等问题。然后,将上述一个模糊β-覆盖近似空间中的概念推广到了两个模糊β-覆盖近似空间中,得到了新的概念及相关性质。在上述所有结果的基础上,一个模糊β-覆盖与其诱导的七个模糊β-覆盖之间关系,及这些模糊β-覆盖的格结构被研究。应用方面:基于以上模糊覆盖粗糙集模型,提出了一种基于模糊β-邻域的属性约简方法。并在此基础上,建立了“模糊覆盖粗糙集+SVM”的智能故障诊断方法。最终,以TE化工过程为背景,针对以下4种状态:正常、阶跃故障（由过程变量的阶跃变化引起的故障）、漂移故障（化工反应动力学的缓慢漂移引起的故障）和阀门粘滞故障,建立了模糊覆盖信息系统,通过所提出的基于模糊β-邻域的属性约简方法,从53个故障征兆属性中确定出23个作为故障特征,然后通过建立的“模糊覆盖粗糙集+SVM”方法进行了故障诊断仿真实验,其准确率为86.57%,而只使用SVM的方法得到的准确率为72.50%,准确率提高了 14.07%。3)在前两部分的基础上,为更有效地表达故障诊断中的各种不确定性信息,建立了若干广义模糊覆盖粗糙集模型及相关故障决策方法,并研究了其在聚合釜的故障诊断中的应用。首先,基于已有的直觉模糊β-覆盖近似空间和直觉模糊β-邻域的概念,以及第一型直觉模糊覆盖粗糙集模型,主要研究了它们的性质,并给出了一些新的概念和第二型直觉模糊覆盖粗糙集模型。在此基础上,提出了单值中智β-覆盖和单值中智β-邻域等概念,并建立了单值中智覆盖粗糙集模型。为了解决多属性群决策的问题,将单值中智β-覆盖和单值中智覆盖粗糙集模型推广到了多粒度的情况,建立了三类多粒度单值中智覆盖粗糙集模型。在故障信息条件下,提出了基于直觉模糊覆盖粗糙集的群决策方法和基于单值中智覆盖粗糙集的群决策方法。针对聚合釜故障诊断问题,分别建立了故障类型为:聚合釜电机出现故障、聚合釜减速机出现故障、聚合釜机封中轴故障、聚合釜组件故障和聚合釜正常运行,以及故障特征为:聚合釜减速机振动值、操作压力、拌转速和减速机温度的直觉模糊信息系统与单值中智信息系统。并将上述决策方法应用于聚合釜的故障诊断中,所提出的方法最终决策结果基本都是聚合釜电机出现故障。这与其他已有决策方法的结果一致。因此,所提出的基于聚合釜故障信息的广义模糊覆盖粗糙集的决策方法是有效的。综上所述,本文以化工过程为背景,采用理论研究与实验验证相结合的方法,进一步研究了覆盖粗糙集、模糊覆盖粗糙集和广义模糊覆盖粗糙集相关问题（覆盖约简问题、属性约简问题等）。在此基础上,分别考虑了不完备故障信息和完备故障信息两种情况,利用基于覆盖粗糙集（用于提高不完备信息故障诊断的准确率）和模糊覆盖粗糙集（用于提高完备信息故障诊断的准确率）的属性约简方法解决了故障诊断中的特征选择问题,并结合智能分类器提高了故障诊断的准确度。最后,利用所建立的广义模糊覆盖粗糙集模型,建立多属性群决策方法,将其应用于化工过程的故障诊断中,为多专家故障决策提供了一种简便的方案。这些都为化工过程的智能故障诊断方法提供了理论及技术参考。
李虹欣[3]（2020）在《基于条件熵的邻域粗糙集属性约简算法及其应用》文中认为在爆炸的信息时代,数据规模的增长速度远远超过人类分析与应用的能力。粗糙集理论作为一种数学工具,能够在处理模糊、不精确数据时发挥其优点,不需要提供任何除所原始数据以外的先验信息,在处理不确定性问题时更客观。近几年之中在数据挖掘、模式识别与人工智能等领域得到广泛的应用并快速发展。属性约简作为邻域粗糙集理论的最广泛应用之一,它能够在信息系统中保持其分类、决策能力不变,将不相关、冗余的属性摒弃,从而提取关键属性、简化信息系统。本文提出一种在信息观点下基于条件熵的邻域粗糙集属性约简算法,基于UCI数据集对算法进行有效性验证,并应用该算法处理铝合金焊接接头疲劳寿命,获得关键影响因素,设计拟合基于疲劳特征域的S-N曲线,研发基于疲劳特征域的焊接接头疲劳分析系统。（1）提出了一种基于条件熵的邻域粗糙集属性约简算法（Neighborhood Rough Set Based on Conditional Entropy算法）本文引入信息论,在信息观点下构建邻域粗糙集模型,提出邻域信息熵、邻域条件熵,将邻域条件熵作为属性重要度的度量方式,并以此作为启发条件,提出一种基于条件熵的邻域粗糙集属性约简算法。在UCI数据集上,进行实验分析,验证算法的有效性。（2）提出一种基于疲劳特征域的S-N曲线拟合优化方法为了能够实现降低分散度和降低S-N曲线的标准差,同时又提高疲劳寿命的预测精度,引入了疲劳特征域概念。本文构建焊接接头疲劳决策系统,并提供一种基于改进邻域粗糙集的主S-N曲线拟合方法,以NRSBCE算法对数据进行处理,获得疲劳寿命关键影响因素,从而划分疲劳特征域;根据划分的疲劳特征域进行基于疲劳特征域的主S-N曲线拟合,得到一组S-N曲线簇。（3）设计研发基于疲劳特征域的焊接接头疲劳分析系统利用NRSBCE算法,设计研发基于疲劳特征域的焊接接头疲劳分析系统。通过上传数据集来获得基于网格不敏感结构应力法的主S-N曲线拟合图像和基于疲劳特征域的主S-N曲线簇;从算法角度与邻域粗糙集前向搜索快速属性约简算法结果进行比较。演示了系统的有效性,也为铝合金焊接接头工业生产提供新的技术应用。NRSBCE算法将信息论与邻域粗糙集理论结合提出邻域条件熵的概念,并作为属性重要度的度量,NRSBCE算法不仅能够获得较高的收敛精度,也能在较短的时间内获得更小的约简集合;与此同时,利用该算法进行铝合金焊接接头疲劳影响因素中关键影响因素的提取,从而划分疲劳特征域,获得基于疲劳特征域的主S-N曲线簇;在基于疲劳特征域的焊接接头疲劳分析系统中,使用本算法对铝合金焊接接头疲劳影响因素进行有效分析,并对改进前后的S-N曲线拟合进行可视化,具有很大的实用价值和应用性。
余建航[4]（2020）在《基于粗糙集的几类广义信息系统知识发现与决策方法研究》文中进行了进一步梳理随着信息科学技术的不断发展,特别是现代网络技术和计算机存储技术的飞跃式进步,数据的获取变得越来越容易,导致数据规模呈爆炸式增长态势,与此同时数据的结构也变得更加复杂,经典的信息系统已经不足以对大规模的复杂数据进行刻画,为此针对不同类型的数据提出了一系列广义信息系统。如何快速对这些大规模复杂数据进行挖掘,并作出相应的决策分析在理论研究和实际应用中都有突出的意义。粗糙集理论作为一种由数据驱动的智能计算工具,可以在不具备先验知识的情况下对各种类型的数据进行挖掘,特别是在对不确定性数据的知识发现与决策分析过程中有着明显的优势。本文以粗糙集理论为基础,分别就知识发现和决策分析对区间值序信息系统、多粒度信息系统和混合值信息系统进行研究,论文的主要研究成果和创新如下:（1）针对区间值序信息系统中属性集变化时快速更新近似集的问题,分别对删除属性和增加属性两种情况下动态更新近似集的方法进行讨论,得到了属性集变化时动态更新近似集的一般准则,并结合更新机制设计了近似集动态更新算法。然后,基于几个UCI数据集对算法的有效性进行验证分析,实验结果表明动态算法与一般的近似集计算方式相比在计算效率方面有着明显的优势。（2）针对多粒度信息系统中的双量化决策分析问题,通过在多粒度框架下对决策粗糙集和程度粗糙集的近似算子进行重新组合,建立了三对双量化多粒度决策粗糙集模型,并深入研究了模型的一些基本性质,然后讨论了双量化多粒度决策粗糙集模型与其他粗糙集模型的关系。最后,结合一个医疗诊断案例对模型在决策分析中的应用进行了展示。（3）针对混合值决策信息系统中的决策粗糙集建模问题,建立了三种不同广义混合距离度量方式,然后结合高斯核函数构造了基于邻域的粒化机制,并对粒化过程中的参数设置规则进行了讨论。紧接着,结合Bayesian决策方法在混合值决策信息系统中建立了决策粗糙集模型,并通过一个实际案例演示了混合值决策信息系统中的决策分析过程。（4）针对混合值决策信息系统中的属性约简问题,分别基于相对正域和最小决策代价研究了混合值决策信息系统的属性约简规则,然后结合约简规则设计了对应的启发式属性约简算法。进一步,基于UCI数据集采取不同的距离度量方式和约简算法去获取约简,并分别就约简长度和错误分类代价对不同的约简获取方式进行比较分析。本文基于粗糙集理论对几类广义信息系统的知识发现与决策分析方法进行了研究,得到了区间值序信息系统中属性集变化时动态更新近似集的方法,在多粒度信息系统建立了六个双量化多粒度粗糙集模型,提出了混合值决策信息系统中决策粗糙集模型并设计了两种启发式属性约简算法。这些成果在一定程度上拓展和丰富了粗糙集理论在广义信息系统中的应用,为动态数据环境下的知识发现和复杂数据的决策分析提供了理论指导和技术支持。
董连杰[5]（2020）在《属性约简增量机理与鲁棒算法研究》文中研究指明随着信息技术的发展和智能终端的普及,人类社会逐渐步入人工智能时代。数据产生与收集的方式发生了巨大变化,呈现出大规模、实时更新、包含噪声的特点。针对当前数据大容量的特点设计高效并且具有鲁棒性的数据降维算法,成为机器学习领域关注的焦点。通过保持数据中条件属性和决策标签之间的不一致性不变,粗糙集属性约简从数据中删除冗余的条件属性以达到数据降维的目的。由于数据规模的不断增大与动态更新,当前的属性约简算法面临如下的挑战:一是在现有的硬件环境下,如何实现对动态及大规模数据的属性约简;二是针对数据扰动现象,如何提高基于不一致性不变的约简的鲁棒性。针对上述两个问题,本文研究了属性和样本同时增加时,经典粗糙集和模糊粗糙集的属性约简增量机理,并借鉴机器学习的正则化方法研究了鲁棒属性约简的理论和算法。主要研究内容及成果如下:（1）研究了样本和属性同时增加时经典粗糙集属性约简的增量机理。通过辨识关系,设计了新增样本和属性对于更新当前约简必要性的判断机制,并揭示了属性和样本之间在更新约简时的相互制约关系。对于更新当前约简不必要的样本和属性,将其存入数据而不是过滤;对于必要的样本和属性,通过增量计算辨识关系来实现约简的增量计算。基于样本和属性同时增加的统一增量机理设计了经典粗糙集属性约简的增量算法,实验验证了该算法在处理样本和属性同时增加时经典粗糙集增量属性约简的效率和有效性。（2）研究了样本和属性同时增加时模糊粗糙集属性约简的增量机理。利用相对辨识关系实现了对模糊粗糙集中样本和属性的统一描述,为模糊粗糙集中样本和属性同时增加时属性约简增量机理的分析提供了理论基础。通过分析样本增加和属性增加分别带来的相对辨识关系的变化,将属性增加的增量机理和样本增加的增量机理有机的融合到一起,提出了样本和属性同时增加的统一增量机理。当新增样本和属性不断加入时,通过判断相对辨识关系来决定其对当前约简的更新是否必要,从而实现冗余属性的有效删除和必要属性的合理加入。基于属性和样本同时增加的统一增量机制设计了模糊粗糙集属性约简的增量算法。数值实验结果证明该算法能有效处理属性和样本同时增加时模糊粗糙集的增量属性约简。（3）研究了鲁棒属性约简的理论和方法。由于粗糙集对数据噪声敏感,保持一致性不变所得的约简不具有鲁棒性。借鉴机器学习的正则化方法,根据数据类型的不同,分别研究了经典粗糙集和模糊粗糙集的鲁棒属性约简的理论和方法。利用正则化方法,在决策规则的经验误差和整个决策系统的粒度之间寻找一种平衡,以忽略支持度较低的决策规则为代价换取决策规则的泛化能力。基于正则化损失函数的优化策略,设计了鲁棒约简算法,将约简中辨识能力较弱的属性进一步删除,以此提高决策规则的泛化能力。将粗糙集的鲁棒约简算法应用到电厂煤耗的关键特征选取中,并以关键特征作为输入变量建立了煤耗模型。实验结果证明本文所提出的鲁棒约简算法能够有效的删除辨识能力较弱的属性,提高约简的鲁棒性。
吴越[6]（2020）在《增量式概念漂移适应与收敛》文中认为概念漂移是数据流挖掘的一个研究热点与难点,也是现实世界和网络世界中普遍存在的一种现象。随着互联网技术的快速发展,愈发受到学术界与民众的关注。目前概念漂移尚未有统一定义,主要泛指的是在动态变化中信息系统的部分内涵信息或特征信息会随时间发生难以预测的变化,使原有的分类器分类不准确或决策系统无法做出正确决策,甚至导致误判等不良后果,常见于推荐系统、金融领域、决策领域等。目前多数学者对概念漂移的研究态度还处于简单规避的层面,对概念漂移的发生条件、趋势相关的研究还很少,对于如何判断认知收敛更是研究盲区。同时在数据流中时常会发生快速而又细微的概念漂移现象,这些概念漂移在短时间内对决策系统造成的影响微乎其微,因此往往被人忽略。但随着时间的推移,有些效果相同的影响会逐步叠加,导致决策系统的精度下降,目前还缺乏合适有效的方法来解决这类问题。粗糙集理论是一种专门用于刻画数据不完整性和不确定性的数学工具,能够有效地分析和处理信息系统中各种不精确、不完备的信息,并且可以在没有任何先验知识的情况下对数据进行分析和推理,得到相对客观公正的处理结果。由于粗糙集理论在处理不确定性问题上的独特优势,逐渐被应用于概念漂移探测。本文的研究内容为:一方面尝试将增量学习思想与传统粗糙集模型相结合,结合两者优势,构建一种能适应快速变化数据流的增量式概念漂移探测模型,去探测数据流中快速而又细微的概念漂移,并通过迭代训练不断完善决策系统。理论分析与仿真实验结果表明,新模型在探测概念漂移和学习新知识时较其他静态模型更为敏感且高效。新模型的良好效果也为粗糙集理论未来如何推广应用于大数据分析和数据流处理提供了一种有效可行的新思路。另一方面利用本文提出的新模型作为研究工具,从整体决策系统的角度来研究概念漂移。在以往学者的研究成果上,对认知收敛的性质和标准做出进一步完善与调整,同时分析了概念漂移与认知收敛之间的影响与联系。从认知角度来看,本文的结果可以解释为什么选用不同数据集或同一数据集不同部分进行分类时,前后结果差异较大的原因。也可以进一步解释现实世界中人与人之间对同一事物产生意见分歧或误解的原因。本文的创新点归纳如下:1.结合增量学习思想与粗糙集理论,提出了一种能适应动态数据流的增量式概念漂移探测模型。2.从粗糙集角度出发,对决策系统中认知收敛的性质和标准做出进一步完善与调整,同时分析了概念漂移与认知收敛之间的影响与联系。3.对概念漂移的内涵与影响做进一步延伸。
衣美佳[7]（2020）在《智能粮仓监测管理系统的开发与应用》文中研究表明为解决我国粮食仓储监测管理技术手段落后,粮食损失严重的问题。遵循储粮规范,应用先进技术设计出智能粮仓监测管理系统,实现储粮安全、监控便捷、技术创新,满足实际应用需要。论文在对国内外粮情监控领域的研究基础之上,针对存在问题提出解决方案并预测发展趋势。设计系统总体方案,选用Zig Bee无线传感器网络实现底层数据采集,针对粮仓现场环境对网络节点的布局做出合理设计。根据所需功能,完成节点的硬件电路设计,包括CC2530主控芯片的设计、电源模块的电路设计、不同类型网络节点的设计等。在上述硬件电路的基础上完成节点软件程序设计,包括协调节点组网设计、终端节点数据采集设计、数据收发模块设计、串口驱动程序设计、A/D转换模块设计等。通过有线或无线的方式将采集到的数据传输到物联网网关中,实现局域网接入互联网。将数据传输给数据库服务器,上位机从数据库服务器中获取实时数据。为进一步评估粮食的安全状况,及时发现异常,增强管理者决策能力,研究粗糙集优化的C4.5随机森林算法并将其应用到智能粮仓监测管理系统的上位机软件功能中。通过Matlab仿真得出经粗糙集属性约简后的随机森林可以实现更好的分类效果,增强了粮食安全性判别的准确率和速率,与上位机软件的结合具有较强的应用价值。利用软件编程工具Intelli J IDEA、Java语言和Mysql数据库管理平台,应用SSM框架、Echarts前端框架等当下流行的技术手段开发上位机智能监测管理系统。其中用户模块实现了全面的用户管理功能,监控模块实现了现场数据实时监控、历史数据曲线化展示、历史数据报表查询、异常状况警报处理等功能。并结合自主研究的粮情安全判别算法,帮助管理者及时有效地监控粮仓情况,对异常状况采取控制策略。
许鑫鑫[8]（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》文中研究表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。
刘久兵[9]（2019）在《三支直觉模糊决策方法及在人机任务分配中的应用研究》文中指出随着智能技术特别是人工智能技术的飞速发展,通过高效人机协作以提高系统任务的执行效率和满意度,在智能制造、军事、航空航天等诸多领域显得愈发迫切和重要。作为人机协作的核心问题之一,人机任务分配在面向系统任务完成过程中,存在如何科学合理确定人和智能机器之间的任务域或工作域,让人和机器建立分工更加合理、配合更加默契的互信机制问题。然而,目前有关此方面的研究尚处于探索阶段。为此,本文结合直觉模糊集主观评价和决策粗糙集客观知识获取的互补优势,从决策粗糙集条件概率获得和概率阈值确定两个方面研究基于决策粗糙集的三支直觉模糊决策方法并获得三支分类结果,为人机任务分配提供软求解策略的分配方案。具体研究内容及创新点主要包括以下四个方面:（1）提出了基于直觉模糊信息系统的三支直觉模糊决策方法。对于现有直觉模糊相似度未考虑其隶属度和非隶属度的实践语义且在一些情形下可能存在违反“直觉”等问题,提出了一种新直觉模糊相似度测度。然后将提出的测度引入直觉模糊信息系统中,定义了直觉模糊相似度下（α,β）-水平截集等概念。采用粗糙隶属度作为评价函数导出目标集的（α,β）-下、上近似集及三支决策域。进一步地,利用贝叶斯决策理论构建一种具有多风险偏好的直觉模糊决策粗糙集模型并导出其概率阈值。在此基础上,提出一种基于直觉模糊信息系统的三支直觉模糊决策方法并应用于飞机预期作战任务分配中。（2）提出了基于直觉模糊数排序的三支直觉模糊决策方法。针对上述提出的三支直觉模糊决策方法在直觉模糊损失函数矩阵转化过程中带来信息丢失问题,借助决策粗糙集现有成果及直觉模糊数运算,通过分析六种代表性直觉模糊数排序方法的优缺点,分别设计了基于直觉模糊单排序函数的三支直觉模糊决策机制和基于直觉模糊双排序函数的三支直觉模糊决策机制。最后将这两类决策机制统一到三支决策框架内,继而提出基于两类排序函数的三支直觉模糊决策方法。（3）提出了基于决策粗糙集等价模型的三支直觉模糊决策方法。考虑到现有方法在一些情形下仍难以确定直觉模糊环境下决策粗糙集概率阈值的问题,从优化的视角研究了经典决策粗糙集的等价模型。然后将此模型的构建思想分别拓展到基于区间数线性、非线性排序法的区间决策粗糙集概率阈值确定,基于三角模糊数线性、非线性排序法的三角模糊决策粗糙集概率阈值确定以及语言决策粗糙集概率阈值确定中,构建了相应的概率阈值确定优化模型。理论分析和实验结果表明:相比于现有方法,所提出模型不仅在这些模糊数线性排序法下获得相同的概率阈值数值解,而且还能获得其非线性排序法下的概率阈值数值解。这说明了所提出的等价模型的可行性和有效性。进一步地将其拓展到直觉模糊环境下决策粗糙集概率阈值确定中,并构建相应的非线性优化模型,理论上证明了该模型最优解的存在性和唯一性。然后借助优化技术搜索出模型的最优解并确定其概率阈值,从而克服了现有方法在这些模糊数非线性排序方法下难以确定概率阈值的不足。最后,本章将所提出的模型与方法应用于载人航天操作任务分配中。（4）提出了基于直觉模糊集成算子的三支直觉模糊群决策方法。传统的三支直觉模糊决策模型大多是基于单个决策者给出的直觉模糊损失函数评价,而对多个决策者或群决策者评价研究的较少。事实上,单个评估决策者往往存在评估行为的片面性、单一性等问题。针对此类问题,采用直觉模糊加权平均算子和加权几何算子集结不同决策者给出的直觉模糊偏好损失,获得直觉模糊群偏好损失。借鉴决策粗糙集等价模型的构建思想,提出群决策环境下直觉模糊决策粗糙集概率阈值确定模型,并设计基于直觉模糊集成算子的三支直觉模糊群决策机制及实现算法。最后以飞机预期作战任务分配为例讨论了提出方法在人机任务分配中的应用。总之,本文将直觉模糊集和决策粗糙集相结合,研究基于决策粗糙集的三支直觉模糊决策方法,并将其应用于不同场景下的人机任务分配中。这不仅丰富了直觉模糊集理论、决策粗糙集理论和三支决策理论,而且拓宽了这些理论的应用范围。
刘炳含[10]（2019）在《基于大数据技术的电站机组节能优化研究》文中研究说明随着我国经济持续发展,能源消费保持增长态势。燃煤发电作为能源供应的支柱产业,在我国独特的能源结构作用下,将继续占据主导地位,也是我国实现优能降耗减排目标的关键。大数据、人工智能的崛起及迅猛发展,推动着智能化、信息化与工业化的深度融合,为我国发电企业由高能耗、高排放、低效率的粗放型发展方式向低能耗、低排放、高效率的绿色发展方式转变带来新的方式和机遇。随着电力系统信息集成化的普及应用,电站机组积累了海量运行数据,如何挖掘数据中的潜在价值并加以利用,已成为当前发电行业的重要研究领域。推广大数据技术在电站机组的多角度、深层次、宽范围的挖掘与应用,对提高机组效率及深化优能降耗具有重要意义。首先,通过对电力大数据定义及特征的概括分析,阐述了电站机组大数据的定义及价值。针对电站机组大数据的挖掘过程,提出电站机组大数据的层级架构设计;同时,依据电站大数据处理关键技术,构建电站大数据生态系统应用框架,引入大数据存储与批处理技术,实现电站机组大数据的信息挖掘与获取。其次,深入分析电站机组海量运行数据特点及数据质量,阐明质量缺陷及原因,明确数据处理策略及方法。在电站机组数据检测中,采用多参数阈值判断法筛选稳态工况数据。在数据预处理中,利用双线性插值法及联合概率密度法分别处理数据空缺值及离散值;同时,针对电站机组大数据高维度、非线性的特点,引入模糊粗糙集理论,建立电站机组大数据特征参数选择方法,剔除冗余或无关参数,精简特征参数集,保证大数据挖掘处理的高效率性与高精度性。再次,开展基于大数据技术的电站机组能耗分析方法。以模糊粗糙集属性约简为基础,通过Canopy算法对K-means聚类算法改进,并将改进K-means聚类算法在Hadoop平台上实现并行化计算,实现全工况高效寻优确定电站机组运行目标基准值。同时,建立支持向量机能耗敏感性分析模型,依据供电煤耗与输入特征参数之间的依赖度及相关性,分析不同负荷工况下关键特征参数对供电煤耗的敏感性系数。然后,分析厂网两级负荷优化分配现状,针对电力发展清洁型、灵活型、智能型需求,提出基于大数据技术的考虑边界条件及污染物排放的多目标厂级负荷优化分配策略。基于电站机组的海量运行数据,引入大数据分析方法,通过粒子群算法对支持向量机进行改进,建立厂级快速性、经济性、环保性多目标负荷优化预测模型;并利用MapReduce并行编程模型实现对NSGA-Ⅱ优化算法的并行化处理,完成厂级多目标负荷优化分配计算。以此为基础开展的厂级负荷优化分配可有效降低电站机组供电煤耗及污染物排放,对电力系统节能发电调度具有参考意义。最后,开展燃气电站机组对标管理综合评估研究。在分析研究燃气电厂对标管理评估特点及表征参数的基础上,从安全环保、机组可靠、设备管理、经济运营、生产技术5个方面建立燃气电站机组对标管理综合评价指标体系:同时,基于大数据分析方法的粗糙集属性约简原理,结合向量夹角余弦与主成分分析法,建立燃气电站机组对标管理综合评估模型。针对模型赋权方案,建立基于指标权值的敏感性分析模型,检验结果表明所建立的燃气电站机组对标管理综合评价模型的权值分配敏感性较低,模型评价结果稳定,鲁棒性好,为燃气电厂企业对标管理及电厂机组间竞赛提供指导和帮助。
二、决策支持系统中粗糙集理论的应用研究（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、决策支持系统中粗糙集理论的应用研究（论文提纲范文）
（1）基于不完备多尺度信息的决策规则提取方法研究（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 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文结构 |
| 1.5 本章小结 |
| 第二章 理论基础 |
| 2.1 信息系统与粗糙近似 |
| 2.2 决策系统和决策规则 |
| 2.3 多尺度信息系统 |
| 2.4 属性约简 |
| 2.5 置信结构与置信函数 |
| 2.6 本章小结 |
| 第三章 不完备多尺度信息系统的粗糙集模型研究 |
| 3.1 不完备多尺度信息系统 |
| 3.2 不完备多尺度信息系统中的粒度树 |
| 3.3 不完备多尺度决策信息系统的整体泛化约简 |
| 3.4 对象的泛化约简 |
| 3.5 本章小结 |
| 第四章 协调的不完备广义多尺度决策信息系统的规则提取 |
| 4.1 不完备广义多尺度决策信息系统与尺度组合 |
| 4.2 协调的不完备广义多尺度决策信息系统模型 |
| 4.3 协调的不完备广义多尺度决策信息系统的规则提取算法 |
| 4.3.1 协调的不完备广义多尺度决策信息系统中的全局最优尺度算法 |
| 4.3.2 协调的不完备广义多尺度决策信息系统中的局部最优规则提取算法 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（2）覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状分析 |
| 1.2.1 化工过程故障诊断 |
| 1.2.2 基于数据的化工过程故障诊断 |
| 1.2.3 粗糙集理论及属性约简 |
| 1.2.4 (模糊)覆盖粗糙集及其在故障诊断中应用 |
| 1.3 主要研究内容与组织结构 |
| 2 覆盖粗糙集最大、最小描述若干问题研究 |
| 2.1 引言 |
| 2.2 覆盖粗糙集理论预备知识 |
| 2.3 基于矩阵的最小、最大描述计算方法 |
| 2.4 基于最小、最大描述的覆盖近似空间约简方法 |
| 2.5 基于最小、最大描述的覆盖信息系统约简方法 |
| 2.5.1 基于最小描述的覆盖信息系统约简方法 |
| 2.5.2 基于最大描述的覆盖信息系统约简方法 |
| 2.6 本章小结 |
| 3 覆盖粗糙集的故障诊断方法及其在化工汽轮机组故障诊断中的应用 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 化工汽轮机组及常见故障类型 |
| 3.2.2 不完备决策表与极大相容块 |
| 3.3 极大相容块的矩阵计算方法 |
| 3.3.1 基于最大描述的极大相容块计算方法 |
| 3.3.2 基于容差类的极大相容块的矩阵计算方法 |
| 3.4 基于极大相容块的不完备信息系统属性约简方法 |
| 3.5 基于“极大相容块+智能分类器”的不完备信息故障诊断方法 |
| 3.6 不完备信息下化工汽轮机组的故障诊断应用 |
| 3.6.1 化工汽轮机组故障不完备决策信息系统 |
| 3.6.2 决策信息表预处理 |
| 3.6.3 化工汽轮机组的“极大相容块+智能分类器”故障诊断模型建立 |
| 3.6.4 化工汽轮机组故障样本诊断 |
| 3.7 本章小结 |
| 4 基于β-覆盖的模糊覆盖粗糙集 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模糊β-覆盖近似空间中概念之间的关系 |
| 4.3.1 模糊β-最小描述与各类约简之间的关系 |
| 4.3.2 模糊β-最大描述与β-核、I-约简之间的关系 |
| 4.4 模糊β-覆盖近似空间之间的关系 |
| 4.4.1 生成的模糊β-覆盖近似空间 |
| 4.4.2 I-生成的模糊β-覆盖近似空间 |
| 4.5 七个诱导的模糊β-覆盖近似空间和相应的格结构 |
| 4.5.1 七个诱导的模糊β-覆盖的一些新的性质 |
| 4.5.2 一些导出模糊β-覆盖的格结构 |
| 4.6 本章小结 |
| 5 模糊覆盖粗糙集的故障诊断方法及其在TE化工过程故障诊断中的应用 |
| 5.1 引言 |
| 5.2 TE化工过程 |
| 5.3 基于模糊β-邻域的模糊覆盖信息系统属性约简方法 |
| 5.4 “模糊覆盖粗糙集+智能分类器”的故障诊断方法 |
| 5.5 基于“模糊覆盖粗糙集+SVM”的TE化工过程故障诊断实验 |
| 5.5.1 获取并初始化数据 |
| 5.5.2 基于模糊β-邻域的TE化工过程故障数据集的属性约简 |
| 5.5.3 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断模型建立 |
| 5.5.4 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断 |
| 5.6 本章小结 |
| 6 广义模糊覆盖粗糙集 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.2.1 直觉模糊集 |
| 6.2.2 单值中智集 |
| 6.3 两类直觉模糊覆盖粗糙集模型 |
| 6.3.1 直觉模糊β-邻域、直觉模糊β-邻域系统和β-邻域 |
| 6.3.2 两类直觉模糊覆盖粗糙集模型 |
| 6.3.3 直觉模糊覆盖粗糙集模型和其他粗糙集模型之间的关系 |
| 6.4 单值中智覆盖粗糙集模型 |
| 6.4.1 单值中智覆盖近似空间 |
| 6.4.2 三类单值中智覆盖粗糙集模型 |
| 6.5 多粒度单值中智覆盖粗糙集模型 |
| 6.5.1 多粒度单值中智β-覆盖近似空间 |
| 6.5.2 三类多粒度单值中智覆盖粗糙集模型 |
| 6.5.3 不同中智β-覆盖产生相同的多粒度单值中智覆盖近似算子的条件 |
| 6.6 本章小结 |
| 7 广义模糊粗糙集的决策方法及其在聚合釜故障诊断中的应用 |
| 7.1 引言 |
| 7.2 聚合釜反应过程与常见故障 |
| 7.3 基于直觉模糊覆盖粗糙集的群决策方法及其在故障诊断中的应用 |
| 7.3.1 乐观多粒度直觉模糊覆盖粗糙集模型 |
| 7.3.2 基于直觉模糊故障信息的多属性群决策问题 |
| 7.3.3 基于乐观多粒度直觉模糊覆盖粗糙集的故障信息群决策方法 |
| 7.3.4 直觉模糊决策方法在聚合釜故障诊断中的应用 |
| 7.4 基于多粒度单值中智覆盖粗糙集的群决策方法及故障诊断应用 |
| 7.4.1 基于单值中智故障信息的多属性群决策问题 |
| 7.4.2 基于多粒度单值中智覆盖粗糙集的故障信息群决策方法 |
| 7.4.3 单值中智决策方法在聚合釜故障诊断中的应用 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究工作创新点 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A: 最小、最大描述的集合计算Matlab程序（第二章） |
| 附录B: 最小、最大描述的矩阵计算Matlab程序（第二章） |
| 附录C: 本文应用的化工汽轮机组故障诊断数据（第三章） |
| 附录D: 基于不可分辨矩阵的不完备信息属性约简Matlab程序（第三章） |
| 附录E: SVM故障诊断Matlab程序（第三章） |
| 附录F: 基于模糊β-邻域的约简计算Matlab程序（第五章） |
| 附录G: TE化工过程部分数据（第五章） |
| 附录H: 单值中智覆盖粗糙集上、下近似计算Matlab程序（第七章） |
| 攻读博士学位期间发表的科研成果目录 |
（3）基于条件熵的邻域粗糙集属性约简算法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 粗糙集属性约简算法研究现状 |
| 1.3 信息熵理论研究现状 |
| 1.4 基于主S-N曲线法的焊接接头疲劳寿命分析研究现状 |
| 1.5 研究内容及结构安排 |
| 本章小结 |
| 第二章 理论基础 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集 |
| 2.1.2 邻域粗糙集 |
| 2.1.3 算例分析 |
| 2.2 信息论理论 |
| 2.2.1 信息论的提出 |
| 2.2.2 基于信息论的粗糙集模型 |
| 2.2.3 基于信息论的邻域粗糙集模型 |
| 本章小结 |
| 第三章 基于条件熵的邻域粗糙集属性约简算法 |
| 3.1 邻域粗糙集属性约简的典型算法 |
| 3.1.1 邻域粗糙集前向搜索快速属性约简算法 |
| 3.1.2 基于改进鱼群的邻域粗糙集属性约简算法 |
| 3.2 基于条件熵的邻域粗糙集属性约简算法 |
| 3.2.1 NRSBCE算法流程 |
| 3.2.2 算法步骤 |
| 3.3 实验分析 |
| 3.3.1 数据集及实验环境 |
| 3.3.2 实验相关准备 |
| 3.3.3 约简结果比较实验 |
| 3.3.4 约简率比较实验 |
| 3.3.5 分类准确率比较实验 |
| 本章小结 |
| 第四章 基于改进邻域粗糙集的主S-N曲线拟合优化 |
| 4.1 焊接接头疲劳决策系统 |
| 4.1.1 焊接接头疲劳试验数据库 |
| 4.1.2 疲劳决策系统属性约简 |
| 4.2 主S-N曲线拟合 |
| 4.2.1 三种S-N曲线表达式 |
| 4.2.2 主S-N曲线拟合结果 |
| 4.3 疲劳特征域定义及划定方法 |
| 4.4 基于疲劳特征域的主S-N曲线簇拟合 |
| 本章小结 |
| 第五章 基于疲劳特征域的焊接接头疲劳分析系统的研发 |
| 5.1 基于疲劳特征域的焊接接头疲劳分析系统研发背景 |
| 5.2 基于疲劳特征域的焊接接头疲劳分析系统总体设计方案 |
| 5.3 系统的功能设计与实现 |
| 5.3.1 登陆界面的设计实现 |
| 5.3.2 主界面的设计实现 |
| 5.3.3 S-N曲线拟合界面的设计实现 |
| 5.3.4 划分疲劳特征域界面的设计实现 |
| 5.3.5 算法比较分析界面的设计实现 |
| 5.4 系统评价分析与总结 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（4）基于粗糙集的几类广义信息系统知识发现与决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 基于粗糙集的动态知识发现研究现状 |
| 1.2.2 双量化决策粗糙集方法研究现状 |
| 1.2.3 混合值信息系统中粗糙集方法研究现状 |
| 1.3 本文主要研究思路与内容 |
| 1.4 本章小结 |
| 第2章 预备知识 |
| 2.1 信息系统与知识粒化 |
| 2.2 Pawlak粗糙集模型 |
| 2.3 变精度粗糙集与程度粗糙集模型 |
| 2.4 决策粗糙集模型 |
| 2.5 多粒度粗糙集模型 |
| 2.6 本章小结 |
| 第3章 时变信息粒区间值序信息系统近似集的动态更新方法 |
| 3.1 区间值序信息系统 |
| 3.2 近似集随属性变化的两个基本定理 |
| 3.3 时变信息粒区间值序信息系统近似集的动态更新 |
| 3.3.1 删除属性时近似集的动态更新方法 |
| 3.3.2 增加属性时近似集的动态更新方法 |
| 3.4 实验分析 |
| 3.4.1 删除属性时动态更新近似集的实验 |
| 3.4.2 增加属性时动态更新近似集的实验 |
| 3.5 本章小结 |
| 第4章 多粒度信息系统的双量化决策粗糙集方法 |
| 4.1 双量化粗糙集建模 |
| 4.2 多粒度信息系统的双量化决策粗糙集 |
| 4.2.1 乐观双量化多粒度决策粗糙集 |
| 4.2.2 悲观双量化多粒度决策粗糙集 |
| 4.2.3 平均双量化多粒度决策粗糙集 |
| 4.3 双量化多粒度决策粗糙集与其他粗糙集模型的关系 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 第5章 混合值决策信息系统的决策粗糙集方法 |
| 5.1 混合值决策信息系统 |
| 5.2 基于高斯核函数的决策粗糙集建模 |
| 5.2.1 对象之间的广义距离度量 |
| 5.2.2 基于高斯核的粒化机制 |
| 5.2.3 混合值决策信息系统中的决策粗糙集 |
| 5.3 混合值决策信息系统的属性约简方法 |
| 5.3.1 基于相对正域的属性约简方法 |
| 5.3.2 基于最小代价的属性约简方法 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）属性约简增量机理与鲁棒算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 属性约简增量机理与鲁棒算法的国内外研究现状 |
| 1.2.1 经典粗糙集的国内外研究现状 |
| 1.2.2 模糊粗糙集的国内外研究现状 |
| 1.3 本文的主要工作及内容安排 |
| 第2章 经典粗糙集的属性约简增量机理 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 基本概念 |
| 2.2.2 基于辨识矩阵的属性约简 |
| 2.3 基于辨识关系的属性约简 |
| 2.4 属性增加时属性约简的增量机理 |
| 2.4.1 增量机理 |
| 2.4.2 数值实验 |
| 2.5 属性和样本同时增加时属性约简的增量机理 |
| 2.5.1 样本增加时属性约简的增量机理 |
| 2.5.2 统一增量机理 |
| 2.6 实验分析 |
| 2.7 本章小结 |
| 第3章 模糊粗糙集的属性约简增量机理 |
| 3.1 引言 |
| 3.2 基础知识 |
| 3.2.1 基本概念 |
| 3.2.2 模糊相似关系 |
| 3.2.3 基于相对辨识关系的属性约简 |
| 3.3 动态数据属性约简的增量机理 |
| 3.3.1 样本增加时属性约简的增量机理 |
| 3.3.2 属性增加时属性约简的增量机理 |
| 3.3.3 统一增量机理 |
| 3.4 实验分析 |
| 3.4.1 算法的有效性评价 |
| 3.4.2 算法的高效性评价 |
| 3.5 本章小结 |
| 第4章 属性约简的鲁棒算法及应用研究 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 经典粗糙集的粒度刻画 |
| 4.2.2 模糊粗糙集的粒度刻画 |
| 4.2.3 正则化 |
| 4.3 经典粗糙集的鲁棒约简 |
| 4.3.1 鲁棒约简 |
| 4.3.2 算法性能评价 |
| 4.3.3 煤耗关键特征选择 |
| 4.4 模糊粗糙集的鲁棒约简 |
| 4.4.1 鲁棒约简 |
| 4.4.2 算法性能测试 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（6）增量式概念漂移适应与收敛（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究意义 |
| 1.4 研究内容及章节安排 |
| 2 基本理论知识 |
| 2.1 粗糙集基础知识 |
| 2.2 概念漂移 |
| 2.2.1 概念漂移探测准则 |
| 2.2.2 概念漂移定义 |
| 2.3 增量学习 |
| 2.3.1 增量学习的定义 |
| 2.3.2 增量学习的特点 |
| 2.4 本章小结 |
| 3 增量式更新模型的适应与改进 |
| 3.1 决策优势函数的表达 |
| 3.2 增量模型更新原理 |
| 3.3 实验结果与分析 |
| 3.3.1 执行时间分析 |
| 3.3.2 分类准确度分析 |
| 3.4 本章小结 |
| 4 基于决策系统的概念漂移探测 |
| 4.1 决策系统的概念漂移表达 |
| 4.2 决策系统中认知收敛的表示 |
| 4.3 基于漂移度的概念漂移探测算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（7）智能粮仓监测管理系统的开发与应用（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 粮仓监测管理系统研究现状及发展趋势 |
| 1.2.1 监测管理系统的国内外研究现状 |
| 1.2.2 存在问题以及发展趋势 |
| 1.3 主要内容及组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 章节组织结构 |
| 第二章 系统方案设计 |
| 2.1 系统总体方案设计 |
| 2.2 物联网介绍及应用 |
| 2.3 物联网网关的分析与应用 |
| 2.3.1 物联网网关概述 |
| 2.3.2 无线传感器网络中网关的选型与应用 |
| 2.4 上位机通信协议的分析与应用 |
| 2.4.1 TCP/IP协议介绍 |
| 2.4.2 socket接口实现网络通信 |
| 2.5 小结 |
| 第三章 ZigBee无线传感器网络硬软件设计 |
| 3.1 ZigBee无线传感器网络介绍 |
| 3.1.1 无线传感器网络概述 |
| 3.1.2 无线传感器网络拓扑结构 |
| 3.2 粮仓节点的布局设计 |
| 3.3 ZigBee无线传感器网络硬件设计 |
| 3.3.1 ZigBee无线传感器网络节点选型 |
| 3.3.2 ZigBee无线传感器网络节点硬件结构及电路设计 |
| 3.4 ZigBee无线传感器网络软件设计 |
| 3.4.1 ZigBee协议与Z-Stack协议栈结构分析 |
| 3.4.2 ZigBee无线传感器网络节点软件程序设计 |
| 3.5 小结 |
| 第四章 基于粗糙集的随机森林算法在粮情监控系统中的应用 |
| 4.1 粗糙集理论概述 |
| 4.1.1 粗糙集的研究应用及意义 |
| 4.1.2 粗糙集理论特性及基本知识介绍 |
| 4.2 决策树相关算法概述 |
| 4.2.1 决策树的相关介绍和构建过程 |
| 4.2.2 决策树典型算法的研究与对比 |
| 4.2.3 随机森林 |
| 4.3 粗糙集-随机森林优化算法的设计与应用 |
| 4.3.1 算法设计 |
| 4.3.2 系统仿真与性能分析 |
| 4.3.3 基于粗糙集的随机森林算法在粮情监控系统中的应用 |
| 4.4 小结 |
| 第五章 上位机监测管理系统的软件设计 |
| 5.1 上位机系统总体架构与功能 |
| 5.1.1 系统总体架构 |
| 5.2 上位机系统软件使用语言和关键技术介绍 |
| 5.2.1 Java语言介绍 |
| 5.2.2 SSM框架介绍 |
| 5.2.3 Ajax异步通信技术介绍 |
| 5.2.4 Json数据转换格式介绍 |
| 5.2.5 Echarts数据可视化图表介绍 |
| 5.3 数据库及数据库表的设计 |
| 5.3.1 数据库的概念及选择 |
| 5.3.2 数据库表的设计 |
| 5.4 上位机系统用户模块的设计与实现 |
| 5.4.1 用户管理模块 |
| 5.4.2 权限设置模块 |
| 5.4.3 日志管理模块 |
| 5.5 上位机系统监控管理模块的设计与实现 |
| 5.5.1 在线监控模块 |
| 5.5.2 历史数据折线图显示模块 |
| 5.5.3 报警功能模块 |
| 5.5.4 历史数据报表模块 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 发表论文与科研情况 |
| 致谢 |
（8）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 |
（9）三支直觉模糊决策方法及在人机任务分配中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 课题来源 |
| 1.3 国内外研究现状分析 |
| 1.3.1 人机任务分配中的数据挖掘方法国内外研究现状分析 |
| 1.3.2 决策粗糙集与三支决策国内外研究现状分析 |
| 1.3.3 直觉模糊集在多属性决策中的应用国内外研究现状分析 |
| 1.3.4 三支决策与直觉模糊集相结合国内外研究现状分析 |
| 1.3.5 国内外研究现状述评与本文研究问题 |
| 1.4 论文研究内容与结构安排 |
| 1.5 论文主要创新点 |
| 1.6 本章小结 |
| 第二章 三支决策与直觉模糊集相关理论 |
| 2.1 三支决策 |
| 2.1.1 决策粗糙集模型 |
| 2.1.2 基于决策粗糙集的三支决策 |
| 2.2 直觉模糊集相关理论 |
| 2.2.1 直觉模糊集及其运算 |
| 2.2.2 直觉模糊相似度 |
| 2.2.3 直觉模糊相似度测度回顾 |
| 2.2.4 直觉模糊相似度测度的不足分析 |
| 2.3 直觉模糊信息系统 |
| 2.4 本章小结 |
| 第三章 基于直觉模糊信息系统的三支直觉模糊决策方法 |
| 3.1 直觉模糊粗糙近似的构造 |
| 3.1.1 直觉模糊数的相似测度 |
| 3.1.2 直觉模糊集的相似度和相异度 |
| 3.1.3 新直觉模糊相似度 |
| 3.1.4 直觉模糊目标概念的(?)-下、上近似集 |
| 3.2 多风险偏好的直觉模糊决策粗糙集模型 |
| 3.3 基于直觉模糊信息系统的三支直觉模糊决策方法 |
| 3.4 实例与比较分析 |
| 3.4.1 人机任务分配实例分析 |
| 3.4.2 提出方法与现有方法的比较 |
| 3.5 本章小结 |
| 第四章 基于直觉模糊数排序的三支直觉模糊决策方法 |
| 4.1 直觉模糊决策粗糙集 |
| 4.2 直觉模糊决策粗糙集下直觉模糊数排序方法分析 |
| 4.2.1 六种代表性直觉模糊数排序方法 |
| 4.2.2 六种直觉模糊数排序方法比较分析 |
| 4.3 基于直觉模糊数排序的三支直觉模糊决策机制 |
| 4.3.1 基于直觉模糊单排序函数的三支直觉模糊决策机制 |
| 4.3.2 基于直觉模糊双排序函数的三支直觉模糊决策机制 |
| 4.4 两类直觉模糊排序函数下的三支决策比较分析 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 基于决策粗糙集等价模型的三支直觉模糊决策方法 |
| 5.1 决策粗糙集的等价模型 |
| 5.1.1 等价模型的构建 |
| 5.1.2 KKT条件 |
| 5.1.3 模型等价性的验证 |
| 5.2 模糊环境下决策粗糙集等价模型的拓展 |
| 5.2.1 区间环境下基于决策粗糙集等价模型的拓展 |
| 5.2.2 三角模糊环境下基于决策粗糙集等价模型的拓展 |
| 5.2.3 语言环境下基于决策粗糙集等价模型的拓展 |
| 5.3 基于决策粗糙集等价模型的三支直觉模糊决策方法 |
| 5.3.1 优化视角下的直觉模糊决策粗糙集 |
| 5.3.2 直觉模糊环境下基于决策粗糙集等价模型的阈值确定 |
| 5.3.3 基于决策粗糙集等价模型的三支直觉模糊决策机制 |
| 5.4 实例与比较分析 |
| 5.4.1 载人航天任务分配实例分析 |
| 5.4.2 提出方法与现有方法的比较 |
| 5.5 本章小结 |
| 第六章 基于直觉模糊集成算子的三支直觉模糊群决策方法 |
| 6.1 三支直觉模糊群决策 |
| 6.1.1 三支直觉模糊群决策问题描述 |
| 6.1.2 直觉模糊集成算子 |
| 6.1.3 群决策环境下直觉模糊决策粗糙集阈值确定模型 |
| 6.2 基于直觉模糊集成算子的三支直觉模糊群决策机制 |
| 6.3 实例与比较分析 |
| 6.3.1 三支直觉模糊群决策在人机任务分配中的应用 |
| 6.3.2 提出方法与现有方法的比较分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 攻读博士学位期间完成的成果及主持/参与的项目 |
| 致谢 |
（10）基于大数据技术的电站机组节能优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 能源行业大数据技术发展需求 |
| 1.1.2 电力行业迈进大数据时代 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 电力大数据研究现状及发展趋势 |
| 1.2.2 电站机组节能降耗研究现状 |
| 1.3 论文的研究内容 |
| 第2章 电站大数据架构及理论基础 |
| 2.1 引言 |
| 2.2 电站大数据概念及特性 |
| 2.3 电站大数据架构体系 |
| 2.3.1 电站大数据架构 |
| 2.3.2 电站大数据关键技术 |
| 2.4 电站大数据平台 |
| 2.4.1 电站大数据平台架构 |
| 2.4.2 电站大数据平台搭建与配置 |
| 2.5 电站大数据理论基础 |
| 2.5.1 大数据存储 |
| 2.5.2 大数据计算技术 |
| 2.5.3 数据挖掘技术 |
| 2.6 本章小结 |
| 第3章 电厂实时大数据预处理及特征参数选择研究 |
| 3.1 引言 |
| 3.2 电站大数据预处理 |
| 3.2.1 数据稳态检测 |
| 3.2.2 大数据清理 |
| 3.3 电站机组关键能耗特征参数选择 |
| 3.3.1 特征参数选择方法概述 |
| 3.3.2 模糊粗糙集理论与方法 |
| 3.3.3 关键能耗特征参数选择实例分析 |
| 3.4 本章小结 |
| 第4章 基于大数据技术的电站机组能耗分析 |
| 4.1 引言 |
| 4.2 电站机组能耗分析策略 |
| 4.2.1 电站机组关键能耗特征参数分析 |
| 4.2.2 大数据技术新算法确定基准值策略 |
| 4.2.3 K-means聚类 |
| 4.2.4 Canopy算法 |
| 4.2.5 基于MapReduce架构的新算法实现 |
| 4.2.6 基于支持向量机的能耗敏感性分析模型 |
| 4.3 电站机组应用实例 |
| 4.3.1 确定研究对象及目标 |
| 4.3.2 算法应用及计算结果 |
| 4.3.3 算法性能测试 |
| 4.3.4 不同负荷下能耗敏感性分析实例 |
| 4.4 本章小结 |
| 第5章 大数据技术的电站机组节能环保多目标负荷优化分配 |
| 5.1 引言 |
| 5.2 厂级负荷分配 |
| 5.2.1 厂级负荷分配策略 |
| 5.2.2 负荷优化分配方法 |
| 5.2.3 大数据技术的厂级多目标负荷优化分配策略 |
| 5.3 大数据技术的厂级多目标负荷优化分配 |
| 5.3.1 PSO-SVM预测模型 |
| 5.3.2 NSGA-Ⅱ算法 |
| 5.3.3 并行NSGA-Ⅱ多目标优化方法 |
| 5.3.4 染色体表达 |
| 5.3.5 电厂负荷分配的物理模型 |
| 5.3.6 基于大数据技术的节能环保多目标负荷优化分配模型 |
| 5.4 实例分析 |
| 5.4.1 确定研究对象及目标 |
| 5.4.2 电站机组能耗特性分析 |
| 5.4.3 基于PSO-SVM预测模型计算 |
| 5.4.4 多目标负荷优化及计算结果 |
| 5.4.5 大数据方法效率验证 |
| 5.5 本章小结 |
| 第6章 燃气电站机组对标管理综合评价研究 |
| 6.1 引言 |
| 6.2 对标管理综合评价 |
| 6.2.1 对标管理基本概念 |
| 6.2.2 对标管理综合评价方法 |
| 6.3 燃气电站机组对标管理综合评价指标体系 |
| 6.3.1 指标体系构建的基本原则 |
| 6.3.2 评价指标体系建立 |
| 6.4 燃气电站机组对标管理综合评价模型搭建 |
| 6.4.1 粗糙集指标筛选 |
| 6.4.2 基于向量夹角余弦二级指标评价模型 |
| 6.4.3 主成分分析一级指标综合评价模型 |
| 6.5 实例分析 |
| 6.5.1 燃气电站机组样本概况 |
| 6.5.2 电站机组样本数据选取 |
| 6.5.3 基于粗糙集的指标筛选 |
| 6.5.4 基于向量夹角余弦法二级指标评价结果 |
| 6.5.5 基于主成分分析的一级指标评价结果 |
| 6.6 燃气电站机组评价体系指标权值敏感性分析 |
| 6.6.1 指标权值的敏感性分析模型 |
| 6.6.2 评价体系指标权值敏感性分析 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要研究成果 |
| 7.2 论文主要创新点 |
| 7.3 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、决策支持系统中粗糙集理论的应用研究（论文参考文献）
- [1]基于不完备多尺度信息的决策规则提取方法研究[D]. 陈亮. 西安石油大学, 2021(09)
- [2]覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用[D]. 王敬前. 陕西科技大学, 2021(01)
- [3]基于条件熵的邻域粗糙集属性约简算法及其应用[D]. 李虹欣. 大连交通大学, 2020(06)
- [4]基于粗糙集的几类广义信息系统知识发现与决策方法研究[D]. 余建航. 哈尔滨工业大学, 2020(01)
- [5]属性约简增量机理与鲁棒算法研究[D]. 董连杰. 华北电力大学(北京), 2020(06)
- [6]增量式概念漂移适应与收敛[D]. 吴越. 浙江师范大学, 2020(01)
- [7]智能粮仓监测管理系统的开发与应用[D]. 衣美佳. 天津工业大学, 2020(02)
- [8]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)
- [9]三支直觉模糊决策方法及在人机任务分配中的应用研究[D]. 刘久兵. 南京大学, 2019
- [10]基于大数据技术的电站机组节能优化研究[D]. 刘炳含. 华北电力大学(北京), 2019(01)