基于信息粒度的决策粗糙集模型与方法
| 中文摘要 | 第11-13页 |
| ABSTRACT | 第13-16页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 基于粒计算的粗糙决策研究具有重要意义 | 第17-18页 |
| 1.2 多属性粗糙决策方法研究现状 | 第18-25页 |
| 1.2.1 基于经典粗糙集的多属性决策方法 | 第19-22页 |
| 1.2.2 基于决策粗糙集的多属性决策方法 | 第22-25页 |
| 1.3 粒计算在多属性决策分析中的研究现状 | 第25-29页 |
| 1.3.1 粒计算方法概述 | 第25-26页 |
| 1.3.2 多粒度下的粗糙决策方法 | 第26-29页 |
| 1.4 论文研究内容与组织结构 | 第29-31页 |
| 第二章 粗糙决策的三个基本模型 | 第31-39页 |
| 2.1 Pawlak粗糙集模型 | 第31-33页 |
| 2.2 决策粗糙集模型 | 第33-36页 |
| 2.3 多粒度粗糙集模型 | 第36-38页 |
| 2.3.1 乐观多粒度粗糙近似 | 第36-37页 |
| 2.3.2 悲观多粒度粗糙近似 | 第37-38页 |
| 2.4 小结 | 第38-39页 |
| 第三章 动态粒度下的决策粗糙集模型与方法 | 第39-75页 |
| 3.1 问题描述 | 第39-40页 |
| 3.2 动态粒度下的决策粗糙集模型 | 第40-49页 |
| 3.2.1 决策粗糙集中概率正域的非单调性 | 第40-42页 |
| 3.2.2 动态粒度序下的阈值计算 | 第42-44页 |
| 3.2.3 动态粒度下的决策粗糙集 | 第44-47页 |
| 3.2.4 在动态粒度序下计算目标概念的正域 | 第47-49页 |
| 3.3 属性约简与算法 | 第49-66页 |
| 3.3.1 动态粒度决策粗糙集模型的多决策类问题 | 第50-52页 |
| 3.3.2 决策粗糙集模型中的属性约简问题 | 第52-54页 |
| 3.3.3 属性重要性度量 | 第54-56页 |
| 3.3.4 动态粒度下的启发式粗糙特征选择算法 | 第56-60页 |
| 3.3.5 实验分析 | 第60-66页 |
| 3.4 动态粒度下的三支决策方法 | 第66-72页 |
| 3.4.1 动态粒度下的三支决策模型 | 第66-67页 |
| 3.4.2 一种两阶段的动态三支决策规则获取算法 | 第67-70页 |
| 3.4.3 实验分析 | 第70-72页 |
| 3.5 小结 | 第72-75页 |
| 第四章 基于概率融合的多粒度决策粗糙集模型与方法 | 第75-91页 |
| 4.1 基于概率融合的多粒度决策粗糙集模型 | 第75-80页 |
| 4.1.1 多个粒空间中的Bayes决策理论 | 第75-77页 |
| 4.1.2 乐观多粒度决策粗糙集模型 | 第77-79页 |
| 4.1.3 悲观多粒度决策粗糙集模型 | 第79-80页 |
| 4.2 多粒度决策规则 | 第80-81页 |
| 4.3 粒度选择方法 | 第81-87页 |
| 4.3.1 α-下近似分布粒度约简 | 第81-82页 |
| 4.3.2 粒度重要度度量 | 第82-84页 |
| 4.3.3 一种基于近似分布质量的粒度约简算法 | 第84-87页 |
| 4.4 企业风险投资实例分析 | 第87-90页 |
| 4.5 小结 | 第90-91页 |
| 第五章 多尺度决策粗糙集模型和方法 | 第91-121页 |
| 5.1 问题描述 | 第91-92页 |
| 5.2 多尺度决策粗糙集模型 | 第92-107页 |
| 5.2.1 多尺度粒标记划分结构 | 第92-95页 |
| 5.2.2 基于标记划分的泛化多尺度决策表 | 第95-102页 |
| 5.2.3 泛化多尺度决策粗糙近似 | 第102-105页 |
| 5.2.4 最优泛化尺度选择 | 第105-107页 |
| 5.3 代价敏感的最优尺度选择 | 第107-119页 |
| 5.3.1 多尺度决策表中的代价敏感学习 | 第107-110页 |
| 5.3.2 代价敏感的最优泛化尺度选择算法 | 第110-115页 |
| 5.3.3 实验分析 | 第115-119页 |
| 5.4 小结 | 第119-121页 |
| 结论及展望 | 第121-123页 |
| 参考文献 | 第123-135页 |
| 攻读博士学位期间取得的研究成果 | 第135-137页 |
| 致谢 | 第137-139页 |
| 个人简况及联系方式 | 第139页 |
