粗糙決策理論與套用

《粗糙決策理論與套用》是一部決策學的理論專著，全書在介紹粗糙集基本概念的基礎上，對粗糙決策中的基本問題、粗糙集的擴展、粗糙集與其他方法的集成等粗糙決策分析方法及粗糙決策理論的套用進行了論述。全書在介紹國內外已有成果的基礎上，力圖概括近年來作者所做的最新工作。

基本介紹

• 書名：粗糙決策理論與套用
• 出版社：北京航空航天大學出版社
• 出版時間：第1版 (2006年4月1日)
• 開本：32開 

基本信息

平裝: 257頁 ISBN: 7810777084

目錄

第1章 粗糙集理論的基本概念

1.1 知識的含義與表示方法

1.1.1 知識的含義

1.1.2 不可分辨關係

1.1.3 知識的表示

1.2 粗糙集

1.2.1 粗糙集的下近似、上近似及邊界區

1.2.2 近似精度與粗糙度

1.2.3 粗糙隸屬函式

1.3 屬性約簡

1.3.1 屬性的依賴性

1.3.2 屬性的重要性

1.3.3 約簡與核

1.4 決策規則

1.4.1 決策規則和算法

1.4.2 規則的度量標準

1.4.3 規則的套用

1.5 粗糙集的套用

1.5.1 飛機空調車的故障診斷

1.5.2 黃騰達殲擊機的結構故障診斷

第2章 粗糙集中的離散化方法

2.1 連續屬性的離散化

2.1.1 離散化問題的描述

2.1.2 離散化方法的分類

2.2 連續屬性的無監督離散化方法

2.2.1 等寬度離散化方法

2.2.2 等頻率離散化方法

2.3 連續屬性的有監督直接離散化方法

2.3.1 單規則離散化方法

2.3.2 最小信息熵離散化方法

2.3.3 NaiveScaler離散化方法

2.3.4 SemiNaiveScaler離散化方法

2.3.5 粗糙集與布爾邏輯相結合的離散化方法

2.3.6 S.H.Nguyen，H.S.Nguyen改進的貪心算法

2.4 連續屬性的有監督間接離散化方法

2.4.1 超平面離散化方法

2.4.2 超曲面離散化方法

2.4.3 間接離散化方法在空軍器材保障中的套用

第3章 粗糙集中的屬性約簡算法

3.1 常見約簡算法

3.2 基於屬性重要性的啟發式約簡算法

3.2.1 屬性重要性的計算

3.2.2 約簡算法

3.3 基於差別矩陣的約簡算法

3.3.1 差別矩陣

3.3.2 約簡算法

3.4 基於集合近似質量的屬性約簡算法

3.4.1 約簡算法

3.4.2 算例

第4章 粗糙集中不確定性與模糊性的測量

4.1 粗糙集中不確定性的測量

4.1.1 基於粗糙度的不確足性測量

4.1.2 基於粗糙熵的不確定性測量

4.1.3 基於修正粗糙熵的不確定性測量

4.2 粗糙集中模糊性的測量

4.2.1 模糊熵的基本概念

4.2.2 等價關係下粗糙集模糊性的測量

4.2.3 一般二元關係下粗糙集模糊性的測量

第5章 基於實數粗糙集空間的自組織映射方法

5.1 實數粗糙空間的概念

5.1.1 實數粗糙空間

5.1.2 Pawlak粗糙集與實數粗糙集的比較

5.2 自組織映射方法的改進

5.2.1 自組織映射原理

5.2.2 菱形鄰域的設計

5.2.3 基於實數粗糙集空間的改進鄰域的自組織映射方法

5.2.4 拓撲特性保持

5.3 殲擊機故障識別的實數粗糙集自組織映射方法

第6章 粗糙集模型的擴展及套用

6.1 可變精度粗糙集

6.2 基於相近關係的粗糙集擴展及套用

6.2.1 相近關係及相近度

6.2.2 基於相近關係的相近粗糙集

6.2.3 相近粗糙集的屬性約簡

6.2.4 相近粗糙集的隸屬函式

6.2.5 基於相近粗糙集的殲擊機故障決策分類

6.3 基於廣義近鄰關係的粗糙集擴展及套用

6.3.1 屬性的廣義重要度

6.3.2 空間的屬性廣義重要度歐氏距離

6.3.3 基於廣義近鄰關係的實域粗糙集

6.3.4 實域粗糙集屬性約簡的定義及貪心算法

6.3.5 算例

6.4 基於相容關係的粗糙集擴展及套用

6.4.1 多值決策系統和不完全決策系統

6.4.2 基於相容關係的相容粗糙集

6.4.3 屬性的約簡及規則的獲取

6.4.4 軍機備件需求量修正的相容粗糙集方法

6.5 基於優勢關係的粗糙集擴展及套用

6.5.1 具有偏好信息的多屬性排序問題

6.5.2 優勢屬性集

6.5.3 基於優勢關係的優勢粗糙集

6.5.4 基於優勢粗糙集的方案排序

6.5.5 基於優勢粗糙集的空軍航材供應點的偏好選址

6.6 基於擴展優勢關係的粗糙集擴展及套用

6.6.1 不完全信息的多屬性分類問題

6.6.2 擴展優勢關係與擴展優勢集

6.6.3 基於擴展優勢關係的擴展優勢粗糙集

6.6.4 實例

第7章 粗糙集與神經網路的集成

7.1 粗糙集方法與神經網路方法的特點

7.1.1 粗糙集方法的特點

7.1.2 神經網路方法的特點

7.1.3 粗糙神經網路方法的優點

7.2 粗糙神經網路的集成方式

7.2.1 粗糙集作為神經網路的前端處理器

7.2.2 利用粗糙神經元構造粗糙元神經網路

7.3 基於粗糙神經網路的空軍航材消耗預測

7.3.1 影響航材消耗的因素

7.3.2 預測信息表的確定

7.3.3 預測信息表的約簡

7.3.4 基於粗糙神經網路的航材消耗預測

7.4 基於粗糙神經網路的模糊控制系統的設計

7.4.1 粗糙神經網路模糊控制系統的構造

7.4.2 實例

7.5 基於粗糙神經網路的殲擊機結構故障診斷

7.5.1 基於粗糙神經網路進行故障診斷的一般結構及步驟

7.5.2 基於粗糙集方法的特徵提取

7.5.3 分類神經網路及其算法

7.5.4 神經網路辨識器

7.5.5 實例

7.6 具有區間數的粗糙元神經網路決策分析方法

7.6.1 具有區間數的決策信息系統

7.6.2 具有區間數的粗糙元神經網路

7.6.3 基於粗糙元神經網路的殲擊機故障認定

7.7 基於相近關係的粗糙因子神經網路及其模式識別方法

7.7.1 基於粗糙因子的神經網路設計

7.7.2 粗糙因子神經網路算法的收斂說明

7.7.3 粗糙因子神經網路的模式識別仿真實驗

7.8 基於支持向量機的粗糙元神經網路的構造與分類決策

7.8.1 支持向量機粗糙元神經網路的基本思想

7.8.2 支持向量機的多分類問題

7.8.3 支持向量機輸出與粗糙近似集的關係

7.8.4 支持向量機粗糙神經網路的構造

7.8.5 實例

7.9 基於粗糙K一均值的橢球基函式神經網路及其模式識別套用

7.9.1 橢球單元神經網路

7.9.2 粗糙K一均值方法

7.9.3 橢球基函式神經網路

7.9.4 橢球基函式神經網路的函式逼近性能分析

7.9.5 橢球基函式神經網路與RBF神經網路的比較

7.9.6 實例

7.10 實域粗糙中心的RBF神經網路的集成

7.10.1 神經網路的集成思想和方法

7.10.2 一種動態的聚類算法

7.10.3 實域粗糙中心的基函式神經網路的集成方法

7.10.4 實例

第8章 粗糙集與模糊集的集成

8.1 具有連續屬性值決策系統的粗糙一模糊集集成方法

8.1.1 屬性值連續的決策系統

8.1.2 利用模糊集將連續屬性值轉化為模糊屬性值

8.1.3 模糊相容關係下的粗糙近似

8.1.4 模糊相容關係下的屬性約簡

8.2 模糊決策信息系統

8.3 粗糙一模糊集

8.4 相容粗糙一模糊集

8.4.1 相容關係及相容類

8.4.2 相容粗糙一模糊集

8.4.3 相容粗糙一模糊隸屬函式及其性質

8.4.4 算例

8.5 模糊一粗糙集

8.6 相容模糊一粗糙集

8.6.1 模糊相容關係及模糊相容類

8.6.2 相容模糊一粗糙集

8.6.3 相容模糊一粗糙隸屬函式及其性質

8.6.4 算例

8.7 自修復飛行控制系統效能評估的粗糙集與模糊集集成方法

8.7.1 自修復飛行控制效能評估系統

8.7.2 自修復飛行控制效能評估的粗糙一模糊集集成方法

8.7.3 自修復飛行控制系統效能評估的相容粗糙一模糊集方法

參考文獻