一、不完备信息系统的规则约简算法（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》文中进行了进一步梳理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。
赵茁君[2]（2021）在《基于优势粗糙集的多准则分类方法研究》文中研究表明多准则分类是指通过一簇有序的条件属性（或称为条件准则）,将具有优先顺序的决策类进行分类。在现有研究中,基于优势关系的优势粗糙集方法已经成功地被引入到多准则分类问题中,用来表达和解释与优势原则不一致的问题。在实际应用中,属性值往往具有层次结构,可以让人们从不同的角度组织、查看和分析数据,以适应偏好的变化。然而,在已有研究之中,分层多准则决策系统中的属性约简还未涉及,已有关于近似集更新的增量学习研究也只是局限于完备多准则决策系统,鉴于此,本文研究在完备分层多准则决策系统中的属性泛化约简,进一步,将属性泛化约简推广至不完备多准则决策系统之中,并给出相应的近似更新算法。首先将属性值分类和切割引入到完备分层多准则决策系统中,研究了在完备分层多准则决策系统中最细层准则值下属性约简和属性泛化约简之间的关系,证明了属性约简是特殊的属性泛化约简。基于此,从最细层属性约简集的属性值分类树出发,利用优势条件熵进行属性泛化约简,设计了完备分层多准则决策系统的属性泛化约简算法,并通过算例详细地说明了该算法的整个流程,给出了实验验证。结论表明,所提出的属性泛化约简算法能够在保持原始数据分类能力不变的情况下,客观地控制属性的泛化程度,可将约简集中的属性泛化到相对较高的粒度层次,进而获得更好的分类性能,计算出更小的规则集,得到更加泛化的知识。其次,将属性值分类和切割引入到不完备分层多准则决策系统中,研究了不完备分层多准则决策系统中的不同粒度间知识粒下粗糙近似的增量更新方法,给出了切割细化下优势类、决策类向上联合的粗糙近似更新算法,并将属性泛化约简算法拓展至不完备情形,通过算例对其进行了验证。
王敬前[3]（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》文中研究指明化工过程反应复杂,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。
刘瑶瑶[4]（2020）在《面向不完备信息的局部粗糙集方法研究》文中进行了进一步梳理
张玉[5]（2020）在《不完备信息填充及基于VPRS模型的属性约简研究》文中进行了进一步梳理粗糙集理论模型是数据挖掘的有力工具,被广泛应用到机器学习、过程控制、知识获取、模式识别等领域,粗糙集理论可以运用属性约简发现数据表中的隐藏信息。在实际生产生活中,数据收集过程往往会遇到数据缺失、不确定、不完整的情况,使得最终收集到的不完备数据表无法直接应用经典粗糙集模型进行属性约简。因此,本文从不完备决策信息系统的填充及属性约简入手,对其展开相关研究。本文以不完备决策信息系统为对象,对其缺失属性值的填充方法进行研究,并提出基于极大正域的变精度粗糙集属性约简定义,将其运用到填充后的信息系统中,从而进行属性约简。具体内容如下:1.简述关于不完备信息系统填充方法的国内外研究进程,对现有经典粗糙集、变精度粗糙集属性约简定义进行分类和阐述,以期设计新的不完备信息系统填充方法,并将变精度粗糙集属性约简运用到填充后的信息系统中,从而确定文章主要研究内容。2.对不完备决策信息系统的区分矩阵进行改进,提出贡献矩阵的概念,在其基础上给出属性贡献率、属性的属性值完备率等定义;再将属性的相对贡献率、属性值相对完备率与参数?,?相结合,给出基于参数?,?的属性重要度定义。3.在基于参数?,?的属性重要度的基础上给出重要属性及不必要对象的定义,并以决策表中属性值出现的频率为依据,给出相应的缺失值填充方法,将不完备决策信息系统转化为带权决策信息系统。4.针对现有属性约简定义的不足提出变精度粗糙集模型中极大正域的概念,并给出基于极大正域的VPRS模型属性约简;同时,论证了基于极大正域的属性约简与已有几类属性约简间的关系;为方便应用,分别给出基于极大正域的属性约简的一般算法以及基于遗传算法的极大正域属性约简算法,分析了他们的优点与不足。5.针对带权决策信息系统,首先给出保持相对正域不变的VPRS模型属性约简定义,再给出基于极大正域的VPRS模型属性约简定义及算法,最终选取UCI中的两个数据集验证了本文所提算法的可行性及有效性。
侯文丽[6]（2020）在《基于邻域粗糙集的增量属性约简算法研究》文中研究指明在科技时代背景下,信息技术时刻在高速率地发展着,各行各业中产生了大量的数据,据不完全统计,在互联网中每天有数万亿PB数据不断更新和增长。这不得不使得人们在收集大规模数据,以及储存处理数据的这些方面的技能迫切提升。在许多工业、教育以及医疗行业中都存在着大量多维的数据,针对于此类数据进行一定程度的数据分析,有利于人们从数据中挖掘出来隐藏在数据背后的有价值的信息,同时,也有利于预测出下一阶段数据的变化情况,这样,有利于针对于动态变化的数据提前做好应对之策。总之,数据挖掘和智能信息处理目前已经是研究工作者们近些年来重点关注的研究内容之一。粗糙集理论是用来处理模糊、不确定、不完备数据的一种有效的数学工具,它的优势在于很多时候仅仅需要利用生成的数据表中的信息本身,并不需要计算出其他的概率论的有关数学知识,如先验知识和其它附加信息等,通过简单的分析处理就可以很便利地分析数据表中的各项数据,进而发现隐藏在数据表中背后的有用的有研究意义的知识或者数据,粗糙集理论一定程度上,揭示潜在数学规律。就目前看来,粗糙集理论以及衍生出来的邻域粗糙集理论、变精度粗糙集理论、模糊粗糙集理论和覆盖粗糙集理论等理论,这些相关理论已经大量运用在数据挖掘、智能信息处理、模糊识别和知识约简等科学研究。属性约简是在保持属性区分能力不改变或者大方向不改变的情况下,去除掉数据中的无关或者不太重要的属性。近些年来,由于许多医疗、教育和工业领域中的数据通常都是在动态实时更新变化,每当数据的数据量増长到一定维度时候,从原始数据集中获取的属性约简和知识获取结果将不再适用,此时需对新生成的数据表,重新进行处理和分析。若使用静态的非增量式的属性约简方法来处理时,将导致属性约简算法的时间复杂度急剧增加,且较难寻找出新数据相较于原始数据的变化规律所在。因此,基于粗糙集理论围绕动态数据研究动态数据挖掘理论和方法具有很大的研究价值。本文的主要研究工作和创新工作如下:（1）基于邻域粗糙集模型和邻域条件熵的常规增量属性约简算法存在精度低,效率低。本文重新定义了一种新的邻域粗糙熵,并推导出邻域粗糙条件熵,分析了基于信息熵的属性约简算法相对于代数观下属性约简算法的优势,以属性的邻域粗糙条件熵为基础来计算属性重要度,提出了一种基于邻域粗糙条件熵的非增量属性约简算法,并且为了精确地确定邻域阈值,本文利用人工蜂群优化算法来搜寻本算法最优的邻域阈值。（2）针对决策表下样本的动态变化,研究探讨了如何快速地从动态决策表中提取关键的知识或规则。第一,完备决策表中独立样本的増加和删除进行分析,基于新的邻域粗糙条件熵动态更新机制,通过计算新的重要度和约简集,对于满足阈值要求的规则进行动态增加和删除。第二,再分析批增量下,多个对象增加和删除时,基于新的邻域粗糙条件熵动态更新机制,再重新确定新的约简结果。主要是分析了新增样本后邻域的变化规律,邻域粗糙条件熵的变化规律以及约简结果的变化规律,并做了详细的理论推导工作。（3）在（2）的基础上,提出了一种基于邻域粗糙集的増量式属性约简算法。在UCI标准数据集随机改变数据集中的10%,20%,30%,40%,50%样本中的数据值,重新计算新生成的数据集的约简结果,并通过与多种算法进行约简结果的对比实验和以十倍交叉验证方法在两种传统分类器下的精度分析对比实验,实验证明所提出的属性约简算法以及新定义的邻域粗糙条件熵的有效性和可行性,并证明了所提算法对混合多维数据有一定的应用价值。综上,本文以粗糙集理论作为数学理论支撑,以智能信息处理为目的,针对动态不完备决策表的属性约简和知识获取模型与增量属性约简算法进行了深入的分析和研究。针对动态数据中的样本集变化,导致的属性约简和知识获取需要实时更新问题,进行了较深入研究,设计一种新的增量属性约简算法,较好地解决了许多静态非增量算法未能描述数据更新变化的变化规律和算法运行效率较低等诸多问题,进而为更容易适应大数据环境下数据实时分析和挖掘。
谢棚宇[7]（2020）在《决策表的属性约简及其在应急管理上的应用》文中指出近年来,突发事件发生呈常态化趋势,其诱因复杂、发展迅猛,给各国家和地区带来严峻挑战。突发事件数据集记录的信息杂乱,不利于决策者做出科学有效的应急决策,需对其进行知识获取研究。现有面向突发事件的知识获取大多基于经典粗糙集,利用区分矩阵、重要度或信息熵方法设计算法,其处理突发事件数据集的效果欠佳且耗时较长。因此,本文利用覆盖粗糙集对突发事件决策表进行知识获取以提升数据处理效果,扩大粗糙集在应急管理领域中的应用。本文利用相关族方法对M逼近空间,D逼近空间覆盖粗糙集进行属性约简,并探究它们与图论之间的联系,借鉴图论中优化算法获取决策表的关键属性。突发事件数据集存在信息冗余、缺失,数据海量等问题,而相关族方法能对这样的决策表进行有效的属性约简。因此,本文以相关族和图论为基础探究突发事件的知识认识过程,主要包括属性约简、规则提取理论研究,算法设计与实例应用。首先,为便利后续工作,将一致和非一致决策表整合为统一框架,记为有效逼近集合,在此集合的基础上重新定义相关族。并利用相关族方法建立起超图极小顶点覆盖和权重极小顶点覆盖分别与决策表的属性约简和代价极小属性约简的新联系,从而得到决策表属性约简的新方法。其次,在相关族和贪心算法的基础上提出时间复杂度较低的属性约简算法（RFH）和代价极小属性约简算法（MCRFH）,并考虑属性的分类能力和代价设计简化决策表的规则提取算法DRCR。最后,利用三种算法对环球恐怖袭击和新冠疫情数据集进行属性约简和规则提取。通过分析约简后的数据集和提取出的决策规则发现,利用本文方法得到的结果符合常规工作和生活中对此类事件的认知。本文在相关族和超图的基础上对突发事件进行知识获取研究,并考虑属性代价,使得决策者能够在短时间内得到较为简洁、获取成本低的关键因素和实用性较高的决策规则,达到快速开展援助救灾的目的,具有理论与实际的双重意义。
夏冰莹[8]（2020）在《基于决策粗糙集与证据理论的空气质量评价研究》文中研究指明目前,我国经济高速发展,随之带来的空气污染问题也愈发引起社会的关注。然而,在实际监测工作中,空气污染数据可能存在遗漏和冗余等现象,这些情况增加了准确分析空气质量指数的难度。面对大规模、复杂度高、信息量大的数据,传统的数据挖掘和研究方法面临着巨大挑战。从某种意义上来说证据理论和决策粗糙集都是处理不精确信息的有效工具。本文在不完备信息系统下对决策粗糙集进行改进,并且引入证据理论。将两者结合起来可以更好地适应新的需求,获得更准确的决策信息。为了解决证据理论中识别框架是不完整的情况,提出开放识别框架的概念,解决对未知命题的基本概率赋值问题。将Murphy平均法进行改进,并且扩展到开放识别框架中,有效合成冲突数据,进一步完善了开放识别框架下的证据理论模型。选用极大相容类代替经典粗糙集中的等价类,构造不完备信息系统下的决策粗糙集模型。对于属性约简问题,提出两种保正域不变的启发式属性约简算法。为了节约资源,降低约简中的属性个数,提高约简的效率。本文从局部的角度出发,只对单独的关键决策类进行属性约简,提出保正域不变的局部属性约简算法。在进行信息融合时首先需要应用决策粗糙集对信息系统进行属性约简,接着进行规则提取。在对信息表数据进行初步处理后,重新定义概率分配函数,从而确定类概率函数,得到最终的决策结果。结合遥感和站点观测到的实际数据,对比分析属性拟合预测、决策粗糙集理论的预测、决策粗糙集与证据理论结合的预测结果,通过实验结果验证本文方法具有合理性与有效性。
许鑫鑫[9]（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》文中提出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。
杨璐玮[10]（2019）在《基于不完备粗糙集的关键报价影响因素组合提取研究》文中研究指明制造业询价订单信息共享平台的快速发展为制造企业带来了新的机遇和挑战,新的平台带来了比以往更多的潜在客户,面对询价订单量增加,客户订单需求个性化、需求不确定性的增加,传统报价方法的沟通成本、管理成本增加而且报价周期也变的更长。同时由于全程的报价数据来源广,跨部门跨流程,结构复杂,报价影响因素之间还存在着耦合关系,处理起来人力成本和时间成本较高而且由于是跨部门进行处理的,部门之间的度量标准、协调对接的准确性直接影响着最终报价的准确性。因此快速准确地进行产品报价是制造企业当下需要解决的重要问题。本文针对如何从大量包含有不确定性的订单中提取出关键报价影响因素组合的实际问题,引入不完备粗糙集理论,构建了基于不完备粗糙集的关键报价影响因素组合提取模型,首先将报价订单中的产品要求拆解细化到产品全生命周期的各个阶段上,然后将产品全生命周期中涉及到的大量具有耦合性和不确定性的数据整合为一张不完备决策表,其中报价影响因素作为条件属性,价格作为决策属性,最后进行属性约简,得到的约简集即为与价格密切相关的关键报价影响因素组合。通过分析最常用的处理不完备决策表的拓展粗糙集模型,基于容差关系的不完备粗糙集模型的优缺点,其由于无需对决策表进行填补缺值的预处理,可以对于不完备决策表进行直接处理而不会破坏不完备决策表原始数据结构而被广为使用,但是由于其仅从被比较的两个对象的值的角度出发,忽略了对于对象间整体确定值近似程度的考虑,有可能将并没有在某属性上都存在确定属性值且属性值相等的对象错误的划分到同一容差类中,因此造成近似精度的低下,影响属性约简的精度。通过分析基于容差关系的不完备粗糙集模型的局限性,本文提出了基于对象近似度改进的容差关系,增加对象近似度的衡量约束,对于被划入某对象容差类中的对象进行二次筛选,能够减少容差类中被错误归类的对象个数,提高近似精度。而由于选取不同的对象近似度改进阈值带来的效果是不同的,因此提出基于IDT本身的对象近似度阈值选取算法,从样本数据本身出发来选取不同的阈值。最后应用UCI标准数据集和实际报价数据集对方法进行测试,验证了该模型的有效性和可靠性,可用来进行关键报价影响因素组合的提取,为制造企业报价提供指导意义。
二、不完备信息系统的规则约简算法（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、不完备信息系统的规则约简算法（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）基于优势粗糙集的多准则分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 粗糙集的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文结构 |
| 第二章 预备知识 |
| 2.1 经典粗糙集模型 |
| 2.2 基于完备信息的优势关系粗糙集模型 |
| 2.3 基于不完备信息的拓展优势关系粗糙集模型 |
| 第三章 基于完备分层多准则决策系统的属性泛化约简 |
| 3.1 基于属性值分类的完备分层多准则决策系统 |
| 3.2 基于熵的属性重要度度量 |
| 3.3 基于完备分层多准则决策系统的属性泛化约简算法 |
| 3.3.1 完备多准则决策系统的属性约简 |
| 3.3.2 完备分层多准则决策系统的属性泛化约简 |
| 3.3.3 完备分层多准则决策系统的属性泛化约简算法实现 |
| 3.4 算例分析 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 第四章 基于不完备分层多准则决策系统的知识更新及泛化约简 |
| 4.1 基于属性值分类的不完备分层多准则系统 |
| 4.2 不完备分层多准则决策系统的切割细化知识更新 |
| 4.2.1 不完备分层多准则决策系统的切割细化更新 |
| 4.2.2 基于属性值分类的不完备分层多准则决策系统的切割细化算法 |
| 4.3 不完备分层多准则决策系统的切割粗化知识更新 |
| 4.4 不完备分层多准则决策系统的属性泛化约简算法 |
| 4.5 算例分析 |
| 4.6 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 |
（3）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 |
（5）不完备信息填充及基于VPRS模型的属性约简研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 不完备信息处理方法国内外研究现状 |
| 1.2.2 粗糙集的发展现状 |
| 1.2.3 经典粗糙集属性约简国内外研究现状 |
| 1.2.4 变精度粗糙集属性约简国内外研究现状 |
| 1.3 主要研究内容 |
| 第二章 理论基础 |
| 2.1 信息系统的基本概念 |
| 2.2 经典粗糙集的基本概念 |
| 2.3 变精度粗糙集的基本概念 |
| 2.4 本章小结 |
| 第三章 不完备决策信息表处理 |
| 3.1 不完备决策信息表属性重要度 |
| 3.1.1 已有的属性重要度定义分析 |
| 3.1.2 一种改进的区分矩阵及属性重要度 |
| 3.2 不完备决策信息表填充及算法 |
| 3.2.1 不完备决策信息表填充 |
| 3.2.2 不完备决策信息表填充算法 |
| 3.3 本章小结 |
| 第四章 基于极大正域的VPRS模型属性约简 |
| 4.1 现有VPRS模型属性约简定义及分析 |
| 4.2 决策表的极大正域VPRS模型属性约简 |
| 4.2.1 基于极大正域的VPRS模型属性约简 |
| 4.2.2 五种约简定义间的联系 |
| 4.2.3 两种决策表中基于极大正域的属性约简算法 |
| 4.3 带权决策表的极大正域VPRS模型属性约简 |
| 4.3.1 带权决策表基于正域的VPRS模型属性约简 |
| 4.3.2 带权决策表基于极大正域的VPRS模型属性约简 |
| 4.3.3 两种带权决策表中基于极大正域的属性约简算法 |
| 4.4 本章小结 |
| 第五章 数据实验 |
| 5.1 基于极大正域VPRS模型属性约简实验 |
| 5.2 不完备决策信息系统属性约简 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录 |
| 附录一 Post-Operative Patient数据集 |
| 附录二 Mammographic Mass数据集 |
| 附录三 Mammographic Mass数据集填充结果 |
| 致谢 |
| 攻读学位期间参加的项目和发表论文情况 |
| (一)参与项目名称 |
| (二)发表学术论文 |
（6）基于邻域粗糙集的增量属性约简算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题应用背景及选题意义 |
| 1.1.1 课题应用背景 |
| 1.1.2 选题意义 |
| 1.2 论文国内外研究现状 |
| 1.2.1 粗糙集理论的研究现状 |
| 1.2.2 粗糙集理论在不完备信息系统中的研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文的结构组成以及安排 |
| 第二章 理论综述 |
| 2.1 粗糙集理论的基本理论 |
| 2.2 邻域粗糙集的基本理论 |
| 2.3 属性约简 |
| 2.4 动态数据的约简方法 |
| 2.5 本章小结 |
| 第三章 基于邻域粗糙条件熵的非增量属性约简算法 |
| 3.1 邻域粗糙条件熵的相关理论 |
| 3.1.1 邻域粗糙熵的定义 |
| 3.1.2 邻域粗糙条件熵的定义 |
| 3.2 基于邻域粗糙条件熵属性约简算法 |
| 3.2.1 基于信息熵的属性约简算法的优势 |
| 3.2.2 算法设计 |
| 3.3 算法测试和结果分析 |
| 3.3.1 参数的确定 |
| 3.3.2 算法测试和结果分析 |
| 3.3.3 非增量属性约简算法的应用场景 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙条件熵的增量属性约简算法 |
| 4.1 增量式约简机制 |
| 4.1.1 增加样本后邻域的变化规律 |
| 4.1.2 增加样本后新的邻域粗糙条件熵的变化规律 |
| 4.1.3 增加样本后约简结果的变化规律 |
| 4.2 基于邻域粗糙条件熵的增量属性约简算法的设计 |
| 4.3 增量属性约简算法的测试和结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 约简时间对比分析 |
| 4.3.3 精度对比分析 |
| 4.3.4 增量属性约简算法的应用场景 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）决策表的属性约简及其在应急管理上的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外发展与研究现状 |
| 1.2.1 突发事件的知识获取研究现状 |
| 1.2.2 基于粗糙集的知识获取研究现状 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构 |
| 2 相关理论概述 |
| 2.1 应急管理概述 |
| 2.1.1 突发事件特点 |
| 2.1.2 突发事件数据特征 |
| 2.2 粗糙集理论 |
| 2.2.1 粗糙集基本概念 |
| 2.2.2 覆盖粗糙集 |
| 2.2.3 覆盖粗糙集的属性约简 |
| 2.3 超图 |
| 2.4 决策表规则提取 |
| 3 覆盖粗糙集的属性约简新方法 |
| 3.1 理论基础 |
| 3.1.1 基于有效逼近集合的相关族方法 |
| 3.1.2 覆盖粗糙集与无权重超图的联系 |
| 3.2 基于相关族和图的属性约简启发式算法 |
| 3.3 算例分析 |
| 3.3.1 算法复杂度分析 |
| 3.3.2 算法有效性分析 |
| 4 属性代价约束下的覆盖粗糙集知识获取 |
| 4.1 覆盖粗糙集的代价敏感属性约简 |
| 4.1.1 属性代价的定义及设置 |
| 4.1.2 属性代价约束下的相关族与带权重超图间的联系 |
| 4.2 代价极小属性约简启发式算法 |
| 4.3 算例分析 |
| 4.4 属性代价约束下的粗糙集规则提取 |
| 5 实例分析 |
| 5.1 基于算法RFH的恐怖袭击实例分析 |
| 5.1.1 实例描述及数据预处理 |
| 5.1.2 恐袭数据集的属性约简 |
| 5.1.3 属性约简结果分析 |
| 5.2 基于算法MCRFH和DRCR的新冠疫情实例分析 |
| 5.2.1 实例描述及数据预处理 |
| 5.2.2 新冠疫情应急响应数据集的属性约简 |
| 5.2.3 新冠疫情应急响应数据集的规则提取 |
| 6 总结与展望 |
| 参考文献 |
| 附录 (攻读学位期间的主要学术成果) |
| 致谢 |
（8）基于决策粗糙集与证据理论的空气质量评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 决策粗糙集模型研究现状 |
| 1.2.2 证据理论研究现状 |
| 1.2.3 决策粗糙集与证据理论结合研究现状 |
| 1.3 论文的组织结构 |
| 1.3.1 论文创新点 |
| 1.3.2 论文框架 |
| 第2章 不完备信息系统下的决策粗糙集理论 |
| 2.1 经典粗糙集理论 |
| 2.1.1 知识表示与信息系统 |
| 2.1.2 不确定性度量标准 |
| 2.1.3 属性约简与核 |
| 2.2 决策粗糙集模型 |
| 2.3 不完备信息系统 |
| 2.3.1 基本概念 |
| 2.3.2 不完备信息系统下的决策粗糙集 |
| 2.4 本章小结 |
| 第3章 证据理论 |
| 3.1 经典证据理论的基本概念 |
| 3.1.1 识别框架 |
| 3.1.2 基本概率赋值 |
| 3.1.3 信任函数 |
| 3.1.4 似然函数 |
| 3.1.5 信任区间与不确定性表示 |
| 3.2 合成规则 |
| 3.2.1 两组的合成规则 |
| 3.2.2 多组的合成规则 |
| 3.2.3 存在不足 |
| 3.3 开放框架识别方法 |
| 3.3.1 基本概念 |
| 3.3.2 实例分析 |
| 3.4 本章小结 |
| 第4章 不完备信息系统下决策粗糙集与证据理论融合 |
| 4.1 决策粗糙集与证据理论的联系 |
| 4.2 不完备信息系统下证据信息获取 |
| 4.2.1 数据的完备化和一致化 |
| 4.2.2 决策系统的正域约简 |
| 4.2.3 决策系统的局部正域约简 |
| 4.2.4 规则提取 |
| 4.3 信息融合算法分析 |
| 4.3.1 证据理论的引入 |
| 4.3.2 证据合成 |
| 4.3.3 信息融合算法 |
| 4.4 实验分析 |
| 4.4.1 局部保正域属性约简对比 |
| 4.4.2 信息融合实验分析 |
| 4.5 本章小结 |
| 第5章 对空气质量指数进行预测 |
| 5.1 引言 |
| 5.2 对收集到的数据进行分析处理 |
| 5.3 对预测方法进行对比分析 |
| 5.3.1 实验环境搭建 |
| 5.3.2 AQI的单属性拟合预测 |
| 5.3.3 基于决策粗糙集理论对AQI进行预测 |
| 5.3.4 基于决策粗糙集理论与证据理论结合对AQI进行预测 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位间撰写的论文 |
| 致谢 |
（9）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 |
（10）基于不完备粗糙集的关键报价影响因素组合提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 产品报价研究现状 |
| 1.2.2 不完备粗糙集研究现状 |
| 1.3 研究目的及内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 创新点 |
| 2 相关理论 |
| 2.1 产品报价相关理论 |
| 2.1.1 产品报价方法 |
| 2.1.2 产品报价系统 |
| 2.2 粗糙集理论 |
| 2.2.1 经典粗糙集相关概念 |
| 2.2.2 不完备粗糙集相关概念 |
| 2.2.3 基于差别矩阵求不完备决策表属性约简 |
| 2.3 本章小结 |
| 3 基于不完备粗糙集的关键报价影响因素组合提取模型 |
| 3.1 问题描述 |
| 3.2 构建基于产品全生命周期数据的不完备决策表 |
| 3.3 基于改进容差关系的不完备粗糙集模型 |
| 3.3.1 基于容差关系的不完备粗糙集模型局限性分析 |
| 3.3.2 基于对象近似度改进的不完备粗糙集模型 |
| 3.3.3 基于IDT本身的对象近似度阈值选取 |
| 3.4 本章小结 |
| 4 基于改进容差关系的不完备决策表属性约简算法 |
| 4.1 改进容差关系中对象近似度阈值计算 |
| 4.2 基于改进差别矩阵的不完备决策表属性约简算法 |
| 4.3 实验分析 |
| 4.3.1 数据预处理 |
| 4.3.2 实验结果与算法对比分析 |
| 4.4 管理启示 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、不完备信息系统的规则约简算法（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]基于优势粗糙集的多准则分类方法研究[D]. 赵茁君. 西安石油大学, 2021(09)
- [3]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)
- [4]面向不完备信息的局部粗糙集方法研究[D]. 刘瑶瑶. 西安石油大学, 2020
- [5]不完备信息填充及基于VPRS模型的属性约简研究[D]. 张玉. 广西大学, 2020(07)
- [6]基于邻域粗糙集的增量属性约简算法研究[D]. 侯文丽. 太原理工大学, 2020(07)
- [7]决策表的属性约简及其在应急管理上的应用[D]. 谢棚宇. 中南林业科技大学, 2020(02)
- [8]基于决策粗糙集与证据理论的空气质量评价研究[D]. 夏冰莹. 江苏科技大学, 2020(03)
- [9]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)
- [10]基于不完备粗糙集的关键报价影响因素组合提取研究[D]. 杨璐玮. 大连理工大学, 2019(02)