一、不可指定性的度量及度量性质（论文文献综述）
刘岩峰[1]（2020）在《多重不确定性需求下装备制造企业多品种生产计划方法研究》文中认为企业战略目标的实现依赖于对战略指导下的生产经营活动的计划及实施。生产系统运行管理的首要职能就是对系统生产活动的计划管理。企业生产计划又是企业的总体生产大纲,在实际应用中使用较为广泛的如企业资源计划ERP、制造执行系统MES等,都需要依据生产计划大纲才能转化为可具体执行的生产作业计划并加以实施和控制。作为制造业的核心,装备制造企业在国民经济和工业建设中的地位及其重要。伴随着工业革命持续推进,客户对产品的需求也逐渐定制化、多样化,使得生产变得复杂化、分散化,装备制造企业开始转向多品种小批量生产,装备产品生产越来越柔性。产品生产的发展特征也逐渐表现出个性化、多样化。与此同时,也使装备制造企业多品种生产计划面临着客户需求多样个性、动态多变和难以预见的新挑战。但通过对覆盖了7个大类装备制造业137个企业进行访谈和问卷调查表明:相对于最终消费品制造企业而言,装备制造企业由于其产品知识密集,产品比较专业化和复杂化,设计制造上顾客参与度低以及需求变更、修改订单等原因,生产计划制定仍然面临着诸多的不确定性需求问题。当前企业都面临着市场需求的多样化、定制化和持续多变的环境问题。为了能够快速应对外部需求不断变化,如何制定计划是企业组织生产活动和生产过程的永恒主题。因此,迄今已有众多关于生产计划方法方面的研究成果,但这些方法主要是针对确定性需求或是需求数量不确定、需求数量-期限不确定情形下的生产计划制定,生产实际中大多还是基于经验或数学方法,并通过反复实验或称“试错法”来制定生产计划。面对客户需求品种、质量、数量、期限上的多重不确定性,如何描述客户需求的多重不确定性以及多重不确定性需求之间的关系?如何将这些多重不确定性需求关系及其需求共性反映到生产计划制定之中?又如何建立多重不确定性需求下多品种生产计划模型?这是生产计划管理理论和实践上亟待破解的难题。本文围绕装备制造企业多品种生产中,面临多重不确定性需求下迫切需要解决的生产计划方法问题开展研究,研究完成的主要工作有以下四个方面:（1）对多重不确定性需求以及装备制造企业多重不确定性需求概念进行了界定。首先,对不确定基本概念与相关理论基础进行了分析,主要从单重不确定性研究扩展到多重不确定研究,从常用的随机性和模糊性,也拓展到了粗糙性。然后,分别根据研究对象的不同和对象属性不同的特点进行了分类和划分,以及对相关文献的梳理,从而界定了多重不确定性和多重不确定性需求的概念。最后,通过对现实中的装备制造企业的需求问题进行了提炼和归纳,给出了装备制造企业多重不确定性需求的概念界定。（2）分析了制造企业多重不确定性需求以及它们相互之间的关系,并提出了生产计划应对的生产策略。首先,分别对生产计划制定的不确定性的品种、数量、质量、交货期等需求要素分析。其次,按照制造企业客户需求的影响过程,逐一明确各种需求之间的关系及相互影响,从而建立制造企业客户多重不确定性需求之间的关系模型。再次,采用动态情景分析描述装备制造企业多重不确定性需求的作用关系,提出了多重不确定性需求的各情景下的生产计划应对策略。最后,采用动态随机规划方法建立了多重不确定性需求下生产计划动态规划模型;并针对装备制造企业的实际问题,采用了不同的生产计划安排策略,包括先来先服务、短作业优先、需求时间优先以及最小转换成本策略等,并采用了算例模拟对比分析。研究表明:品种、数量、交货期、质量等需求要素存在着不确定性并且是相关影响的,算例结果证明该模型有效且有实用价值。（3）根据装备制造企业的订单变动和紧急订货情景,建立了多重不确定性需求下装备制造企业多品种生产计划模型。首先,对装备制造企业订单变动和紧急订货情景下产生的品种、数量、交货期和质量的需求变化进行分析。其次,根据满足客户需求、生产计划成本最小、产品生产周期最短、利润最大化四个生产目标,建立了具有多重不确定性的装备制造企业多目标生产计划模型。再次,在该模型中,不仅考虑了各种生产约束条件,还采用数学表达方式描述模糊不确定性数量需求,模糊不确定性交货期、由于客户和企业的认知不同产生的粗糙不确定性质量,以及在一定范围内波动的模糊价格需求等。最后,模型算例模拟求解采用了带精英策略的快速非支配排序遗传算法（NSGA-II）算法,结果表明该模型的有效性和可行性;同时将运算结果对比了带罚函数的粒子群算法求解该模型的模拟运算结果,对比结果表明NSGA-II算法求解本模型更适用。（4）构建了多重不确定性需求下装备制造企业多品种相似性生产计划模型。首先,针对装备制造企业分析了客户的离散随机的品种需求、模糊的交货期需求、随机的数量需求、模糊的质量需求。其次,对装备制造企业的产品和组件的相似性分析,建立了产品或组件的相似性计算模型。再次,针对产品或组件的相似性距离和多重不确定性需求的相似性,建立了基于FCM（模糊C-均值模糊聚类）的聚类模型。然后,根据聚类模型建立了相似生产计划模型,并利用多层编码遗传算法求解。最后,对比了SAGA（基于遗传模拟退火算法的聚类算法）的聚类分析,结果表明:SAGA聚类算法比FCM算法求解该聚类模型优越性更明显;对各模型进行模拟求解验证了模型的可行性和实用性。
付爱民[2]（2015）在《极速学习机的训练残差、稳定性及泛化能力研究》文中研究说明极速学习机是一种新型单隐含层前馈神经网络的训练方法.它将整个神经网络视为一个线性系统,通过线性系统的最小二乘最小模解来得到最优的网络参数,不仅有极快的训练速度,同时解决了局部最优与过适应的问题.大量的参考文献和技术报告显示极速学习机由于其极快的学习速度故可应用于众多的实际领域,特别是大数据领域的预测问题,表现出了良好的泛化性能.本文对极速学习机模型的中一些最基本、最关键问题进行了研究,包括训练残差的表示、模型稳定性,输入矩阵的秩在模型中变化,泛化能力与模糊性的关系,样本分治策略等.1.着重研究了极速学习机输入矩阵的秩,给出了这个秩与极速学习机的训练误差之间的关系,此关系被公认为极速学习机的一个关键问题,它对于剖析极速学习机的结构、分析稳定性和泛化能力、改进极速学习机作为一个逼近模型的性能有着不可替代的作用.给出了一个基于矩阵秩分析的极速学习机逼近能力和误差分析的一般模型,研究了输入矩阵维数的增长以及输入矩阵同中间矩阵的秩的变化关系,同时进行了训练误差的估计以及结果的稳定性的评价.2.提出一个基于固定误差的最小化L1模-极速学习机的遗传算法.考虑到L1空间与L2空间的解析性问题以及求解优化问题的本质性差异,提出了使用L2模型的解作为遗传算法的初始种群,实验证明,此模型极快地在有限步内收敛到L1空间的解.与随机产生初始种群相比,该模型在收敛性能与收敛速度上有着本质的改进,改进的原因主要是L1空间与L2空间问题最优解的关系以及L2模型的极速学习机有着极快的训练速度.3.研究了极速学习机的泛化能力和稳定性.有监督学习模型包括极速学习机的最重要的评价指标就是它的泛化性能,即使用极速学习机训练而得来的模型来预测未知样本类别时的正确率.有很多因素可以影响这个泛化性能,这些因素包括：训练样本是否足够、训练算法的收敛性、所选择的学习模型是否适合,以及网络的稳定性.基于这些因素,研究了极速学习机的稳定性,并从实验的角度来探索极速学习机的泛化性能和训练集输出的不确定性之间的关系.对一个训练好的前馈神经网络,如果输入与输出都视为随机变量,则输出的方差也表示了网络的某种稳定性.即使输入随机变量的分布密度已知且具有良好性质,输出随机变量的分布密度表达式导出也异常困难.故采用了蒙特卡洛模拟研究了包括极速学习机在内的几种前馈神经网路的输出方差,给出了稳定性的一个排序.这个排序对用户选择使用神经网络模型提供了有益的参考.4.研究了一个极速学习机的一组训练样本的输出不确定性与样本错分率的统计关系.该研究方法不仅适用于极速学习机,而且适用于任何具有向量输出的有监督学习模型.对一组样本而言,其输出的模糊性越大则被错分的可能性就越大.这种观察在不同类型的数据库上得到的实验证实,而且可从边界点的副作用角度得到合理的解释.基于这种观察,提出了一种学习模型的样本分治策略,该策略首先将训练样本按其输出的模糊性大小分开为两个部分,即低模糊性样本子集和高模糊性样本子集,然后使用一种半监督训练机制将低模糊性样本和它们的预测类标加入到训练集.实验证明,这种分治策略可以进一步提高极速学习机的泛化性能.
董春茹[3]（2015）在《机器学习中的权重学习与差分演化》文中进行了进一步梳理机器学习是人工智能的核心研究问题,是计算机获得智能的根本途径。自从20世纪50年代人工智能学科建立以来,人们已经提出了大量的机器学习算法,如决策树、神经网络、支持向量机、K均值聚类及KNN算法等。而实际问题中的真实数据往往具有以下的一个或几个特点:含噪音的、具有缺失数据、数据类别分布不平衡、特征重要程度不同、大数据以及数据含有不确定性等,特别是当前随着计算机技术及通讯网络的迅猛发展,这些问题变得更加突出。为了处理这些不完美的数据,人们提出了许多改进的算法,比如可以集成多个学习器的集成学习系统,能够处理模糊数据的模糊系统,引入权重的加权学习算法,基于高性能进化计算技术的学习算法等。其中加权技术和模糊系统是经常使用的两种技巧,在这两个课题上仍然存在着一些问题值得我们进一步研究,如在学习系统中如何获取“良好”的权重以提高加权学习算法的性能?模糊分类器的性能与其模糊输出向量之间有没有关系?本文在选定的几个学习模型上深入研究了权重的优化模型及模糊分类器的模糊度与其性能的关系,并将改进的差分演化技术引入到权重的学习问题中。具体工作主要包括:首先,提出了基于多进化策略的混合差分演化算法,并将之用于求解加权模糊聚类中的权重;其次,针对更复杂的极速学习机（Extreme learning machine,ELM）中的网络结构及随机参数优化问题,我们将进化策略及参数自适应技术引入前述差分演化算法,提出了一个基于自适应差分演化的2阶段进化ELM算法;随后,在加权模糊规则推理系统中,我们研究了加权模糊规则中的权重与推理系统的泛化能力之间的关系,随后提出了一种基于最大模糊熵的权重精炼方案;最后,在集成学习系统中,我们分析了模糊基分类器输出向量的模糊性与集成系统泛化能力的关系,并通过实验及理论给出了几个有意义的结论,同时对集成学习中基分类器的学习提出了一些实用的建议。基于以上工作,本论文主要贡献可总结为如下几个方面:（1）提出了一种包含多种进化策略的混合差分演化算法并将之用于学习基于相似度的加权模糊聚类中的特征权重。提出的差分演化算法相对于已有算法,其即使用适于全局搜索的策略,也使用适于局部搜索的策略,从而增强了搜索能力,同时算法也没有增加过多额外的计算。（2）提出一种自适应多进化策略混合差分演化算法,该算法通过依次选用多种进化策略以提高搜索能力,同时其可实现进化策略及控制参数的自适应。进一步基于该算法提出了一种ELM网络的2阶段训练方案。该方案分两个阶段分别对ELM的网络隐单元个数及隐单元参数进行优化,即实现了网络结构及随机参数的自动获取及优化,又避免了传统trial-and-error方法的高耗时性以及已有其它进化ELM同时优化隐单元数及随机参数时解空间的超高维、多峰值及冗余性,从而可以自动以较小的网络结构获得与基本ELM相当甚至更好的测试性能。（3）针对加权模糊推理系统,提出了一种基于模糊最大熵原则的权重优化模型。该模型与传统大多数方法最小化训练精度或验证精度不同,其将加权模糊规则中的权重等参数看成变量,然后对于初始获取的一组模糊规则（权重都为1）,在模糊规则满足所有已知约束（一般为训练样本的类别分对）的前提下,通过最小化模糊规则推理系统在训练集上的输出模糊熵来学习规则中的权重等参数的值。我们的数值仿真试验也验证了该方法可以很好地避免过拟合问题,从而得到满意的分类器。（4）针对基于一般模糊分类器（或输出为样本属于各个类别隶属度的多类分类器）的集成学习系统,我们首次研究了模糊基分类器的输出不确定性（如模糊性、不可指定性等）与集成分类器的测试精度之间的关系。并得到了几个有意义的结论,如:a)对于带有复杂边界的分类问题,模糊性大的样本比模糊性小的样本更容易被错分;b)距离边界近的样本集与具有较高模糊性的样本集一致,但是难于得到两者之间的映射,该映射基于边界样本的定义;c)若训练准确率可以被接受,带有较高模糊性的分类器对复杂边界问题具有较好的泛化能力能,并对该结论进行了实验验证。
朱红[4]（2015）在《区间值属性有序分类与回归研究》文中认为传统的区间值属性决策树生成算法只能处理无序的分类问题。针对这一问题,本文提出了一种能够处理单调有序分类问题的算法,所处理的对象条件属性是有序的区间值,决策属性是有序的离散值,且条件属性和决策属性之间存在单调一致性关系。该算法将有序互信息作为启发式来选择扩展属性,这能保证输出的决策树单调有序。本文通过一个例子说明了单调决策树的归纳过程。在上述工作的基础上,本文又提出了另一种算法,用于解决条件属性为有序的区间值,决策属性为连续值的单调有序回归问题。该算法采用的启发式将方差和有序互信息融合在一起,既考虑了结点处样例决策属性取值的离散程度,又考虑了条件属性与决策属性之间的单调一致性程度。
蒋丹丹[5]（2012）在《基于广义信息熵的决策树模型及其在绩效评价中的应用》文中提出绩效评价在企业管理中起着至关重要的作用,如何有效实施绩效评价已经成为人力资源管理研究中的一个重要问题。目前,实施绩效评价的方法有很多种,例如图尺度评价法、交替排序法、配对比较法、关键事件法、行为锚定等级评价法、目标管理法、360度考评法、KPI关键指标法、平衡计分卡等等,但这些方法只能获得数据的一些表层信息,而不能较好地挖掘出数据间潜在的相关性,而以决策树模型为代表的数据挖掘方法在绩效评价中的应用恰恰有效弥补了这一不足。这其中,模糊决策树模型由于有效集成了模糊理论和决策树的优点,不仅具有很强的决策分析能力,而且能很好地处理模糊性和不确定性问题,同时作为决策树模型的扩展,越来越引起关注。本文以模糊信息的分解定理为基础,通过水平截集与水平权函数相结合策略给出了模糊集合的广义Hartley度量模式和计算公式；进而引入了模糊分割（划分）的广义信息熵概念,并将之应用到模糊决策树的扩展属性选择过程中,提出了基于广义信息熵的模糊决策树模型（简记为GFID3）;然后结合天气对运动项目的选择学习系统经典案例,从生成决策树的节点数、叶子数、深度、精度等角度和层面分析了GFID3的性能；最后将GFID3应用于企业员工绩效评价案例,得到的规则知识为企业绩效管理提供了参考性依据,结果表明,GFID3具有良好的结构特征和可操作性,弥补了现行模糊决策树模型不能有效地处理不同决策意识的不足,在客户满意度评价、客户关系管理、经济效益分析、复杂系统优化、人工智能等众多领域具有广泛的应用前景。
李静[6]（2011）在《基于综合效应的模糊规划模型》文中提出模糊数具有数量和集合的双重特性,是实际问题中最为常用的模糊信息描述工具。由于在模糊数之间不存在确切的顺序关系,因而,模糊数的排序问题一直是学术和应用领域广泛关注的研究内容。虽然许多学者从不同的角度建立了具有不同特征的排序方法,但均没有系统地考虑排序的类型以及排序方法的构建准则。本文针对模糊数的排序做了以下几方面的工作:（1）提出了模糊信息排序的两种基本类型,即基于数量特征的排序和基于复合特征的排序,分析了两类不同排序问题的本质区别;（2）给出了基于数量特征的区间数排序应遵循的基本原则,并结合区间数的复合量化描述,从抽象化和结构化的角度研究了各指标综合的公理化体系,讨论了效应综合函数的构建问题,给出了加法型、乘法型、拟线性型效应综合函数的构建准则;（3）以模糊数的结构特征、基于数量特征的区间数排序方法以及水平效应函数为基础,以积分作为层次信息的综合工具,建立两种基于数量特征的模糊数排序模式（即基于数量特征的数量化排序方法和基于数量特征的模糊不等度模型）;（4）通过分析区间数所具有的数量特征以及所反映信息的不确定性,建立了一种基于复合特征的区间数排序方法,并结合模糊数的结构特征提出了一种基于复合特征的模糊数排序方法;（5）通过具体的模糊决策和模糊规划问题,进一步分析了所建排序模式的特点和有效性。
张海堂[7]（2011）在《基于敏感度的可抗噪的模糊SLIQ决策树》文中研究说明决策树作为数据挖掘领域最为广泛使用的技术之,由于其在知识获取以及知识表达方面的突出优势而备受青睐。伴随着海量数据的产生,数据中蕴含的不确定知识同时日益增长,因此人们对这些不确定知识给予了越来越多的关注。上世纪60年代中期,扎德建设性地提出了模糊集合理论,从此人们对模糊知识有了更为精确的表达。同时,众多的学者把模糊集合理论引入了决策树领域,以克服传统决策树存在的尖锐边界问题。ID3算法较早地被模糊化,而最近,SLIQ算法也被引入了模糊环境。本文针对Chandra等人提出的模糊SLIQ算法—G-FDT算法进行讨论,对由该算法归纳出的模糊决策树退化为传统的清晰决策树这一现象,剖析出其中的原因。并根据传统的分裂测试评估函数在模糊环境下表现出的凸性弊端,本文提出了一种新的模糊SLIQ算法——可抗噪的基于属性敏感度的模糊决策树归纳算法,相比于G-FDT,该算法的主要改进有：（1）针对G-FDT算法构造出的候选属性对应得区分函数的形状过于狭窄的问题,本文提出的确定区分函数形状的方法从根本上避免了区分函数近似于清晰区分函数。（2）提出了候选属性敏感度的概念。根据传统节点分裂测试的启发式评估函数在模糊环境下存在的凸性弊端,本文提出了显示候选属性的分类能力的分类敏感度的概念,对于分类敏感度高的候选属性使其对应的区分函数形状性对狭窄,从而使得这种属性倾向于被选择。（3）提出了对训练数据进行异常探测机制。由于G-FDT或早期提出的SG-FDT算法抗干扰能力极差,由其构造出的决策树结构对具体的训练样本较为敏感,削弱了决策树对知识的良好的表达能力。为此,改进后的算法中,当节点进行分裂测试时,对当前的数据进行排噪处理。从而获得决策树相对更加稳定、健壮。（4）提出了使得计算效率提高的优化措施。为了使改进后的归纳算法更加具有实用性,本文提出了多种优化措施来减少由较为复杂的操作而带来的巨大开销,这些措施包括增加节点分裂终止标准、对候选属性进行测试前进行检测以便确定该属性是否被当前节点的祖先节点使用过。本文对可抗噪的基于敏感度的模糊决策树归纳算法进行了相应的实验模拟和结果分析,实验结果表明,该算法真正实现了模糊SLIQ算法,表现出了良好的健壮性,并且有该算法构造出的模糊决策树的分类能力、计算效率方面有了较大的提高。
董令彩[8]（2010）在《基于不确定性样例选择算法的研究与改进》文中研究指明很多数据集中含有冗余数据、噪声数据,以及不完备数据。这些数据不仅占据了很大的存储空间,而且对学习器完全无用甚至有害。因此,我们希望能够从一个数据集中选取少量有用的数据使之压缩成一个比较小的数据集,目的是在不降低学习器性能的前提下,减少存储空间。这就是样例选择所处理的问题。根据处理的对象不同,样例选择大致可以分成两大类:数据过滤算法和主动学习算法。数据过滤算法主要用于去除冗余数据和噪声数据,而主动学习算法主要用于处理不完备数据,即如何从无类标的数据中选择有价值的数据,这也是本课题处理的重点问题。本论文研究了基于模糊决策树的最大不确定性样例选择策略,并对该策略进行了改进。基于不确定性最大的样例选择策略倾向于选取孤立点和异常点,而忽略分布密集区域的样例,因此文章引入了样例影响度作为样例选择的一个指标。通过选取影响度较大的样例,即位于样例分布密集区域的样例来尽量避免孤立点的选择。随后文章提出了新的样例选择标准:选择影响度和不确定性乘积最大的样例。通过对这种样例的选择与学习,既可以弥补学习器的薄弱知识,即对不确定性较大样例的分类知识,又可以避免学习特殊的模式,即由一些孤立点引导的分类模式。经理论证明,采用该选择标准选择的样例能最大限度地降低样例池的不确定性。最后,通过在人工数据集和UCI数据集上的实验结果显示,由改进后算法选择的样例比原算法选择的样例所训练的决策树的测试精度高。
孟庆武[9]（2010）在《基于分类不可指定性的清晰决策树归纳算法研究》文中研究说明决策树可以分为两类:清晰决策树和模糊决策树。通常,模糊决策树算法是在清晰决策树算法的基础上进行改进得到的,是对清晰决策树算法的扩展。本文从相反的角度出发,对Yuan提出的模糊决策树算法进行改进,给出了一种新的清晰决策树算法。文中首先介绍了决策树的相关理论,给出了几种常用的清晰决策树算法和模糊决策树算法,然后,对Yuan的模糊决策树算法进行改进,提出了基于分类不可指定性的清晰决策树算法。最后,对我们的算法和其他清晰决策树算法进行比较:首先,我们在离散型数据库上对我们给出的清晰决策树算法和ID3算法进行比较,在连续型数据库上对我们给出的清晰决策树算法和C4.5算法进行比较,试验结果表明,在基本达到ID3算法和C4.5算法分类精度的条件下,我们的算法构建的决策树规模较ID3和C4.5要小;然后对我们算法中所用的启发式和基于信息熵的启发式进行比较,指出我们所用的启发式有不同于信息熵启发式的特性。
翟俊海[10]（2010）在《基于小波变换和模糊粗糙集技术的图像识别》文中研究指明图像识别是近二十年来模式识别和图像处理研究的热点,是用现代信息处理技术与计算机技术完成对图像的认识、理解过程。它研究的主要内容是根据图像的特征进行识别（或分类）,已在许多领域得到广泛应用。图像识别过程大致可分为图像预处理、图像特征提取和图像识别（或分类）三个步骤。其中,图像特征提取和图像分类是两个核心环节,本文主要在这两方面开展研究。在图像特征提取研究中,主要工作包括以下2方面:1.将小波变换和二维投影子空间技术有机地结合起来,从变换系数中提取图像的代数特征。研究了小波子段图像的选取问题,提出了①基于小波变换和二维主成分分析的图像特征提取方法;②基于小波变换和双向二维主成分分析的图像特征提取方法;③基于小波变换和二维线性判别分析的图像特征提取方法。在ORL、YALE、JAFFE和UMIST四个人脸数据库上的实验结果表明了该方法的有效性。2.作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,它将多个尺度的小波子图奇异值特征组合起来用于图像识别。在ORL、YALE和JAFFE三个人脸数据库上的识别率分别达到82.11%、100%和95.68%。在图像分类方法的研究中,基于模糊粗糙集技术,提出了以下三种分类方法:1.针对二维主成分分析提取的图像特征依然存在冗余这一问题,提出了基于二维主成分分析和模糊粗糙集技术的图像识别方法。该方法利用模糊粗糙集技术的属性约简进行属性选择,将对分类比较重要的属性选择出来,将冗余的属性去掉。实验结果表明该方法优于基于二维主成分分析的图像识别方法。2.模糊粗糙集是粗糙集的扩展,它将数据的模糊性和粗糙性结合起来。基于模糊粗糙集技术,提出了一种模糊决策树分类方法。该方法利用模糊条件属性相对于模糊决策属性的重要度选择扩展属性,它集成了数据中的两种不确定性,比基于纯模糊熵的模糊决策树分类方法具有更好的分类能力。实例分析和实验结果均表明该方法优于模糊ID3算法。3.对于给定的模糊信息系统,可以求得多个模糊属性约简,而每个模糊属性约简对分类都有不同程度的贡献。如果只用其中一个模糊属性约简,即便它是最重要的模糊属性约简来产生分类规则,那么隐藏在其他模糊属性约简中的有用信息将不可避免地被丢失。针对这一问题,提出了一种基于模糊粗糙集技术的多模糊决策树归纳方法,该方法融合了多个模糊属性约简对分类的贡献。实例分析及实验结果均表明这一方法优于单个模糊属性约简的模糊决策树方法。另外,本文还研究了信息系统信息粒度的粗细对决策树产生的影响,得出结论:粗信息粒的信息熵不小于细信息粒的信息熵,细信息粒下选取扩展属性产生的决策树优于粗信息粒下选取扩展属性产生的决策树。
二、不可指定性的度量及度量性质（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、不可指定性的度量及度量性质（论文提纲范文）
（1）多重不确定性需求下装备制造企业多品种生产计划方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 装备制造企业生产面临着持续多变的环境 |
| 1.1.2 装备制造企业多品种生产面临着多重不确定性需求 |
| 1.1.3 装备制造企业亟待解决多重不确定性需求下多品种生产计划问题 |
| 1.1.4 研究的前沿发展动态 |
| 1.2 问题的提出 |
| 1.3 研究的目标与意义 |
| 1.3.1 研究的目标 |
| 1.3.2 研究的意义 |
| 1.4 研究内容和研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究思路 |
| 1.4.3 研究方法 |
| 1.5 研究的创新性工作说明 |
| 第2章 相关研究文献综述 |
| 2.1 文献检索情况概述 |
| 2.1.1 文献检索范围 |
| 2.1.2 相关文献情况分析 |
| 2.1.3 学术趋势 |
| 2.2 关于不确定性需求研究 |
| 2.2.1 随机不确定性需求 |
| 2.2.2 模糊不确定性需求 |
| 2.2.3 粗糙不确定性需求 |
| 2.3 关于多重不确定性的研究 |
| 2.4 关于多品种生产计划的研究 |
| 2.5 关于装备制造企业生产计划的研究 |
| 2.6 已有研究的贡献与不足 |
| 2.6.1 已有研究贡献 |
| 2.6.2 已有研究不足 |
| 2.6.3 已有研究启示 |
| 2.7 本章小结 |
| 第3章 概念界定与相关理论基础 |
| 3.1 概念界定 |
| 3.1.1 多品种生产 |
| 3.1.2 生产计划 |
| 3.1.3 不确定性 |
| 3.1.4 多重不确定性需求 |
| 3.2 动态规划理论 |
| 3.3 多目标规划 |
| 3.4 本章小结 |
| 第4章 多重不确定性需求下生产应对策略和动态生产计划方法 |
| 4.1 多重不确定性需求之间影响关系 |
| 4.1.1 品种需求不确定的影响关系 |
| 4.1.2 数量需求不确定的影响关系 |
| 4.1.3 质量需求不确定的影响关系 |
| 4.1.4 交货期需求不确定的影响关系 |
| 4.2 多重不确定性需求下生产应对策略 |
| 4.3 多重不确定性需求下动态生产计划模型 |
| 4.4 模型求解 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第5章 多重不确定性需求下装备制造企业多品种多目标生产计划方法 |
| 5.1 问题描述及假设 |
| 5.1.1 问题描述 |
| 5.1.2 问题假设 |
| 5.1.3 变量和参数说明 |
| 5.2 多品种多目标生产计划模型 |
| 5.2.1 目标函数 |
| 5.2.2 目标函数的约束条件 |
| 5.2.3 不确定性数量需求描述 |
| 5.2.4 不确定性交货期需求描述 |
| 5.2.5 不确定性质量需求描述 |
| 5.2.6 不确定性价格需求描述 |
| 5.3 模型求解 |
| 5.3.1 NSGA-II算法求解 |
| 5.3.2 带罚函数粒子群算法求解 |
| 5.4 算例分析 |
| 5.4.1 初始数据 |
| 5.4.2 运行结果 |
| 5.5 本章小结 |
| 第6章 多重不确定性需求下装备制造企业多品种相似生产计划方法 |
| 6.1 问题描述与假设 |
| 6.1.1 不确定性品种需求描述 |
| 6.1.2 不确定性交货期需求描述 |
| 6.1.3 不确定性数量需求描述 |
| 6.1.4 不确定性质量需求描述 |
| 6.2 多品种相似性与聚类分析 |
| 6.2.1 多品种相似性分析 |
| 6.2.2 不确定性需求聚类分析 |
| 6.3 多品种相似生产计划模型 |
| 6.4 模型求解 |
| 6.5 算例分析 |
| 6.5.1 初始数据 |
| 6.5.2 运行结果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文的主要结论 |
| 7.2 本文的主要贡献 |
| 7.3 后续研究工作展望 |
| 参考文献 |
| 附录 A 企业生产计划与调度控制的不确定性及风险调查问卷 |
| 在学研究成果 |
| 致谢 |
（2）极速学习机的训练残差、稳定性及泛化能力研究（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 |
| 第二章 人工神经网络与极速学习机 |
| 2.1 人工神经网络 |
| 2.2 反向传播神经网络 |
| 2.3 极速学习机一般介绍 |
| 第三章 极速学习机的训练残差学习及其在遗传算法中的应用 |
| 3.1 背景介绍 |
| 3.2 极速学习机 |
| 3.3 输入矩阵的维数增长 |
| 3.4 S变换导致的输出矩阵秩的增加 |
| 3.5 对于残差和解的稳定性的估计 |
| 3.6 L~1-范数优化问题 |
| 3.7 最小化L~1模的极速学习机及遗传算法求解 |
| 3.8 本章小结 |
| 第四章 极速学习机的泛化能力研究 |
| 4.1 背景介绍 |
| 4.2 极速学习机输出的模糊性 |
| 4.3 极速学习机的泛化模型 |
| 4.4 泛化模型的数值试验分析 |
| 4.5 本章小结 |
| 第五章 极速学习机的网络稳定性研究 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.3 前馈神经网络稳定性研究的蒙特卡洛模拟实验方法 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 基于模糊性大小的样本分治策略与分类器的性能改善 |
| 6.1 引言 |
| 6.2 分类器输出的模糊性 |
| 6.3 模糊性归类与错分率的关系 |
| 6.4 基于模糊性归类的样本分治策略 |
| 6.5 本章小结 |
| 第七章 结论与工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）机器学习中的权重学习与差分演化（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 论文的主要贡献 |
| 1.3 论文结构 |
| 第二章 机器学习理论与算法文献综述 |
| 2.1 机器学习理论 |
| 2.1.1 统计机器学习与泛化误差理论分析 |
| 2.1.2 机器学习中的优化理论研究 |
| 2.2 特征加权与特征选择 |
| 2.3 分类学习算法 |
| 2.3.1 决策树学习算法 |
| 2.3.2 神经网络分类算法 |
| 2.3.3 最近邻分类算法 |
| 2.3.4 多模型集成学习 |
| 2.4 聚类算法 |
| 2.5 差分演化算法 |
| 2.5.1 DE的性能与其控制参数的关系 |
| 2.5.2 变异与交叉操作的改进 |
| 第三章 基于改进差分演化的加权模糊聚类 |
| 3.1 引言 |
| 3.2 相关工作介绍 |
| 3.3 基于相似性的加权模糊聚类及其特征权学习问题 |
| 3.3.1 基于相似性的加权模糊聚类 |
| 3.3.2 基于相似性的加权模糊聚类中的特征权学习问题 |
| 3.4 基于改进差分演化的加权模糊聚类 |
| 3.4.1 差分演化与动态差分演化 |
| 3.4.2 基于多差分进化策略协同演化的混合差分演化算法 |
| 3.4.3 基于MEHDE的加权模糊聚类特征权学习模型 |
| 3.5 实验及分析 |
| 3.5.1 实验说明 |
| 3.5.2 基于模糊C均值聚类的比较 |
| 3.5.3 基于相似矩阵传递闭包聚类的实验比较 |
| 3.5.4 基于GD、DE、DDE及MEHDE的优化技术效率分析 |
| 3.6 本章小结 |
| 第四章 基于自适应差分演化的两阶段极速学习机算法 |
| 4.1 引言 |
| 4.2 相关工作介绍 |
| 4.3 极速学习机与参数自适应差分演化算法 |
| 4.3.1 极速学习机算法 |
| 4.3.2 参数自适应差分演化算法 |
| 4.4 自适应多差分进化策略混合差分演化算法 |
| 4.5 基于Sa-MEHDE的2阶段极速学习机算法 |
| 4.5.1 网络结构的初步优化 |
| 4.5.2 网络结构及隐单元随机参数的深度优化 |
| 4.6 实验及分析 |
| 4.6.1 实验说明 |
| 4.6.2 回归问题Sin C上的实验结果 |
| 4.6.3 分类问题上的实验结果 |
| 4.7 本章小结 |
| 第五章 加权模糊规则权重学习 |
| 5.1 引言 |
| 5.2 全局加权模糊IF-THEN规则推理 |
| 5.3 基于最大模糊熵的参数优化方法 |
| 5.4 仿真实验 |
| 5.4.1 优化全局权前后的实验比较 |
| 5.4.2 基于最大模糊熵与训练误差减小的权优化方法比较 |
| 5.5 模糊规则权的推广 |
| 5.6 本章小结 |
| 第六章 集成学习中基分类器泛化能力与模糊性之间关系的研究 |
| 6.1 引言 |
| 6.2 分类边界 |
| 6.3 分类器的模糊性 |
| 6.4 泛化能力与模糊性之间的关系 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）区间值属性有序分类与回归研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 本文的主要内容 |
| 第2章 基础知识 |
| 2.1 区间值 |
| 2.2 单调分类问题 |
| 2.3 有序互信息 |
| 2.4 单调有序回归问题 |
| 第3章 区间值属性单调有序分类研究 |
| 3.1 划分规则 |
| 3.2 扩展属性的选取 |
| 3.2.1 备选割点的选取 |
| 3.2.2 启发式 |
| 3.2.3 选择扩展属性的具体方法 |
| 3.3 算法描述 |
| 3.4 例子 |
| 3.5 本章小结 |
| 第4章 区间值属性单调有序回归研究 |
| 4.1 划分规则 |
| 4.2 扩展属性的选取 |
| 4.2.1 备选割点的选取 |
| 4.2.2 启发式 |
| 4.2.3 选择扩展属性的具体方法 |
| 4.3 算法描述 |
| 4.4 选取大小合适的单调有序回归树 |
| 4.5 本章小结 |
| 第5章 总结及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（5）基于广义信息熵的决策树模型及其在绩效评价中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 决策树模型研究概述 |
| 1.2 绩效评价方法概述 |
| 1.3 本课题的研究重点、研究意义及组织结构 |
| 第2章 常见决策树模型及其特征分析 |
| 2.1 常见决策树模型 |
| 2.1.1 ID3算法 |
| 2.1.2 C4.5算法 |
| 2.1.3 CART算法 |
| 2.1.4 SLIQ算法 |
| 2.1.5 SPRINT算法 |
| 2.1.6 PUBLIC算法 |
| 2.1.7 RainForest算法 |
| 2.1.8 Min-Ambiguity算法 |
| 2.1.9 FID3算法 |
| 2.2 决策树模型的发展及面临的问题 |
| 2.2.1 决策树模型的发展 |
| 2.2.2 决策树模型研究所面临的问题 |
| 2.3 本章小结 |
| 第3章 常见绩效评价方法及其特征分析 |
| 3.1 常见绩效评价方法 |
| 3.1.1 交替排序法 |
| 3.1.2 配对比较法 |
| 3.1.3 图尺度评价法 |
| 3.1.4 关键事件法 |
| 3.1.5 行为锚定量表法 |
| 3.1.6 目标管理法 |
| 3.1.7 360度绩效评价方法 |
| 3.1.8 关键绩效指标 |
| 3.1.9 平衡计分卡 |
| 3.2 绩效评价方法的常见偏差 |
| 3.3 本章小结 |
| 第4章 基于广义信息熵的模糊决策树模型 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 信息熵 |
| 4.4 广义信息熵 |
| 4.5 基于广义信息熵的模糊决策树模型 |
| 4.6 广义模糊决策树模型的性能分析 |
| 4.7 本章小结 |
| 第5章 广义模糊决策树模型在绩效评价中的应用 |
| 5.1 引言 |
| 5.2 绩效评价案例及问题分析 |
| 5.3 数据模糊化 |
| 5.4 基于广义模糊决策树模型的知识挖掘结果 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（6）基于综合效应的模糊规划模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 模糊规划研究背景及发展现状 |
| 1.2 模糊数排序方法发展概况 |
| 1.3 本课题研究的重点及主要研究内容 |
| 第2章 基础知识 |
| 2.1 模糊集理论相关知识 |
| 2.1.1 模糊数的概念 |
| 2.1.2 模糊数的运算性质 |
| 2.2 区间数的定义及运算性质 |
| 2.3 复合量化基本思想 |
| 本章小结 |
| 第3章 基于数量特征的区间数排序方法 |
| 3.1 区间数的复合量化描述 |
| 3.2 基于数量特征的区间数比较准则 |
| 3.3 效应函数的构建原则 |
| 3.3.1 加法型效应函数的构造准则 |
| 3.3.2 乘法型效应函数的构造准则 |
| 3.3.3 基于拟线性函数的构造准则 |
| 3.4 基于数量特征的区间序结构的运算性质 |
| 3.5 基于数量特征的区间数排序方法在决策中的应用 |
| 本章小结 |
| 第4章 基于数量特征的数量化排序方法 |
| 4.1 水平效应函数的定义 |
| 4.2 基于数量特征的数量化排序 |
| 4.3 实例分析 |
| 本章小结 |
| 第5章 基于数量特征的模糊不等度模型 |
| 5.1 基于数量特征的模糊不等度公理化体系 |
| 5.2 基于数量特征的模糊不等度模型 |
| 5.3 实例分析 |
| 本章小结 |
| 第6章 基于复合特征的模糊数排序 |
| 6.1 基于复合特征的区间数排序 |
| 6.1.1 问题的提出 |
| 6.1.2 区间数的复合量化描述 |
| 6.1.3 基于复合特征的区间数排序 |
| 6.2 基于复合特征的模糊数排序 |
| 6.3 算例分析 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）基于敏感度的可抗噪的模糊SLIQ决策树（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 第2章 模糊决策树 |
| 2.1 经典决策树 |
| 2.1.1 分类问题 |
| 2.1.2 经典决策树定义 |
| 2.1.3 决策树归纳算法概述 |
| 2.1.4 决策树修剪与评估 |
| 2.1.5 可伸缩的决策树技术 |
| 2.2 模糊集合理论 |
| 2.2.1 经典集合理论 |
| 2.2.2 隶属函数与模糊集合 |
| 2.2.3 模糊集上的一般运算 |
| 2.3 模糊决策树 |
| 第3章 模糊SLIQ决策树归纳算法 |
| 3.1 模糊SLIQ算法概述 |
| 3.2 G-FDT算法概述 |
| 3.2.1 候选属性模糊化 |
| 3.2.2 节点分裂 |
| 3.2.3 G-FDT节点分裂终止准则 |
| 3.2.4 G-FDT算法描述 |
| 3.3 G-FDT算法的缺陷 |
| 3.3.1 缺陷分析 |
| 3.3.2 G-FDT缺陷诱因分析 |
| 3.4 修正G-FDT算法的原则 |
| 3.5 本章小结 |
| 第4章 基于分类敏感度的抗噪模糊SLIQ决策树算法 |
| 4.1 基于敏感度的模糊SLIQ决策树算法SG-FDT |
| 4.1.1 候选属性的分类敏感度 |
| 4.1.2 SG-FDT模糊决策树归纳算法 |
| 4.2 可抗噪的SG-FDT算法 |
| 4.2.1 箱线图异常点探测机制 |
| 4.2.2 SG-FDT计算效率改进 |
| 4.2.3 可抗噪SG-FDT算法概述 |
| 4.3 本章小结 |
| 第5章 实验分析 |
| 5.1 训练数据及决策树验证 |
| 5.2 分类精度对比分析 |
| 5.3 决策树规模与构造开销的对比分析 |
| 5.4 决策树结构分析 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（8）基于不确定性样例选择算法的研究与改进（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 本课题国内外发展现状 |
| 1.3 主要研究内容 |
| 第2章 不确定性理论及其在样例选择中的应用 |
| 2.1 不确定性理论 |
| 2.1.1 随机不确定性 |
| 2.1.2 模糊不确定性 |
| 2.1.3 不可指定不确定性 |
| 2.2 样例选择算法 |
| 2.2.1 数据过滤算法 |
| 2.2.2 主动学习算法 |
| 2.3 不确定性理论在样例选择中的应用 |
| 2.3.1 样例类别的不确定性 |
| 2.3.2 样例类别不确定性与学习器的关系 |
| 2.3.3 样例选择中的不确定性 |
| 第3章 基于不确定性样例选择算法的研究与改进 |
| 3.1 模糊决策树简介 |
| 3.2 基于模糊决策树的最大不确定性的样例选择算法 |
| 3.3 存在的缺点 |
| 3.4 方法改进 |
| 3.4.1 样例的相似度与相似矩阵 |
| 3.4.2 样例的影响度 |
| 3.5 改进后的样例选择标准 |
| 3.6 算法描述与分析 |
| 3.6.1 算法描述 |
| 3.6.2 算法分析 |
| 3.7 实验结果及分析 |
| 3.8 本章小结 |
| 第4章 总结与展望 |
| 4.1 本文总结 |
| 4.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（9）基于分类不可指定性的清晰决策树归纳算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 清晰决策树 |
| 1.2.2 模糊决策树 |
| 1.3 文章结构 |
| 第2章 决策树分类算法 |
| 2.1 分类 |
| 2.2 决策树算法概述 |
| 2.2.1 决策树 |
| 2.2.2 启发式（信息熵） |
| 2.2.3 决策树构建（工作）过程 |
| 2.2.4 决策树剪枝 |
| 2.2.5 决策树评价 |
| 2.3 常用的清晰决策树算法 |
| 2.3.1 ID3 算法 |
| 2.3.2 C4.5 算法 |
| 2.3.3 CART 算法 |
| 2.4 常用的模糊决策树算法 |
| 2.4.1 模糊集理论 |
| 2.4.2 Fuzzy-ID3 算法 |
| 2.5 本章小结 |
| 第3章 基于分类不可指定性的清晰决策树算法 |
| 3.1 基于分类不可指定性的模糊决策树算法 |
| 3.2 基于分类不可指定性的清晰决策树算法 |
| 3.2.1 属性选择原理 |
| 3.2.2 算法描述 |
| 3.2.3 算法示例 |
| 3.3 本章小结 |
| 第4章 与其他清晰决策树算法的比较 |
| 4.1 实验比较 |
| 4.1.1 实验设计 |
| 4.1.2 实验结果 |
| 4.1.3 实验分析 |
| 4.2 启发式比较 |
| 4.2.1 图形上的比较 |
| 4.2.2 连续值条件下最优割点选择结果的比较 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（10）基于小波变换和模糊粗糙集技术的图像识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 本文的主要工作 |
| 1.3 本文的组织方式 |
| 第2章 基于小波变换和二维投影子空间技术的图像特征提取 |
| 2.1 引言 |
| 2.2 小波变换 |
| 2.3 投影子空间技术 |
| 2.4 基于小波变换和二维投影子空间技术的图像特征提取 |
| 2.5 实验结果 |
| 2.6 小结 |
| 第3章 基于小波多尺度奇异值分解的图像特征提取 |
| 3.1 引言 |
| 3.2 奇异值分解定理 |
| 3.3 基于小波多尺度奇异值分解的图像特征提取 |
| 3.4 实验结果 |
| 3.5 小结 |
| 第4章 信息粒度，信息熵与决策树 |
| 4.1 引言 |
| 4.2 基础知识 |
| 4.3 信息粒与信息熵 |
| 4.4 信息粒与决策树 |
| 4.5 小结 |
| 第5章 基于2DPCA 和模糊粗糙集技术的图像识别 |
| 5.1 引言 |
| 5.2 模糊粗糙集与模糊属性约简 |
| 5.3 基础2DPCA 和模糊粗糙集技术的图像识别 |
| 5.4 实验结果 |
| 5.5 小结 |
| 第6章 基于模糊粗糙集技术的模糊决策树 |
| 6.1 引言 |
| 6.2 基础知识 |
| 6.3 基于模糊粗糙集技术的模糊决策树法 |
| 6.4 实例分析 |
| 6.5 实验结果 |
| 6.6 小结 |
| 第7章 基于模糊粗糙集技术的多模糊决策树归纳 |
| 7.1 引言 |
| 7.2 粗糙集与模糊粗糙集 |
| 7.3 单模糊决策树归纳 |
| 7.4 基于模糊积分的多模糊决策树归纳 |
| 7.5 实验结果 |
| 7.6 小结 |
| 第8章 总结与展望 |
| 8.1 主要贡献与创新 |
| 8.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间科研工作情况 |
四、不可指定性的度量及度量性质（论文参考文献）
- [1]多重不确定性需求下装备制造企业多品种生产计划方法研究[D]. 刘岩峰. 沈阳工业大学, 2020(01)
- [2]极速学习机的训练残差、稳定性及泛化能力研究[D]. 付爱民. 中国农业大学, 2015(03)
- [3]机器学习中的权重学习与差分演化[D]. 董春茹. 华南理工大学, 2015(01)
- [4]区间值属性有序分类与回归研究[D]. 朱红. 河北大学, 2015(12)
- [5]基于广义信息熵的决策树模型及其在绩效评价中的应用[D]. 蒋丹丹. 河北科技大学, 2012(07)
- [6]基于综合效应的模糊规划模型[D]. 李静. 河北科技大学, 2011(08)
- [7]基于敏感度的可抗噪的模糊SLIQ决策树[D]. 张海堂. 山东大学, 2011(04)
- [8]基于不确定性样例选择算法的研究与改进[D]. 董令彩. 河北大学, 2010(11)
- [9]基于分类不可指定性的清晰决策树归纳算法研究[D]. 孟庆武. 河北大学, 2010(11)
- [10]基于小波变换和模糊粗糙集技术的图像识别[D]. 翟俊海. 河北大学, 2010(10)