基于变精度粗糙集的约简算法分析与应用-基础数学专业论文.docxVIP

目 录 摘 要 Abstract 1 引言 1 1.1 论文研究背景及意义 1 1.2 国内外研究综述 2 1.2.1 粗糙集理论的发展及研究现状 2 1.2.2 数据挖掘方法的研究现状 7 1.3 论文主要研究内容和结构安排 8 2 相关理论概述 10 2.1 粗糙集基本理论 10 2.2 变精度粗糙集理论 15 2.3 变精度粗糙集理论和其他挖掘算法的结合应用 17 3 基于变精度粗糙集的属性约简算法 19 3.1 变精度粗糙集中的 β ? 近似属性约简算法 19 3.2 变精度粗糙集下的 β ? 下分布属性约简算法 22 HYPERLINK \l _TOC_250001 3.2.1 HYPERLINK \l _TOC_250000 3.2.2 β ? 下分布约简的基本思想 22 β ? 下分布可辨识矩阵 23 3.4 实验结果及分析 29 3.3 改进的 VPRS 下的 β ? 下近似属性约简算法 25 4 基于 VPRS-熵权法的企业自主创新能力评价研究 31 4.1 自主创新理论阐述 31 4.1.1 创新概念的提出 31 4.1.2 自主创新的内涵 32 4.1.3 企业创新能力及测度理论 32 4.2 信息熵与熵权 35 4.2.1 信息熵 36 4.2.2 熵权 36 4.3 熵值法计算步骤 38 4.4 基于 VPRS 下近似约简算法的建模过程 39 4.5 实证分析 40 4.5.1 初选评价指标及待评对象确定 40 4.5.2 原始数据采集及数据预处理 41 4.5.3 指标约简 45 4.5.4 确定熵值、权重和综合评价 46 5 结论 49 5.1 研究工作总结 49 5.2 展望 50 致 谢 50 参考文献 51 作 者 简 历 54 学位论文原创性声明 55 学位论文数据集 56 - - PAGE 10 - 1 引言 1.1 论文研究背景及意义 20 世纪 90 年代以来，随着科技的进步，特别是信息产业的发展和普及，把我 们带入了一个崭新的信息时代。随着计算机应用的普及和数据库技术的不断发展， 数据库中存储的数据量急剧增大。面对如此庞大的数据，传统的数据分析工具已经 无法获得数据间内在的关系和隐含信息，人们迫切需要一种能够智能地、自动地把 数据转换成有用信息和知识的技术和工具，帮助人们更好地利用这些数据进行决策 分析和研究。数据挖掘(DataMining)[1]技术恰好在这样的背景下产生，它的宗旨就是 在数据库中发现有用的知识。数据挖掘是从大量的、不完全的、有噪声的、模糊的 数据中，提取其中潜在的有用信息和知识的过程。数据挖掘技术从产生伊始就是面 向应用的，它对数据从微观到宏观的统计、分析、综合和推理，解决实际问题，发 现事物间的相互关联并做出预测，在科学研究、市场营销、金融市场分析与预测、 欺诈甄别、医疗保健、现代化教育和通信网络管理等众多领域得到了广泛的应用。 目前，作为国际上数据库和信息决策领域最前沿的重要研究方向之一，数据挖掘已 经引起了学术界和工业界的广泛关注。同时，作为知识发现和创新的数学工具数据 挖掘在国际上被广泛地应用于金融、市场开发、医疗诊断决策、交通管理和企业业 绩评估等众多的社会信息化领域，以此提高上述行业数据分析的可靠性和精确度， 但这项技术在国内各个领域的应用都不太成熟，目前达到理想状态的应用还很少， 多数用户仍处于摸索阶段。 粗糙集理论与方法能有效处理复杂系统中的数据和信息，它可以处理模糊和不 确定的知识，业已成为数据挖掘的一种新型数学工具。粗糙集不仅可以挖掘知识， 而且可以和其他的数据挖掘技术结合起来，形成混合数据挖掘方法，丰富了数据挖 掘的工具[2]。粗糙集自提出以来就一直得到 Zadeh 的重视，并给予很高评价，将粗 糙集与模糊逻辑、概率推理、信度网络、神经网络、混沌理论、遗传算法及其他进 化优化算法等一起列为他新提倡的软计算的各种基础理论。 粗糙集理论与数据挖掘密切相关。近年来人们一直在积极探索粗糙集理论在数 据挖掘领域中的应用。第一，数据挖掘研究的对象多为关系型数据库，这样关系表 可以被看作是粗糙集理论中的决策表;第二，现实世界中的规则有确定性也有不确定 性的，数据库中也同样包含确定的显性规则和不确定的隐形规则。粗糙集方法在数 据库中发现不确定性的知识方面有很好的应用;第三，数据库中的数据可能会含有噪 声，而对噪声的处理也是粗糙集理论的特长之一;第四，数据挖掘领域，多种处理工 具各有其优缺点。其中，神经网络方法不能自动选择合适的属性集，如果利用粗糙 集方法进行数据预处理，去掉冗余的属性，就可提高数据处理的效率;模糊集理论或 统计学方法需要数