一、一种基于粗糙集带支持信息的挖掘算法(论文文献综述)
刘洞天[1](2021)在《基于通信数据流异常检测的地震灾情评估》文中进行了进一步梳理地震作为严重的地质灾害,每次发生都会造成一定的人员伤亡和财产损失。震后对于灾情的合理评估能够有效地为抗震救灾提供决策依据。随着科技的发展,我国的手机持有量日益增加,能够收集大量通信数据,且通信数据能体现出人的活动变化。利用通信数据异常变化能够进行灾情评估,评估网格灾区等级,并在地图中进行展示,为应急救灾提供辅助支持。本文基于通信数据流在震后的异常变化,对于灾情中灾区等级进行评估。主要研究工作如下。首先,依照通信数据的特点设计了数据处理流程。改进了基于邻域粗糙集的特征约简方法,对于通信数据进行特征约简。在测试数据集上验证了方法的约简效果。针对通信数据流的异常检测问题,设计了基于LSTM+差值正态建模的数据流异常检测模型。利用LSTM进行数据预测,将设定窗口内的预测差值进行正态分布建模,根据当前预测差值在正态分布中概率密度的倒数作为异常分数,判断异常。在NAB数据集上进行实验,验证模型异常检测能力明显优于K-sigma模型和Meanshift聚类模型。进而,针对数据流中数据分布随时间变化,本文设计了基于SVM模型参数的数据分布检测方法。通过前后两窗口数据训练SVM的参数差异,检测数据分布变化。将两个数据窗口的数据和类别输入SVM模型,计算前后两窗口数据的分类平面向量,根据向量间的夹角余弦值判断性能变化。在电力、大气污染等数据集上,对比ADWIN和DDM方法进行实验,本方法的准确率更优。最后,本文利用通信数据随时间的变化趋势,对于灾区等级评估进行了调整。基于局部空间自相关,设计了 G统计量的灾区等级调整方法。对于网格异常程度的G统计量进行分析。将呈现聚集的网格,利用特征向量中心性重新评估其灾区等级。通过时间和空间的分析,提升了灾情评估的准确性。基于WebGIS实现了灾情数据的存储和灾情展示,将网格灾区等级在地图上进行展示。
范涛[2](2021)在《基于Petri网的工作流日志进程挖掘及异常诊断》文中研究说明过程挖掘一直以来都是业务流程管理及其一系列相关下游任务研究领域中的核心问题,它既是业务流程建模的依据,也是业务流程模型质量好坏的反馈。随着电子商务时代的到来,各大企业和组织对业务流程的重视程度也变的越来越高,如何从庞大的业务流程系统中有效的挖掘出有用信息对于各企业和组织的发展至关重要。过程挖掘技术是一种利用业务流程系统日常运行中生成的事件日志来查找更合理过程模型的技术,并与其他方法(包括一致性检测,变化域分析等)相结合对业务流程系统进行管理与优化。过程挖掘技术的研究有助于降低企业和组织的运营成本,提高产品服务质量,同时还能使企业和组织更好地适应社会经济的发展。目前,关于业务流程的过程挖掘方法有很多,但很多都存在着计算量大、自动化匹配程度不高等缺点。针对上述这些问题,并结合所学的数学知识,联想到对于处理不确定性问题有着很好效果的粗糙集理论,利用粗糙Petri网重新审视过程挖掘问题,发现在一些情况下有着不错的效果,不仅简化了过程还以形式化的给出了映射,为日后的自动化实现打下了基础。在挖掘一些有用信息的过程中难免会遇到各种问题,如何快速又准确的定位出存在的问题对于业务流程系统非常重要,过程挖掘是基于业务流程系统所产生的事件日志,所以绝大多数情况下过程挖掘中所遇到的问题也是由于事件日志导致的。通过学习和总结,了解到过程挖掘中会遇到的几类常见问题与事件日志的异常类型存在着关联,于是想通过数学中的映射矩阵建立两者之间的映射,达到在过程挖掘中产生异常,只要对映射矩阵进行简单的运算就可以根据结果了解到异常产生原因的效果。计算机对于数字的处理能力人尽皆知,如果可以利用计算机强大的计算能力实现业务流程的过程挖掘,其效率自然可以得到显着性提高,如何将事件日志转化成计算机可以处理的数字矩阵就是实现这一过程的重中之重,在查阅了大量资料文献后,了解到因果关系矩阵就具备这种转化能力。本文主要研究内容如下:(1)针对现有业务流程工作流的过程挖掘方法普遍计算量大且自动化匹配程度不高等问题,提出一种基于粗糙Petri网的工作流过程挖掘方法。其利用了粗糙集在处理不确定性问题上的优势,首先将业务流程系统运行过程中产生的事件日志转化为一个粗糙Petri网,其只体现对产生的事件日志最基本的描述,再根据粗糙集规则将粗糙Petri网转化为中间过程模型,最后根据提出的算法将中间过程模型转化为最终的Petri网模型,使其能够与事件日志相匹配。(2)针对工作流日志进程挖掘中的异常征兆与异常原因间的关系存在不确定性、复杂性和模糊性,提出了一种基于粗糙集理论和Petri网的工作流日志进程挖掘异常诊断方法。首先介绍了 Petri网的基本概念,然后介绍了粗糙集理论的有关概念,通过粗糙集理论中区分矩阵算法和规则提取的矩阵算法对决策表实现条件属性约简与规则简化,找到决策表中隐藏的潜在规则,减少工作量,降低不确定信息的影响,并与Petri网并行推理的能力相结合通过简单的矩阵运算对工作流日志实现高效的进程挖掘异常诊断,最后实例分析证明了这种方法的有效性。(3)针对由于模型和事件日志的表达复杂性,很难其直接输入计算机进行自动分析。为了解决这一问题,必须要将其转化成计算机可以处理的形式,于是提出一个过程模型与因果关系矩阵相互转化的方法,并利用算法对原模型转化成的因果关系矩阵进行处理,最后再将经处理后的因果关系矩阵重新转化成Petri网模型,依据给出的事件日志与原业务流程模型进行各项指标的比较,选择更符合所给出事件日志的模型。同时因为可以转化为矩阵形式,也为日后利用计算机处理此类问题打下了基础。图[10]表[9]参[94]
韩浪[3](2021)在《高速铁路调度集中系统硬件可靠性分析方法研究》文中进行了进一步梳理调度集中系统作为铁路运输的核心技术装备,在保证列车安全、高速、正点运行方面发挥着举足轻重的作用。硬件设备是调度集中系统的重要组成部分,其可靠性水平直接决定着系统能否安全、可靠、平稳的运行,对硬件进行可靠性分析,研究硬件的故障模式和失效机理,对于提升调度集中系统的可靠性,保证高铁的客运服务质量十分重要。我国调度集中系统硬件组成结构复杂、种类及数量众多,利用既有可靠性数据分析方法对其进行建模研究时存在计算难度大、数据利用不充分等缺点。铁路数字化的发展,使得调度集中系统积累了大量的现场可靠性数据,为数据挖掘技术应用于硬件可靠性分析提供了数据支撑。论文主要工作如下:首先介绍调度集中系统的体系结构和硬件设备,阐述调度集中系统硬件结构复杂、设备种类及数量众多的特点;基于调度集中系统的硬件结构,阐述数据挖掘技术在调度集中系统硬件可靠性分析工作中的实现方案,设计调度集中系统硬件可靠性分析模块的功能和架构;结合数据挖掘的基本步骤和既有可靠性数据分析方法的基本流程,阐述基于数据挖掘的可靠性分析方法的基本流程。其次以车站自律机硬件设备为例,分析自律机硬件故障特性、失效因素特性以及两者之间的不确定性关系;基于调度集中系统体系结构和硬件组成特点,分析车站自律机硬件现场可靠性数据的采集方式;基于铁路大数据应用框架,设计并阐述现场可靠性数据的预处理逻辑框架;通过对比同一型号同一批次自律机硬件设备在京张高铁和京雄高铁上的不同故障表现情况,发现两条线路的自律机硬件设备在设计水平、制造工艺、运行设备状态、安装与调试人员等失效因素相似的条件下,在运行环境因素上存在巨大差异,因此构建了基于环境失效因素的自律机硬件现场可靠性数据集,为基于数据挖掘的自律机硬件故障失效因素分析提供数据支撑。最后根据聚类分析和基于近似不可分辨关系的粗糙集理论之间的联系,结合两者建立车站自律机硬件故障失效因素分析决策模型,选取环境失效因素作为条件属性集,自律机硬件故障次数作为决策属性,对基于环境失效因素的自律机硬件现场可靠性数据集进行等价类划分,从单一环境因素和耦合环境因素两个角度,验证分析环境失效因素与自律机硬件故障的部分近似依赖程度,并给出提升自律机硬件可靠性的施工建议;通过完成基于数据挖掘的可靠性分析方法的所有基本流程,验证基于数据挖掘的调度集中系统硬件可靠性分析方法的可行性和适用性。
吕月姣[4](2021)在《面向多标记数据的邻域自适应粗糙集模型》文中研究说明在多标记数据集中,每个样本可以与多个类别标记相关。对分类任务而言,高维多标记数据的大量属性中可能会存在冗余属性,这些冗余属性会增加分类模型的复杂度和训练代价,并在一定程度上影响分类效果。基于粗糙集的属性约简是高维数据降维的有效方法之一,其主要思想是:在不降低分类能力的前提下,删除冗余属性,得到对分类任务较重要的条件属性集。作为经典粗糙集模型的重要扩展,邻域粗糙集是应对实值高维数据降维的重要方法,被广泛应用于数据挖掘、模式识别等领域。多标记邻域粗糙集是邻域粗糙集面向多标记数据的重要拓展。然而,当前的模型没有体现对复杂数据分布的适应性;此外,没有考虑标记相关性对模型属性约简的影响。针对上述问题,本文旨在发展一种更加有效的多标记邻域自适应粗糙集模型。主要研究内容和结论如下:(1)多标记邻域自适应粗糙集模型目前的多标记邻域粗糙集模型需要人为地设定一个统一的邻域半径阈值,主观性较强,没有考虑样本的分布特性。本文提出了样本相对于标记的属性标准差概念,并构造了基于此概念的邻域关系,建立了多标记邻域自适应粗糙集模型及属性约简算法Adapt-ARML。该模型可以根据样本的分布信息自适应地为每一个样本确定邻域阈值。在5个数值型多标记分类数据集上,验证了所提模型和算法的有效性。(2)基于标记相关性的属性约简在多标记数据中,标记间并非是完全独立的。挖掘标记间的相关性,并将其用于改善属性约简算法的性能是一个值得探索的问题。本文提出了一种基于标记相关性的属性约简框架。该框架首先利用标记频繁项集对标记间的相关性进行挖掘,找到组内相关性强的标记子集。在此基础上,从标记空间和样本空间两个视角,充分利用标记相关性,提出了基于全局标记相关性和基于局部相关性的两种属性约简算法。在5个数值型多标记分类数据集上,验证了所提约简算法的有效性。
周晓勇[5](2021)在《地铁车载ATC设备故障诊断与预警系统研究》文中提出地铁列车车载ATC设备是保障地铁列车安全高效运行的重要设备。当车载ATC设备发生故障时,可能导致列车运行晚点、列车回库检修等情况,给列车的运营造成损失。对地铁列车车载ATC设备的故障进行归纳分析,进而实现故障的自动化诊断和预警,是提高列车运行效率的必要手段。目前,地铁列车车载ATC设备信息记录不规范、监测信号不全面、预警手段欠缺等都是亟待解决的问题。本文针对这些问题,首先,设计开发信号检测单元的软件模块。其次,利用历史故障记录表,分析故障类型与故障特征,构建故障数据集,采用GA-PSO算法优化SVM模型,分别建立故障诊断与预警模型。最后,编写故障诊断预警软件平台。论文的具体工作包括:(1)针对监测信号不全面的问题,开发信号检测单元软件模块,实现信号采集、通信、日志存储、异常信号检测、远程登录以及看门狗等功能。同时,通过实验室测试和工程专业测试,验证软件程序的实际可用性。(2)针对信息记录不规范的问题,采用结巴分词分析文本信息,建立词汇库。提出以特征词汇的词语逆频率计算权值的方法,获取权值决策表,离散化后获得原数据集,以粗糙集理论中的简单数据分析法约简原数据集。利用原数据集和约简数据集对模型进行训练测试,结果表明,约简后的数据集减少5个特征项,节约20%左右的训练测试时间,对模型性能稍有提升。(3)针对预警手段欠缺的问题,提出一种GA-PSO算法对SVM进行参数寻优的方法,从而建立故障诊断与预警模型。以SVM中的分类模型SVC实现故障诊断,以回归模型SVR进行预测。基于故障数据集,通过对SVM、PSO-SVM、GA-SVM和GA-PSO-SVM模型训练测试,利用F1-Score和ROC曲线对分类结果进行对比评估,利用MSE值对预测结果进行对比评估,验证在分类和预测模型上,GA-PSO算法实现了对SVM模型的优化,并且比单一算法的优化效果更好,证明模型的可用性与稳定性。(4)编写故障诊断与预警模型软件平台。利用MATLAB软件编译器将模型转化为C++代码,封装成动态链接库。使用C++MFC框架设计实现了软件的界面编程,通过引用创建的动态链接库,实现故障诊断与预警软件的功能。本文提出一种基于GA-PSO-SVM模型的方法,分别利用模型中的分类与回归工具,实现车载ATC设备的故障诊断与预警,为地铁列车车载ATC设备的故障诊断与预警提供了新的思路。图45幅,表14个,参考文献67篇。
张耀丹[6](2021)在《基于粗糙集理论的入侵检测算法的研究与应用》文中研究说明随着物联网、云计算、大数据、人工智能以及5G通信技术的发展,网络信息安全问题已成为人们关注的热点问题,而网络入侵检测技术是确保网络安全的关键技术之一。由于网络安全入侵检测数据量庞大,数据维度高,使得传统的数据分析技术难以获得满意的效果,因此网络入侵检测技术也就成为目前专家学者研究的焦点。本文针对网络入侵检测相关技术和粗糙集理论,提出了两种改进的属性约简的方法,第一种是智能分块算法,该算法将字符型属性按取值个数由大到小进行排序,并选择取值个数最多的字符型属性对数据进行分块,从而根据数据子集特征属性及攻击类型的不同进行属性约简;第二种是高效求核算法,将Relief-F和RFE算法求得的特征属性进行排序,求取各自核属性,再求取这两种不同算法结果的交集,计算出最终核属性。实验结果表明,与传统的数据降维或属性约简算法相比,这两种改进算法可以在原始数据不失真的情况下帮助我们解决网络安全入侵检测数据量大、条件属性复杂、攻击种类多等使得数据难以分析的问题。基于粗糙集理论的智能分块算法与高效求核算法具备更高的分类准确度以及更快的平均检测速率。
郭豆豆[7](2021)在《粒计算视角下三支决策TAO模型及其治略度量研究》文中认为决策是人类生产和生活中的普遍行为,大到国家层面的治略方针制定,小到一台机器的操作,无处不在。例如,工业领域的操作优化和资源分配、商业领域的个性化服务和供应链管理、交通领域的车流控制和智能导航、医疗领域的疾病诊断和治疗策略等都属于决策范畴。近年来,针对数据资料进行智能决策的重要性也正与日俱增,从数据到知识,从知识到决策,也是当前大数据智能决策的新型计算范式。数据中蕴含丰富信息产生解决问题的新的可能性。将数据优势转化为决策优势,并由此发现其内在规律是智能数据决策研究的关键问题之一。为了系统的研究计算机科学、决策科学、管理学、认知科学等学科和领域中存在的认知计算范式,三支决策提出了一种基“3”思考的粒计算模型。长期的科学探索和实践应用证实,三支决策是一种契合人类认知的信息处理方式和有效的复杂问题求解策略,具有重要的理论意义和实用价值。本课题关注于数据驱动下的三支决策模型,分析三支决策与粒计算理论的历史关系和内在联系。针对实际中的具体问题,如分类、属性约简、图像识别,三支决策均取得了大量的成果。但对数据驱动下三支决策的优良性以及在观测空间的数据和知识发现后的智能决策之间的定量关系,尚难以直观进行分析。这一方面不利于对数据的内在规律的深入探索;一方面不利于对不同决策方案效果的直观比较。运用粗糙集、区间集、效用分析等理论工具,分别研究了粒计算三支决策模型、移动视角下的三支决策TAO模型、改变视角下的三支决策TAO模型以及粗糙集视角下的三支决策TAO模型。主要创新之处如下:(1)从移动视角开展数据驱动下的TAO模型和治略度量方法研究,本课题构建一种基于移动的三支决策TAO模型。首先,由一个医疗诊断的例子引入移动视角的三支决策问题,分析应用移动三支决策解决复杂问题的基本思路;其次,构建一种包含“分、治、效”层次结构的移动三支决策TAO框架模型,包括基于治略的移动策略、基于三分区结构的移动偏好以及基于经济性的移动过程;然后,针对一类移动视角下的三支决策TAO模型,提出比例效用函数度量方法,即将决策前后的对象变化量和最终状态量的比例值作为效用值,从粗粒度到细粒度讨论了基于移动的治略度量方法;最后,实验仿真结果和对比结果均验证了方法的有效性和实用性。(2)从改变视角开展认知背景下三支决策TAO框架研究,本课题提出一种基于改变的三支决策TAO模型。首先,分析其基本成分、解释和与其它三支决策模型的关系,构建一类基于改变的三支决策TAO模型;其次,讨论几种改变三支决策模型的构建形式,包括基于区间集表示的改变三支决策、基于量化的改变三支决策、基于评估的改变三支决策等;然后,提出一种针对改变三支决策模型的效用度量方法,将决策者的主观认知纳入有效性度量评估的考虑,并将其转化为可量化的单位进行效果评估,形成一种认知背景下改变三支决策模型的效用度量框架;最后,实例分析和实验结果表明了模型的有效性和实用性。(3)从粗糙集视角开展三支决策TAO模型的应用研究,本课题提出并建立一种粗糙集视角的改变三支决策模型。立足于信息系统,研究改变三支决策在基于粗糙集的知识发现方法中的作用。将信息系统的行-列视角作为切入点,对系统中数据直接进行分析与推理。首先,讨论了基于粗糙集的改变三支决策应用方法,将规则置信度作为治略对象,分别研究了定性和定量模式下的改变三支决策表示方法和语义解释;其次,从行视角提出一种基于改变三支决策的分类策略,将概率近似区域中的分类规则和分类对象进行重新决策,重新构建三支分类规则,并证明其方法的合理性和有效性;然后,从列视角研究基于属性的改变框架,并将其应用到属性约简方法,提出一种基于改变三支决策的属性约简方法;最后,在传统的全局约简条件和集成约简条件下分别进行实验验证,结果表明了方法在两种条件下,既能保准分类精度,又能有效的降低时间消耗。
王经书[8](2021)在《物联网环境下不完全数据流补全研究》文中提出随着物联网(Internet of Things,Io T)的不断发展,物联网应用逐渐进入人们的日常生活。物联网环境的复杂性、传感器种类多样性与物联网环境动态性等特点,使得物联网设备所收集到的数据种类较多,并且数据收集过程中由于各种原因导致终端设备数据缺失。缺失数据给物联网的数据挖掘、物联网应用等带来较大影响。因此,物联网环境下的不完全数据流填充问题,成为了一个重要的研究课题。本文主要针对物联网环境下不完全数据流的补全问题进行研究,论文主要研究内容如下:(1)物联网环境下离散不完全数据流的研究。本课题组在前期工作中提出了一种基于规则的不完全数据流补全方法。首先,该方法使用缺省逻辑定义补全规则结构,经典粗糙集理论和信息熵用于补全规则生成。其次,基于不同时间粒度样本生成不同补全规则,并使用DLV求解器进行补全结果求解。最后,基于不同时间粒度规则补全结果进行数据融合,得到最终补全结果。针对上述研究,在处理不完全数据流过程中,同一行测试数据中缺失样本较多时,上述方法不能很好的进行数据补全,因此本文提出了一种规则优化的不完全数据流补全方法,在规则生成过程中基于同一时间粒度下生成不同长度规则。在数据补全过程中,该方法在相同时间粒度下对不同长度规则进行选择,若准确率最高的规则不能得到补全结果,那么使用准确率次之的规则,直到得到补全结果,或者所有补全规则都被使用却没有得到此时间粒度下的补全结果,则使用其它时间粒度规则继续补全。通过爬取的智能家居数据集进行实验,实验结果表明,该方法提升了不完全数据流补全方法的有效性与实时性。(2)物联网环境下连续不完全数据流的研究。传统的降维方法不能很好的挖掘数据之间的关系,因此本文提出了一种基于隐式关系挖掘的不完全数据流补全方法。首先,使用邻域粗糙集理论计算连续数据间的关系,挖掘当前属性与其他属性的关联性,即其它属性对当前属性的整体影响。其次,将所生成的关系和数据输入神经网络模型中进行训练,得到补全关系模型。最后,通过实验验证所提出的方法在补全性能上有较高的提升。
钱卓昊[9](2021)在《多层次粗糙集模型中双边属性值泛化约简方法的研究》文中研究说明随着大数据时代的到来,具有多层次结构的数据越来越普遍,利用层次结构来对决策信息表(简称决策表)进行属性值泛化约简可以在保证分类能力不变的前提下有效降低决策表的维度,而构造合理的层次结构是研究属性值泛化约简的前提,因此研究层次结构构造方法和决策表的属性值泛化约简方法在高维数据越来越普遍的大数据时代具有重要意义。目前关于决策表的属性值泛化约简以及层次结构构造的研究大都是基于决策表的条件属性集,针对决策属性层次结构的研究较少,但仅考虑条件属性集的属性值泛化约简并不能完全挖掘决策表的泛化潜力。决策表中的每个对象都具备决策属性和条件属性两种属性,现实中很多对象的决策属性也具有层次结构,仅考虑条件属性集的层次结构会忽略决策属性可能存在的层次关系和泛化潜力。同时,目前对层次结构构造方法的研究大都局限于处理无序数据,对含有分层结构的有序数据很少涉及。基于上述背景,本文进行了以下研究:(1)为构造有效表达层次结构的属性值分类(AVT),本文提出了VDM-AVT学习器和DAVT学习器及其实现算法,两种学习器分别可以依据决策表自动构造条件属性集和决策属性的AVT,且均能处理有序数据和无序数据。(2)针对属性值泛化约简问题,本文首先提出了多层次决策属性粗糙集模型,以此来研究决策属性AVT中分割间的关系,进而提出了多层次粗糙集模型来研究决策表全局分割间的关系。(3)在两种多层次模型基础上分别提出了决策泛化和双边属性值泛化约简的定义,并给出决策泛化的实现算法与双边属性值泛化约简的实现策略。(4)利用对比实验验证了双边属性值泛化约简的优越性。
杨帆[10](2021)在《不完备不一致数据下基于次协调软集合的小微企业信用评价研究》文中认为近年来,小微企业的总体规模日益增长,其带来的生产能力和经济效益不容忽视,对我国国民经济起到重要的支撑作用。但由于单个小微企业的规模略小,金融机构对小微企业缺乏违约风险控制能力,导致融资贵、融资难成为制约小微企业发展的主要因素,而解决该问题的关键就是构建小微企业的信用评价算法。大数据环境下,小微企业的信用数据具有与传统信用数据不同的特性——劣质(不完备和不一致)、动态性和多维性。一方面由于采集数据的机构覆盖用户不同且收集数据不够规范,导致不完备数据的产生;另一方面由于信用数据的来源、采集时间的不同,或者采集、调用、存储多源数据时在某个环节出现漏洞,导致不一致数据的产生。而在大多数现实情况下,不完备和不一致数据同时存在,基于此本研究以具有大数据分析优势的次协调软集合作为理论基础。大数据环境下小微企业的信用数据除了具备劣质(不完备和不一致)外,还会随着时间的推移发生变化,呈现动态性,另外小微企业的信用数据会涉及各个维度,呈现多维性。为解决涉及动态不完备和不一致数据的小微企业信用评价问题,本研究构建了以动态次协调软集合为基础的小微企业信用评价算法;为解决涉及多维不完备和不一致数据的小微企业信用评价问题,本研究构建了以Q-次协调软集合为基础的小微企业信用评价算法,旨在为大数据环境下的小微企业信用评价提供科学指导。本文的具体研究内容如下:(1)针对小微企业呈现劣质(不完备和不一致)和动态性的特性,本文通过引入时间因素,将次协调软集合进一步推广到动态次协调软集合,并定义了动态次协调软集合的一些基本运算。在此基础上,本文提出了动态次协调软决策系统,并构建了以动态次协调软集合为基础的小微企业信用评价算法,该算法可以处理包含动态不完全和不一致数据的问题。此外将该算法应用于一个实际的小微企业贷款问题,并进行了灵敏度分析和对比分析,证明了该算法的有效性和可行性。(2)针对小微企业呈现劣质(不完备和不一致)和多维性的特性,本文将次协调软集合进一步扩展为Q-次协调软集合,既保留了前者的优点,又能处理二维数据。本文引入优先参数集Q提出了Q-次协调软集合的定义,并讨论了其相关运算,最终构建了以Q-次协调软集合为基础的信用评价算法,并将该算法应用于投资开发建设何种类型小微企业的问题,同时进行了对比分析,证明了该算法的优越性与有效性。
二、一种基于粗糙集带支持信息的挖掘算法(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、一种基于粗糙集带支持信息的挖掘算法(论文提纲范文)
(1)基于通信数据流异常检测的地震灾情评估(论文提纲范文)
摘要 |
Abstract |
第一章 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 地震灾情评估相关研究 |
1.2.2 非地理数据灾情评估研究 |
1.3 论文内容结构 |
第二章 用于地震灾情的数据分析方法 |
2.1 数据处理及挖掘常用方法 |
2.1.1 粗糙集相关知识 |
2.1.2 基于K-means的聚类分析 |
2.1.3 逻辑回归 |
2.2 异常检测常用方法 |
2.2.1 异常检测的流程 |
2.2.2 基于k-sigma的异常检测 |
2.2.3 基于均值偏移聚类的异常检测 |
2.2.4 基于LSTM的异常检测 |
2.3 数据分布变化检测常用方法 |
2.3.1 数据流介绍 |
2.3.2 基于错误率的数据分布检测DDM |
2.3.3 基于滑动窗口的数据分布检测ADWIN |
2.4 本章小结 |
第三章 通信数据挖掘和预处理 |
3.1 通信数据预处理 |
3.1.1 通信数据简介 |
3.1.2 Geohash编码 |
3.1.3 数据预处理 |
3.2 基于通信数据的数据挖掘 |
3.2.1 正常通信数据挖掘 |
3.2.2 震后通信数据分析 |
3.3 基于邻域粗糙集的特征降维 |
3.3.1 基本思路 |
3.3.2 粗糙集约简特征 |
3.3.3 仿真结果 |
3.4 本章小结 |
第四章 通信数据流的异常检测模型 |
4.1 数据流的异常检测 |
4.1.1 基于K-sigma的异常检测 |
4.1.2 基于均值漂移聚类的异常检测 |
4.1.3 基于LSTM的异常检测模型 |
4.1.4 仿真结果 |
4.2 数据流异常检测模型的数据分布检测 |
4.2.1 基于SVM模型参数的性能变化检测 |
4.2.2 仿真结果 |
4.3 通信数据流的异常检测模型 |
4.4 本章小结 |
第五章 基于通信数据的灾情评估与展示 |
5.1 通信数据灾情的时间变化 |
5.2 基于局部空间自相关的灾情评估 |
5.2.1 空间分布统计 |
5.2.2 特征向量中心性 |
5.2.3 仿真结果 |
5.3 基于WebGIS的灾情展示 |
5.3.1 GIS技术概述 |
5.3.2 灾情展示架构设计 |
5.3.3 效果展示 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
致谢 |
(2)基于Petri网的工作流日志进程挖掘及异常诊断(论文提纲范文)
摘要 |
Abstract |
引言 |
1 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 业务流程系统 |
1.2.2 行为轮廓 |
1.2.3 过程挖掘技术 |
1.4 内容安排 |
2 基础知识 |
2.1 Petri网的相关介绍 |
2.1.1 Petri网的基础概念 |
2.1.2 Petri网的基础性质 |
2.2 行为轮廓 |
2.2.1 行为轮廓的基本概率 |
2.2.2 行为轮廓的基本性质 |
3 基于粗糙-Petri网的工作流过程挖掘方法 |
3.1 概述 |
3.2 基本概念 |
3.2.1 基于Petri网的工作流日志 |
3.3 基于粗糙-Petri网的工作流进程挖掘 |
3.3.1 数据预处理 |
3.3.2 挖掘工作流模型 |
3.4 本章小结 |
4 基于粗糙集理论和Petri网的工作流日志进程挖掘异常诊断方法 |
4.1 概述 |
4.2 基本概念 |
4.2.1 基于Petri网的工作流日志 |
4.2.2 粗糙集理论 |
4.3 基于粗糙集理论和Petri网的过程挖掘异常诊断方法 |
4.4 实例分析 |
4.5 本章小结 |
5 一种基于Petri网和因果关系矩阵的事件日志过程挖掘方法 |
5.1 概述 |
5.2 基本概念 |
5.2.1 Petri网模型与因果关系矩阵的相互转化 |
5.3 基于因果关系矩阵对事件日志进行过程挖掘的方法 |
5.4 实例分析 |
5.5 本章小结 |
6 结论 |
6.1 本文主要工作 |
6.2 未来工作 |
参考文献 |
致谢 |
作者简介及硕士研究生期间主要科研成果 |
(3)高速铁路调度集中系统硬件可靠性分析方法研究(论文提纲范文)
致谢 |
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 研究现状 |
1.2.1 调度集中系统硬件可靠性分析研究现状 |
1.2.2 数据挖掘可靠性分析研究现状 |
1.3 研究内容及技术路线 |
1.3.1 技术路线 |
1.3.2 研究内容 |
2 基于数据挖掘的调度集中系统硬件可靠性分析方法 |
2.1 调度集中系统的体系结构及硬件设备 |
2.2 调度集中系统的硬件可靠性分析方法 |
2.3 基于数据挖掘的可靠性分析方法的基本流程 |
2.4 本章小结 |
3 车站自律机硬件故障的失效因素和现场可靠性数据 |
3.1 车站自律机硬件故障的失效因素 |
3.1.1 硬件故障和失效因素 |
3.1.2 硬件故障可靠性问题说明 |
3.1.3 硬件故障和失效因素间的不确定性关系 |
3.2 车站自律机硬件现场可靠性数据 |
3.2.1 数据采集 |
3.2.2 数据预处理 |
3.3 基于环境失效因素的自律机硬件现场可靠性数据集 |
3.4 本章小结 |
4 基于聚类分析的自律机硬件故障失效因素分析决策模型 |
4.1 理论基础 |
4.1.1 聚类分析 |
4.1.2 粗糙集理论 |
4.1.3 基于近似不可分辨关系的粗糙集理论和聚类分析的联系 |
4.2 自律机硬件故障失效因素分析决策模型 |
4.2.1 基于聚类分析的等价类划分 |
4.2.2 基于近似不可分辨关系的粗糙集决策模型 |
4.3 环境失效因素分析 |
4.3.1 单一因素分析 |
4.3.2 耦合因素分析 |
4.3.3 验证分析 |
4.4 本章小结 |
5 结论与展望 |
5.1 研究结论 |
5.2 研究展望 |
参考文献 |
图索引 |
表索引 |
作者简历及攻读硕士学位期间取得的科研成果 |
学位论文数据集 |
(4)面向多标记数据的邻域自适应粗糙集模型(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 论文组织结构 |
第二章 基本概念 |
2.1 经典粗糙集 |
2.2 邻域粗糙集 |
2.3 多标记邻域粗糙集 |
2.4 多标记分类评价指标 |
2.5 本章小结 |
第三章 多标记邻域自适应粗糙集模型 |
3.1 相对于标记的属性标准差 |
3.2 近似算子的构造 |
3.3 属性约简算法Adapt-ARML |
3.4 实验 |
3.5 本章小结 |
第四章 标记相关性与属性约简 |
4.1 标记的划分 |
4.2 基于标记全局相关性的属性约简 |
4.3 基于标记局部相关性的属性约简 |
4.4 实验 |
4.5 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研究成果 |
致谢 |
个人简况及联系方式 |
(5)地铁车载ATC设备故障诊断与预警系统研究(论文提纲范文)
致谢 |
缩略词注释表 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 故障诊断预警技术综述 |
1.2.2 车载设备故障预警现状 |
1.3 论文研究内容 |
2 支持向量机原理 |
2.1 支持向量机分类(SVC) |
2.2 支持向量机回归(SVR) |
2.3 支持向量机核函数 |
2.4 本章小结 |
3 车载ATC设备及数据挖掘方法 |
3.1 列车车载ATC设备结构及功能 |
3.1.1 车载ATC设备结构 |
3.1.2 车载ATC设备功能 |
3.2 车载ATC故障数据分析及特征 |
3.2.1 信号专业运营故障记录表 |
3.2.2 故障数据统计分析 |
3.3 基于粗糙集的数据约简与数据集构建 |
3.3.1 粗糙集理论 |
3.3.2 故障决策属性表 |
3.3.3 基于粗糙集的数据约简 |
3.4 小结 |
4 基于GA-PSO-SVM的车载ATC设备的故障诊断与预警 |
4.1 PSO算法 |
4.2 GA算法 |
4.3 GA-PSO嵌入式混合算法模型 |
4.4 基于SVM的车载ATC设备故障诊断与预警 |
4.4.1 粒子设计与验证 |
4.4.2 适应度函数的确认 |
4.4.3 模型建立过程 |
4.4.4 模型评价指标 |
4.4.5 基于SVC的故障诊断模型仿真实现 |
4.4.6 基于SVR的故障预测模型仿真实现 |
4.5 小结 |
5 信号检测单元及故障诊断预警软件平台 |
5.1 信号检测单元 |
5.1.1 信号检测单元模块组成 |
5.1.2 信号检测单元软件开发 |
5.1.3 信号检测单元实际测试 |
5.2 故障诊断预警软件平台 |
5.2.1 软件功能需求 |
5.2.2 软件设计 |
5.2.3 软件实现 |
5.3 小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
图索引 |
表索引 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(6)基于粗糙集理论的入侵检测算法的研究与应用(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 入侵检测算法的研究现状 |
1.2.2 特征选择算法的研究现状 |
1.3 论文的研究内容 |
1.4 论文结构 |
2 相关理论及算法介绍 |
2.1 粗糙集理论 |
2.1.1 粗糙集理论的基本原理 |
2.1.2 粗糙集理论的研究与应用 |
2.2 特征选择算法 |
2.2.1 过滤法 |
2.2.2 包装法 |
2.2.3 嵌入法 |
2.3 入侵检测数据集简介 |
2.3.1 特征属性介绍 |
2.3.2 攻击类型介绍 |
3 改进的属性约简算法 |
3.1 特征属性删除 |
3.2 基于粗糙集理论的智能分块算法 |
3.3 基于粗糙集理论的高效求核算法 |
4 仿真实验与分析 |
4.1 数据预处理 |
4.1.1 数据数值化 |
4.1.2 数据归一化 |
4.1.3 数据离散化 |
4.2 结果分析 |
4.2.1 实验环境 |
4.2.2 实验结果与分析 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
作者简介 |
(7)粒计算视角下三支决策TAO模型及其治略度量研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 三支决策是不确定性问题解决的有效性方法之一 |
1.1.2 认知时代下的粒计算与三支决策 |
1.1.3 三支决策TAO模型及其有效性度量研究的重要意义 |
1.2 国内外研究现状 |
1.2.1 粒计算的研究进展 |
1.2.2 三支决策的研究进展 |
1.2.3 粒计算与三支决策的发展脉络 |
1.2.4 基于粒计算与三支决策的智能数据分析研究 |
1.3 论文主要研究工作 |
1.4 论文组织结构 |
第2章 粒计算与三支决策理论 |
2.1 粒计算 |
2.2 粗糙集三支决策 |
2.3 三支决策TAO模型 |
2.3.1 三分 |
2.3.2 治略 |
2.3.3 成效 |
2.4 基于粒计算与三支决策的智能数据决策方法 |
2.4.1 粒计算三元论 |
2.4.2 三支决策及其智能数据分析 |
2.5 两类三支决策有效性度量框架 |
2.6 本章小结 |
第3章 移动视角下的三支决策TAO模型研究 |
3.1 移动视角的三支决策问题 |
3.1.1 一个医疗诊断的例子 |
3.1.2 移动模型的基本思想 |
3.2 基于移动的三支决策TAO模型 |
3.2.1 移动策略 |
3.2.2 基于三分区结构的移动 |
3.2.3 两种移动过程分析 |
3.3 一种面向移动三支决策的有效性度量方法 |
3.3.1 比例效用度量框架 |
3.3.2 移动三支决策的比例效用函数 |
3.3.3 粗粒度度量-基于三分区的有效性度量方法 |
3.3.4 细粒度度量-基于等价类的有效性度量方法 |
3.4 仿真实验与结果分析 |
3.4.1 实验分析 |
3.4.2 实验比较 |
3.5 本章小结 |
第4章 改变视角下的三支决策TAO模型研究 |
4.1 基于改变的三支决策TAO框架 |
4.1.1 改变策略 |
4.1.2 改变模型 |
4.1.3 基于区间集表示的改变 |
4.2 两个解释的例子 |
4.2.1 贝叶斯认证理论与改变三支决策模型 |
4.2.2 移动三支决策模型中与改变三支决策模型 |
4.3 基于量化的C-3WD模型 |
4.3.1 基于单量化的改变 |
4.3.2 基于双量化的改变 |
4.4 基于评估的C-3WD模型 |
4.4.1 带有一对偏序评估的改变 |
4.4.2 带有一个偏序评估的改变 |
4.4.3 带有一个全序集评估的改变 |
4.5 一种面向改变三支决策的有效性度量方法 |
4.5.1 一种效用度量方法 |
4.5.2 基于改变三支决策的双重期望效用度量方法 |
4.5.3 实例分析 |
4.6 仿真实验与结果分析 |
4.7 本章小结 |
第5章 粗糙集视角下的三支模决策TAO模型研究 |
5.1 基于粗糙集的改变三支决策模型 |
5.1.1 规则置信度的改变 |
5.1.2 定性改变与定量改变 |
5.2 一种基于对象改变的分类策略 |
5.2.1 基于RS-C3WD的分类策略 |
5.2.2 分类算法 |
5.2.3 实例分析 |
5.2.4 策略的有效性 |
5.3 一种基于属性改变的约简策略 |
5.3.1 基于RS-C3WD的约简策略 |
5.3.2 基于改变三支决策模型的属性约简算法 |
5.4 仿真实验与结果分析 |
5.4.1 约简时间对比 |
5.4.2 分类精度对比 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 本文总结 |
6.2 研究展望 |
参考文献 |
攻读硕士学位期间所发表的学术论文 |
攻读硕士学位期间所获得的科研成果 |
致谢 |
(8)物联网环境下不完全数据流补全研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 课题研究背景 |
§1.2 课题研究意义 |
§1.3 国内外研究现状 |
§1.4 本文的主要内容 |
§1.5 本文的结构 |
第二章 相关基础知识 |
§2.1 缺省逻辑 |
§2.1.1 缺省推理 |
§2.1.2 缺省规则 |
§2.2 缺失模式 |
§2.3 粗糙集理论 |
§2.3.1 经典粗糙集属性约简基本概念 |
§2.3.2 邻域粗糙集属性约简基本概念 |
§2.4 本章小结 |
第三章 基于规则学习的离散不完全数据流补全方法 |
§3.1 引言 |
§3.2 基于规则的不完全数据流补全方法 |
§3.2.1 规则结构定义 |
§3.2.2 规则生成 |
§3.2.3 数据融合 |
§3.3 基于规则优化的不完全数据流补全方法 |
§3.3.1 基于规则优化的不完全数据流补全方法架构 |
§3.3.2 不同长度规则生成 |
§3.3.3 规则选取 |
§3.4 补全方法的实现 |
§3.5 实验结果与分析 |
§3.5.1 实验数据 |
§3.5.2 时效性分析 |
§3.5.3 有效性分析 |
§3.6 本章小结 |
第四章 基于隐式关系的连续不完全数据流补全方法 |
§4.1 引言 |
§4.2 隐式关系 |
§4.3 基于隐式关系数据补全流程 |
§4.4 隐式关系神经网络的数据补全方法 |
§4.4.1 数据隐式关系挖掘 |
§4.4.2 关系神经网络模型补全 |
§4.5 隐式关系神经网络实验结果与评估 |
§4.5.1 实验数据 |
§4.5.2 实验结果与分析 |
§4.6 本章小结 |
第五章 总结与展望 |
§5.1 总结 |
§5.2 展望 |
参考文献 |
致谢 |
作者在攻读硕士期间的主要研究成果 |
(9)多层次粗糙集模型中双边属性值泛化约简方法的研究(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 论文研究内容及挑战 |
1.4 论文组织结构 |
第二章 多层次粗糙集模型泛化约简相关理论基础 |
2.1 粗糙集基础理论 |
2.2 决策表的层次结构 |
2.3 属性值泛化约简 |
第三章 条件属性AVT的构造方法 |
3.1 VDM-AVT学习器实现方法 |
3.2 VDM-AVT学习器的评估 |
3.2.1 VDM-AVT-AGR模型 |
3.2.2 仿真实验过程与结果分析 |
第四章 决策属性AVT的构建方法 |
4.1 DAVT学习器原理概述 |
4.2 决策属性值所对应样本聚类簇的簇间相似度计算 |
4.2.1 单个样本对象与聚类簇的相似度 |
4.2.2 簇间相似度 |
第五章 基于AVT的多层次粗糙集模型 |
5.1 基于AVT的多层次决策属性粗糙集模型 |
5.2 基于AVT的多层次粗糙集模型 |
第六章 双边属性值泛化约简 |
6.1 基于正域的决策属性值泛化算法 |
6.2 基于正域的双边属性值泛化约简 |
6.2.1 基于正域的双边属性值泛化约简定义 |
6.2.2 基于DAVG-PR与 GRPR的双边泛化约简策略 |
第七章 实验过程及结果分析 |
7.1 数据集及预处理 |
7.2 实验方法 |
7.3 实验结果与分析 |
第八章 总结与展望 |
8.1 总结 |
8.2 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 |
(10)不完备不一致数据下基于次协调软集合的小微企业信用评价研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外文献综述 |
1.2.1 信用评价方法的研究现状和发展动态 |
1.2.2 不完备数据分析方法的研究现状和发展动态 |
1.2.3 不一致数据分析方法的研究现状和发展动态 |
1.2.4 软集合的研究现状和发展动态 |
1.2.5 国内外研究现状总评 |
1.3 研究目标与内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 研究方法与技术路线 |
1.4.1 研究方法 |
1.4.2 研究的技术路线 |
1.5 本文的创新之处 |
第2章 相关理论基础 |
2.1 软集合相关理论 |
2.1.1 软集合的定义 |
2.1.2 软集合的相关运算 |
2.2 次协调逻辑 |
2.2.1 次协调逻辑的定义 |
2.2.2 次协调逻辑的相关运算 |
2.3 次协调软集合 |
2.3.1 次协调软集合的定义 |
2.3.2 次协调软集合的相关运算 |
2.4 时间权向量 |
第3章 动态不完备不一致数据下基于动态次协调软集合的小微企业信用评价研究 |
3.1 动态次协调软集合 |
3.1.1 动态次协调软集合的定义 |
3.1.2 动态次协调软集合的相关运算 |
3.2 基于动态次协调软集合的信用评价研究 |
3.2.1 动态次协调软决策系统 |
3.2.2 基于动态次协调软集合的评价算法 |
3.3 实例分析 |
3.3.1 实例背景 |
3.3.2 评价过程 |
3.3.3 灵敏度分析 |
3.3.4 对比分析 |
3.4 本章小结 |
第4章 二维不完备不一致数据下基于Q-次协调软集合的小微企业信用评价研究 |
4.1 Q-次协调集 |
4.1.1 次协调集 |
4.1.2 次协调集的相关运算 |
4.1.3 Q-次协调集 |
4.1.4 Q-次协调集的相关运算 |
4.2 Q-次协调软集合 |
4.2.1 次协调软集合的另一种形式 |
4.2.2 Q-次协调软集合的定义 |
4.2.3 Q-次协调软集合的相关运算 |
4.3 基于Q-次协调软集合的信用评价研究 |
4.3.1 偏好排序 |
4.3.2 基于Q-次协调软集合信用评价的相关定义 |
4.3.3 基于Q-次协调软集合的评价算法 |
4.4 实例分析 |
4.4.1 实例背景 |
4.4.2 评价过程 |
4.4.3 对比分析 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文和其它科研情况 |
四、一种基于粗糙集带支持信息的挖掘算法(论文参考文献)
- [1]基于通信数据流异常检测的地震灾情评估[D]. 刘洞天. 北京邮电大学, 2021(01)
- [2]基于Petri网的工作流日志进程挖掘及异常诊断[D]. 范涛. 安徽理工大学, 2021(02)
- [3]高速铁路调度集中系统硬件可靠性分析方法研究[D]. 韩浪. 中国铁道科学研究院, 2021(01)
- [4]面向多标记数据的邻域自适应粗糙集模型[D]. 吕月姣. 山西大学, 2021(12)
- [5]地铁车载ATC设备故障诊断与预警系统研究[D]. 周晓勇. 北京交通大学, 2021(02)
- [6]基于粗糙集理论的入侵检测算法的研究与应用[D]. 张耀丹. 内蒙古农业大学, 2021(02)
- [7]粒计算视角下三支决策TAO模型及其治略度量研究[D]. 郭豆豆. 哈尔滨师范大学, 2021(08)
- [8]物联网环境下不完全数据流补全研究[D]. 王经书. 桂林电子科技大学, 2021(02)
- [9]多层次粗糙集模型中双边属性值泛化约简方法的研究[D]. 钱卓昊. 西安石油大学, 2021(09)
- [10]不完备不一致数据下基于次协调软集合的小微企业信用评价研究[D]. 杨帆. 山西财经大学, 2021(09)