一、粗糙集理论介绍和研究综述（论文文献综述）
张旻宇[1]（2021）在《基于增量式学习与集成学习的入侵检测方法研究》文中研究说明近年来,入侵检测系统已发展成为网络安全领域的一个重要组成部分,应用前景非常广阔。但是,目前的入侵检测系统还存在检测精度低、误报率高、实时性差等问题,难以在较短的时间内获得令人满意的检测结果。为了解决这些问题,基于机器学习的入侵检测方法得到了广泛关注和研究。决策树算法具有分类精度高、速度快、模型易于理解等优点,因此被广泛应用在入侵检测中。然而,现有的基于决策树的入侵检测方法还存在很多问题亟待解决。首先,这些方法大多采用静态策略来获取决策规则,每当数据集发生变化,都需要在整个数据集上重新创建决策树,难以有效处理动态数据;其次,采用单一决策树可能会出现误差和过拟合问题,所构建的入侵检测模型的性能很多时候难以令人满意。针对上述问题,本文将研究新的、更适合于网络入侵检测的决策树算法,并利用这些算法来检测入侵行为。首先,为了解决现有决策树算法分裂属性的选择标准不合适等问题,提出一种基于粒度决策熵的决策树算法DTGDE,并将其应用于入侵检测;其次,为了有效地处理动态数据,我们从增量式学习的角度来改进DTGDE,提出一种基于粒度决策熵的增量式决策树算法IDTGDE,并将其应用于入侵检测;第三,为了解决单一决策树可能出现的误差和过拟合问题,我们从集成学习的角度来改进DTGDE,提出一种基于粒度决策熵的决策森林算法DFGDE,并将其应用于入侵检测。本文的主要研究工作如下:（1）基于粒度决策熵的决策树算法及其在入侵检测中的应用现有的决策树算法存在分裂属性的选择标准不合适、子树存在大量重复等问题,本文结合粗糙集理论中的粗糙度与知识粒度这两个概念,提出一种基于粒度决策熵的决策树算法DTGDE,并应用于入侵检测。DTGDE采用粒度决策熵来作为分裂属性的选择标准。相对于现有的信息熵模型,粒度决策熵能够同时对知识的完备性和知识的粒度大小进行有效度量,因此,利用其来选择分裂属性可以更加全面地考察每个属性对决策分类的贡献。实验结果表明,相对于现有的决策树算法,DTGDE算法具有更好的入侵检测性能,此外,其在入侵检测效率上也表现较好。（2）基于粒度决策熵的增量式决策树算法及其在入侵检测中的应用针对现有的增量式决策树算法存在分裂属性选择标准不合理、处理动态数据的效率低等问题,本文从增量式学习的角度来改进（1）中所提出的算法DTGDE,并由此提出一种基于粒度决策熵的增量式决策树算法IDTGDE。IDTGDE算法首先基于粒度决策熵模型在初始训练集上创建初始决策树,然后,利用增量式学习的思想来有效地处理增量式数据。为了将IDTGDE算法更好地应用于入侵检测,在构建决策树之前,我们引入了三种原始数据的预处理机制。实验结果表明,IDTGDE算法不仅具有较好的入侵检测性能,而且计算开销非常小。（3）基于粒度决策熵的决策森林算法及其在入侵检测中的应用采用单一决策树可能会出现误差和过拟合问题,而集成学习则可以有效解决上述问题。集成分类器可以获得比仅使用单个分类器更强的泛化能力。为了在较短的时间内构建出性能令人满意的入侵检测模型,本文从集成学习的角度来改进（1）中所提出的算法DTGDE,并由此提出一种基于粒度决策熵的决策森林算法DFGDE。DFGDE算法首先使用自助采样机制来生成多个采样集;然后,在每一个采样集上分别进行随机属性选择,并使用DTGDE算法来构建一棵决策树;最后,将前面生成的所有决策树通过加权投票的方式组合成一个决策森林。实验结果表明,相对于已有的具有代表性的集成学习算法而言,DFGDE具有更好的入侵检测性能。特别是,DFGDE的入侵检测性能要优于DTGDE。
张念[2]（2021）在《基于粗糙集理论的二手车成新率计算方法之改进及其应用研究》文中指出随着我国经济的迅猛发展,居民消费能力及消费水平的提高也带动我国汽车行业不断发展,尤其是二手车市场的蓬勃发展。随之而来的就是二手车评估业务的大量增加,但就我国目前的二手车价值评估体系而言,尚未形成较为系统且科学的估价方法。重置成本法是实务中运用较多的评估方法之一,但在成新率的计算过程中也存在着诸多问题。传统的几种成新率计算方法在确定成新率时主观随意性较大,缺乏比较客观的理论依据,导致评估结果的可信度不高。而成新率的确定对二手车评估值有着至关重要的作用,所以为了提高二手车评估业务的专业性和科学性,本文拟对成新率的计算方法做进一步的改进。本文首先在分析理解相关理论和文献的基础上,总结出重置成本法中传统二手车成新率计算方法存在影响因素考虑不够全面、权重值的确定缺乏理论支撑等问题,引入粗糙集理论,拟对二手车成新率问题进行研究。其次,从基础影响因素、车辆性能因素、车况因素和市场因素四个方面对影响成新率的因素进行细化分析,初步构建成新率评价指标体系;利用粗糙集理论的属性约简原理对二手车成新率指标集进行约简处理,删除冗余重复的因素,精简成新率评价指标体系。再次,借助于粗糙集理论的属性重要度原理,求出剩余指标对应的权重值,进而计算出车辆的成新率。相较于传统的评估方法,改进后的成新率考虑的影响因素更全面,同时避免了因素间可能存在重复表达的问题,并且为指标权重的计算提供较为科学的理论依据,从而使计算出的成新率更具客观性和可靠性。最后将本文探讨的成新率计算的改进方法运用于具体案例的分析,通过对比计算结果,较好的说明了改进后的二手车成新率计算方法的适用性。改进后的方法弥补了传统二手车成新率计算方法笼统、主观随意性等问题,有利于进一步拓展和深化我国的二手车评估理论,为今后的评估理论和实践提供一个新的思考方向。
杨雨欣[3]（2021）在《基于粗糙集理论的文化企业并购价值评估研究》文中提出中国经济从高速增长阶段进入“新常态”,激烈的外部竞争驱使着企业积极寻求并购机会来获取新的技术、扩大市场份额以稳固自身发展。然而,企业并购热潮所产生的巨额商誉却成为我国目前面临的一大金融风险。由于企业并购价值评估实务中广泛使用“割差”的方法来计量商誉,因此巨额商誉的形成和企业价值评估结果偏高具有直接关系。而文化企业由于存在着许多异于传统企业的特点,传统评估方法在文化企业并购价值评估的运用中存在着种种不足,导致企业价值被高估的现象更为严重,顺理成章地成为这次商誉暴雷的重灾区。因此,积极探索和发展更为科学、合理的文化企业并购价值评估方法具有重大的理论和现实意义。本文对文化企业并购价值评估方法进行了研究和创新,具体内容主要包括:第一,梳理国内外研究企业价值评估方法、文化企业价值影响因素、企业价值评估指标体系的经典文献;第二,刻画文化企业的特点,阐述文化企业并购价值评估的现状;第三,介绍传统企业价值评估方法并就其在文化类企业并购价值评估中的适用性进行分析,然后介绍了企业价值评估指标体系在企业价值评估中的基础作用以及用于指标体系构建的粗糙集理论;第四,提出基于粗糙集理论的文化企业并购价值评估模型的评估思路和具体步骤;第五,以天神娱乐收购幻想悦游公司为案例,给出了本文所构建的基于粗糙集理论的文化企业并购价值评估模型的具体应用过程,并对评估结果的合理性做出了分析和证明,论证了该评估模型用于文化类企业并购价值评估的合理性和可行性。本文的创新之处在于,首先通过引入机器学习领域中的粗糙集理论构建了科学、高效、最简的企业价值评估指标体系,并计算出了指标的客观权重,使得企业价值评估指标体系的可靠性得到上升,同时应用难度得以下降,为企业价值指标体系在企业价值评估模型中的应用打下基础。其次,构建了一个使用约简后的企业价值指标体系对传统企业价值评估方法进行改进的文化企业并购价值评估模型,模型通过约简后的企业价值指标体系及客观权重对标的企业进行综合评分,由于综合评分中所包含的传统收益法中缺失的信息对企业是否能维持历史财务表现、达到预期收益具有不可忽视的影响,故以此来确定收益法评估结果的可完成程度,进而确定企业价值在由资产基础法和收益法组成的价值区间内的最可能值。应用研究结果显示,基于粗糙集理论的文化企业并购价值评估模型能够在一定程度上提高文化企业并购价值评估结果的合理性、准确性,具有一定的理论意义和现实意义。
张海娣[4]（2021）在《结构化相容粗糙集模型的研究》文中提出粗糙集理论是处理不完备信息、不精确数据的一种数学理论方法,与其它（如模糊集理论、概率论等）处理数据的方法相比,粗糙集主要是用一对上、下近似集来表示给定的概念。近年来,该理论方法已经广泛应用于数据挖掘、机器学习、模式识别、决策分析、图像处理、数据分析等众多科学领域。经典粗糙集理论是在不可分辨关系基础上建立的,这种关系满足自反性、对称性、传递性,其本质是等价关系。这种关系对于许多实际问题来说,要求过于苛刻,对数据的精度要求也非常的高,而且在最后的分类中也不能保留结构信息。本文针对保留结构信息这一问题,用相容关系代替等价关系,提出几种结构化相容粗糙集。本文主要研究内容包括:（1）对几种粗糙集模型以及对粗糙集的结构化理论基础和发展现状进行论述。（2）提出新的粗糙集模型:结构化变精度粗糙集和结构化变精度概率粗糙集,分别给出结构化变精度粗糙集和结构化变精度概率粗糙集上、下近似的定义,并且给出结构化变精度粗糙集和结构化变精度概率粗糙集的相关性质,增强数据分类的能力,上述模型是结构化粗糙集模型在不完备信息系统中的一种推广。（3）在不完备的信息系统中,结合粗糙集的结构化理论,用相容关系代替等价关系,提出结构化容差粗糙集、结构化概率相容粗糙集、结构化变精度相容粗糙集,通过研究这些模型的上、下近似的定义,并给出结构化容差粗糙集、结构化概率相容粗糙集、结构化变精度相容粗糙集的相关性质,最后通过实例分析这些结构化粗糙集的优越性,使其更好的在不完备信息系统中发挥作用。
陈海兰[5]（2021）在《面向聚类及预测的时间序列信息粒化方法研究》文中研究指明随着信息技术的发展,经济管理领域中产生并存储着大量的时间序列数据,运用数据挖掘算法可以挖掘出数据中潜在的、有价值的知识和信息以支持管理和决策活动。但这些时间序列数据通常都具有显着的高维性特征,若对其直接运用数据挖掘算法,会造成过高的计算复杂度,且数据挖掘结果也会受到影响。粒计算是一种模拟人类求解问题思维和解决大数据复杂任务的新方法,该理论的主要思想是将复杂问题抽象、划分转化为若干较为简单的问题（即粒化）,从而有助于更好的分析和解决问题。本文将粒计算的粒化思想引入时间序列分析中,通过对时间序列进行信息粒化,将原始高维时间序列粒化为低维粒时间序列,构造的信息粒能够刻画和反映原始时间序列数据的结构特征,从而实现高效降维,为后续的数据挖掘工作奠定基础。本文针对时间序列的信息粒化问题,从时间轴和论域两个方面提出了三种不同的时间序列信息粒化方法:基于波动点的时间序列时间轴信息粒化方法、基于云模型的时间序列时间轴信息粒化方法和基于论域信息粒化的模糊时间序列预测方法,并应用于股票时间序列数据进行聚类和预测分析,为股票的投资选股问题及涨跌趋势的判断问题提供决策建议。主要研究内容和创新性研究成果如下:（1）在时间序列的时间轴方面,针对低频时间序列的结构特征,提出了基于波动点的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于波动点的时间序列信息粒化方法,通过识别波动点对原始时间序列进行信息粒划分,进而使用线性函数对划分后的信息粒进行描述得到粒时间序列,解决了传统时间序列降维方法中对于时间轴的硬划分问题,在降维的同时能更有效地提取时间序列的结构特征。其次,针对粒时间序列提出了相应的相似性度量方法。最后,在标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在科创板股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在科创板股票市场选股时提供参考。（2）在时间序列的时间轴方面,针对高频时间序列的结构特征,提出了基于云模型的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于云模型的时间序列信息粒化方法,在不需要事先指定信息粒划分个数的情况下,可以自适应地将时间序列粒化表示为若干个正态云,该方法针对高频时间序列具有更好的降维效果。其次,针对粒化后的云模型序列提出了相应的相似性度量方法。最后,在具有高频特征的标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在具有高频震荡特征的沪深A股股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在A股市场上选股投资时提供参考。（3）在时间序列的论域方面,提出了基于模糊C均值聚类和信息粒化的时间序列论域划分方法,并基于论域划分结果提出了时间序列预测方法。首先,运用模糊C均值聚类方法对时间序列的论域进行初始划分,然后提出了基于信息粒化的论域划分优化算法,该方法将聚类算法和信息粒化方法相结合来划分论域,提高了样本数据划分的准确性和可解释性。其次,针对时间序列信息粒化后的论域划分结果,给出了时间序列的模糊预测方法,该方法将精确的时间序列数据转化为符合人类认知形态的语义值构成的时间序列,通过对这些语义值构建模糊逻辑关系来描述时间序列的动态演变过程,得到其模糊变化规则并进行预测,提高了预测结果的可理解性。最后,在台湾加权股价指数（TAIEX）数据集上进行了预测实验,实验结果表明运用所提出的时间序列信息粒化方法进行时间序列预测能够提高预测结果的准确性;并在上海证券综合指数（SHCI）数据集上进行了算法的实际应用研究,研究结果可以帮助投资者了解未来股票市场的走向,为其调整投资策略时提供参考。
沙首伟[6]（2021）在《建筑企业国际化人才管理理论与应用研究 ——基于中国高铁“走出去”视角》文中提出中国高铁在“走出去”过程中,发展势头良好,特别是在“一带一路”倡议的推动下,迅猛发展必将继续保持。对中国高铁“走出去”而言,人才资源是第一资源,人才是最根本的支撑和保障。基于对建筑企业高铁“走出去”发展现状、人员构成、管理方式等的系统分析,本文选择对拓展国际市场至关重要的人才管理作为研究重点,旨在通过优化建筑企业国际市场人才管理策略进而提升国际市场竞争力。具体而言,主要以“能力素质”和“知识管理”为主线,重点研究了国际市场项目人才所需的关键能力素质、不同层级能力素质的重要性,国际化人才知识管理水平及其影响因素,人才能力和知识之间的联动关系,以及基于能力素质及知识管理的人力管理策略。融合能力素质理论及知识管理理论进一步完善建筑企业国际市场人才的人才战略规划、人才招聘与配置、人才培训与开发、绩效管理、薪酬与福利管理及员工关系管理等人才管理的6个模块关键内容,丰富现有的建筑企业人才管理理论与应用,以期为身处激烈国际市场竞争环境的中国建筑企业在人才支撑方面提供准确分析、科学支持和实战参考。能力素质是个人所具备的潜在的、不明显的、深层次的特征,可以有效区分绩效出色者与绩效一般者的个体特征。为深入分析中国建筑企业国际市场人才的能力素质,本文对多家建筑企业中海外项目绩效优秀的员工和绩效一般的员工进行了关键行为事件访谈,通过编制行为量表、问卷调查、统计检验和分析,建立了包括自我指向能力维、元能力维、他人指向能力维三个维度的海外人才能力素质模型,对不同岗位级别能力素质的重要性进行了差异分析与检验。为更好的适应复杂多变的海外竞争环境,国际化人才除了具备对应的能力素质外,还应有效地获取新知识、灵活地运用知识,实现知识创新。本文结合海外市场特点,构建了中国高铁“走出去”海外人才的知识管理水平及知识是管理水平影响因素的假设模型,并提出知识管理水平与各影响因素间的关联关系。同时运用结构方程模型检验各假设的合理性,并结合模型验证的结果提出基于知识管理水平框架、知识管理个人影响因素、组织影响因素及社会环境影响因素的国际化人才的知识管理水平提升方案。为高铁“走出去”国际化人才能力素质持续提升策略提供有效的理论支撑和实践方案。个人能力素质和知识水平相互关联、互为依托。仅仅提高个人能力亦或提高个人知识都不会是最佳方式。因此,本文采用粗糙集理论探究了能力和知识之间的联动关系,并进行了决策应用分析。通过以能力素质模型24项能力元素作为条件属性,知识结构3个维度指标作为决策属性构建决策表,运用遗传算法融合粗糙集算法对条件属性进行约简,得到可以较好预测个人知识水平的7项能力,在此基础上对知识和能力进行依赖度分析并对决策应用可能性进行了探索研究。为促使能力和知识的联动关系更具有可操作性,充分发挥理论研究对海外人才管理工作的支撑作用。本文基于能力视角和知识管理视角分别基于人才管理6大模块提出高铁“走出去”海外项目人才管理优化建议。能力素质模型从员工关键行为能力出发,将绩效优秀员工关键行为能力转化为岗位能力要求,可以作为人力资源部门“选、用、育、留”的参考依据。知识管理本质上是在现有人力资源管理基础上充分考虑人是知识的产生源泉和关键载体的属性,同时考虑知识型员工相对普通员工而言的特有属性,以充分发挥知识型员工的价值,并为组织内员工能力素质的提升提供管理手段的支持。从能力素质和知识管理的角度出发,为海外人才管理提供了一条创新性思路。
黄晓玲[7]（2020）在《面向社交网络的标签提取方法的研究》文中研究说明随着社交网络平台的迅速普及,社交网络数据也随之日益增多并造成信息处理越发困难。标签作为一种快速从大数据中获取人们感兴趣内容的解决方案,可以为信息检索、个性化信息推荐等领域的研究提供应用基础。因此,从社交网络数据中提取高质量的标签具有重要的研究意义。针对传统的标签提取方法没有深入考虑社交网络数据本身所具有的网络结构等特征对标签提取的影响,本文基于社交网络结构对利用文本或内容信息进行标签提取具有的有益补充作用,从三个方面提出考虑社交网络数据特征的标签提取方法:面向文本数据和网络结构的标签提取,基于社交网络海量数据和持续性特征的用户兴趣标签提取,以及基于大规模社交网络数据动态性特征的社交网络用户实时兴趣标签提取。论文主要开展了以下工作:（1）针对社交网络数据中因信息使用不充分从而限制标签提取精度的问题,提出一种基于重叠标签加强的社交网络用户兴趣标签提取方法UNITE（UserNetworked Interest Topic Extraction）。该方法通过联合社交网络中文本内容和社交网络结构信息,利用社交邻居标签与用户标签之间的重叠机制来提升社交网络用户标签提取精度。此外,将UNITE方法扩展应用于社交网络特例——科研合作网,并基于该方法设计了一种利用大型语料库中的高频词对来提升科学文献关键词提取的方法UNITE＿COKE（UNITE based phrase-Co-Occurrence-enhanced Keyphrase Extraction）。实验表明,利用社交网络文本内容信息和社交网络结构共同提取标签的方法,对提升标签提取质量具有普适与示范意义。（2）传统社交网络用户兴趣标签提取时,没有考虑大规模社交网络结构难以处理和社交网络数据持续到来问题,提出将大规模社交网络结构转化成“子图流”数据结构,并在该结构下提取用户兴趣标签的算法UNITE＿SS（UserNetworked Interest Topic Extraction in the form of Subgraph Stream）。实验表明,UNITE＿SS算法在保证社交网络用户兴趣标签提取精度下,还减少了计算开销。同时,证明了“子图流”数据结构不仅能用于提取社交网络用户兴趣标签,还能为资源受限情况下大规模图计算问题提供可行的解决方案。（3）针对大规模社交网络动态性特征而导致提取出的兴趣标签缺乏实时性问题。基于前期研究工作中“子图流”数据结构,提出“即来即处理”的方法以保证提取用户兴趣标签的实时性。然后,结合粗糙集上下近似理论和所设计的用户时序性特征,提出基于子图流的大规模社交网络用户兴趣标签提取方法RS＿UNITE＿SS（Rough Set based User-Networked Interest Topic Extraction in the form of Subgraph Stream）。在两个真实数据集上进行的大量实验验证了RS＿UNITE＿SS方法在兴趣标签提取的准确性和效率上达到了一定的平衡。
秦萍[8]（2021）在《基于博弈粗糙集的三支聚类算法研究及应用》文中提出博弈粗糙集（Game-theoretic rough set,GTRS）是近几年出现的一种对抗模型,正处于发展初期。它通过考虑博弈论背景下不同标准之间的权衡确定概率阈值。GTRS的重要性在于它能够通过实现聚类中一个或多个评价指标的优化来自动学习阈值参数,用于诱导聚类规则。对GTRS以及三支聚类算法进行深入研究,提出了一种基于博弈粗糙集的三支聚类算法（GTRS-TWC）。通过实验和分析,验证了GTRS-TWC算法具有较好的聚类性能。在此基础上,设计了一个出租车轨迹查询系统,更好地展现了算法GTRS-TWC的通用性。本文主要研究内容包括:（1）提出一种基于博弈粗糙集理论的三支聚类算法。博弈粗糙集方法的总体目标是基于两个属性之间的折中和平衡,确定用于划分三支聚类的合适阈值,从而提高聚类的效果。将博弈粗糙集方法与三支聚类算法相结合,在聚类的准确性和通用性两个重要属性之间制定了博弈,可以用来解决聚类过程中准确率不高以及算法的通用性差等问题。（2）实现算法GTRS-TWC的应用。针对传统的经验假设阈值聚类效果不佳的问题,通过博弈粗糙集方法自动确定最优阈值对从而对三支聚类算法进行改进。将提出的算法应用到出租车轨迹查询系统中,通过具体数据的分析与算法实现,为公共交通规划提供数据支持进而方便人们出行。
谭永奇[9]（2020）在《属性约简与加权方法的研究及其应用》文中提出现如今,随着海量数据的指数级增长,数据挖掘作为处理海量数据的技术,有着广泛的应用前景。在海量数据挖掘中,属性约简方法的研究是研究者们关注的热点话题,如何有效的且最大限度的从高维数据中筛选出重要属性,是进行数据分析的重中之重。在进行决策分析过程中,属性加权方法的研究也是不可避免的环节,如何合理的分配属性权重对最终决策的重要性大小,是提高决策准确性和水平的关键。本文着重研究属性约简算法和属性加权算法,分别对已有的不同算法进行改进,并将其应用于肝癌微血管侵犯的预测中。一是针对基于邻域粗糙集的属性约简算法中未考虑相关属性之间的相互影响问题,提出了一种基于卡方检验的邻域粗糙集属性约简算法。首先利用卡方检验方法计算各个属性间的相关性的大小,在属性约简时考虑相关属性之间的影响,即计算单个属性和其相关属性的重要度之和,使得筛选结果更加准确和有效。实验表明该算法表现出了较好的效果。二是针对基于层次分析法的属性加权算法在构造判断矩阵时过于主观的问题,提出了一种主客观相结合的属性加权算法。首先利用皮尔逊相关系数计算两两属性间的系数大小,然后根据系数大小构造出成对比较矩阵,计算属性的权重值,再与熵权客观分析法求出的权重值组合得到最终的属性权重值。相对于完全主观的矩阵构造,该方法在一定程度上避免不确定性,既能体现出主观的经验知识判断,又能挖掘出客观数据的潜在价值。将本文提出的属性约简算法和属性加权算法应用于肝癌微血管侵犯的预测中,首先利用本文提出的属性约简算法对肝癌微血管侵犯数据降维处理,然后用本文提出的属性加权算法计算降维后的各个属性的权重值,最后将其与梯度提升树分类模型进行结合,构造肝癌微血管侵犯预测模型。从预测模型的准确性、灵敏性、特异性和受试者操作曲线结果来看,本文提出的算法与分类模型的结合效果较好,各方面指标都达到了较优的效果。
林芷欣[10]（2020）在《基于邻域粗糙集的属性约简算法研究及应用》文中提出粗糙集理论是一种数据信息的处理工具,能帮助我们从海量数据中高效的挖掘、获取出我们所需要的信息,在许多领域都得到广泛应用。但是经典的粗糙集理论模型只适合处理离散型数据,而在用其处理连续型数据时,需要先对数据离散化,这样容易导致某些数据信息的丢失。为此邻域粗糙集模型通过引入了邻域粒化和度量空间的概念,将粗糙集理论的等价关系转化为邻域空间上对信息粒子的覆盖关系,可直接处理连续型数据,避免了原粗糙集处理连续属性带来的信息丢失问题,扩大模型的适用范围。同时,由于邻域粗糙集模型引入了邻域粒化的计算,导致整体算法效率下降。本文主要是在现有邻域粗糙集属性约简模型的基础上,针对发现的问题,对其进行改进,并通过实验加以验证。另外,本文将改进的算法应用到改进的C4.5决策树分类器模型中,对其进行深入研究。本文主要工作如下:（1）对现有邻域粗糙集属性约简算法进行分析,针对现有算法中通过依赖度函数判断属性重要度来进行属性约简时,存在重复冗余计算,导致算法复杂度高、计算量大。本文重新定义了属性重要度的求解方法,降低了算法计算的复杂性。同时,为了减少属性间的相关性对最终结果的影响,引入相关系数的有关知识,进一步筛检属性。最终提出一种适用于二分类问题的属性约简算法。通过与其他算法的实验对比,验证了本文算法可降低属性约简的复杂度,提高运行效率。（2）现实中除了二分类问题,还有许多多分类问题。为了克服上述算法的局限性,本文结合Relief算法,提出适用于多分类情况下的属性重要度加权函数,并将其应用到邻域粗糙集属性约简的模型当中。最终提出基于Relief算法的邻域粗糙集快速属性约简算法。并通过实验验证算法是有效可行的。（3）分析了C4.5决策树分类算法,对其中存在的问题进行相应改进。将本文改进的属性重要度算法作为C4.5算法中分裂节点的选择标准,同时基于Fayyad的边界点判定定理,优化连续属性分割阈值的选择方法,减少阈值选择时对数据集的遍历次数,构建出一种同时适用于离散型和连续型数据的分类器模型,并通过实验证明了该模型对提高决策树分类精度和决策树生成效率是有效的。
二、粗糙集理论介绍和研究综述（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、粗糙集理论介绍和研究综述（论文提纲范文）
（1）基于增量式学习与集成学习的入侵检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 决策树研究现状 |
| 1.2.2 集成学习研究现状 |
| 1.2.3 入侵检测研究现状 |
| 1.2.4 基于粗糙集的决策树方法研究现状 |
| 1.3 本文的主要贡献 |
| 1.4 本文的组织结构 |
| 2 相关理论概述 |
| 2.1 入侵检测概述 |
| 2.1.1 入侵检测的基本概念 |
| 2.1.2 入侵检测系统的分类 |
| 2.1.3 常用的入侵检测方法 |
| 2.2 集成学习概述 |
| 2.2.1 集成学习的概念与特点 |
| 2.2.2 常用的集成学习算法 |
| 2.3 决策树概述 |
| 2.3.1 决策树的基本概念 |
| 2.3.2 常用的决策树算法 |
| 2.3.3 增量式决策树算法 |
| 2.4 粗糙集理论概述 |
| 2.4.1 粗糙集的基本概念 |
| 2.4.2 粗糙集理论中定义的信息熵模型 |
| 2.5 本章小结 |
| 3 基于粒度决策熵的决策树算法及其在入侵检测中的应用 |
| 3.1 引言 |
| 3.2 相关概念 |
| 3.3 基于粒度决策熵的决策树算法DTGDE |
| 3.3.1 DTGDE算法流程 |
| 3.3.2 DTGDE算法复杂度分析 |
| 3.3.3 DTGDE算法在入侵检测中的应用 |
| 3.4 实验以及结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 实验步骤 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于粒度决策熵的增量式决策树算法及其在入侵检测中的应用 |
| 4.1 引言 |
| 4.2 相关概念 |
| 4.3 基于粒度决策熵的增量式决策树算法IDTGDE |
| 4.3.1 IDTGDE算法流程 |
| 4.3.2 IDTGDE增量规则的修正策略 |
| 4.3.3 IDTGDE算法复杂度分析 |
| 4.3.4 IDTGDE算法在入侵检测中的应用 |
| 4.4 实验以及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验步骤 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 5 基于粒度决策熵的决策森林算法及其在入侵检测中的应用 |
| 5.1 引言 |
| 5.2 随机森林算法概述 |
| 5.3 基于粒度决策熵的决策森林算法 |
| 5.4 DFGDE算法在入侵检测中的应用 |
| 5.5 实验及结果分析 |
| 5.5.1 实验数据 |
| 5.5.2 实验步骤 |
| 5.5.3 入侵检测结果及分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
（2）基于粗糙集理论的二手车成新率计算方法之改进及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 二手车评估及成新率研究综述 |
| 1.2.1 关于二手车评估的研究综述 |
| 1.2.2 二手车成新率测算的研究综述 |
| 1.2.3 关于粗糙集理论的研究综述 |
| 1.2.4 文献述评 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 技术路线及主要工作 |
| 1.4.1 技术路线 |
| 1.4.2 本文的主要工作 |
| 2 二手车成新率计算及价值评估的理论基础 |
| 2.1 二手车价值评估的基本假设 |
| 2.1.1 继续使用假设 |
| 2.1.2 公开市场假设 |
| 2.1.3 清算假设 |
| 2.2 二手车评估基本方法 |
| 2.2.1 收益现值法 |
| 2.2.2 现行市价法 |
| 2.2.3 重置成本法 |
| 2.2.4 清算价格法 |
| 2.3 本文二手车评估方法的选择 |
| 2.4 二手车成新率的计算方法 |
| 2.4.1 使用年限法 |
| 2.4.2 行驶里程法 |
| 2.4.3 技术鉴定法 |
| 2.4.4 综合成新率法 |
| 2.4.5 现有成新率算法的不足 |
| 3 粗糙集理论概述 |
| 3.1 粗糙集理论基础 |
| 3.1.1 信息系统 |
| 3.1.2 等价关系 |
| 3.1.3 上下近似集 |
| 3.1.4 知识的约简 |
| 3.1.5 属性重要度 |
| 3.2 粗糙集理论应用于二手车成新率计算的优势 |
| 4 基于粗糙集理论的二手车成新率计算及改进 |
| 4.1 应用粗糙集计算二手车成新率的基本思路 |
| 4.2 二手车成新率影响因素的遴选及指标体系构建 |
| 4.2.1 基础因素(B_1) |
| 4.2.2 性能因素(B_2) |
| 4.2.3 车况因素(B_3) |
| 4.2.4 市场因素(B_4) |
| 4.3 基于粗糙集的二手车成新率指标集的约简处理 |
| 4.3.1 成新率评价信息表的设定 |
| 4.3.2 数据的离散化处理 |
| 4.3.3 指标集的约简 |
| 4.4 基于粗糙集的二手车成新率权重的确定 |
| 4.4.1 指标权重确定方法的概述 |
| 4.4.2 基于粗糙集的指标权重计算 |
| 4.5 基于粗糙集的二手车成新率的计算 |
| 4.5.1 二手车基础成新率的计算 |
| 4.5.2 二手车综合调整系数的确定 |
| 4.5.3 二手车综合成新率的计算 |
| 4.6 应用粗糙集对二手车成新率计算的改进 |
| 5 基于粗糙集的二手车成新率算法的案例分析 |
| 5.1 二手车基本信息 |
| 5.2 案例二手车基础成新率的计算 |
| 5.2.1 基础成新率的基础指标B_1的计算 |
| 5.2.2 基础成新率的性能指标B_2的计算 |
| 5.2.3 基础成新率的车况指标B_3的计算 |
| 5.2.4 基础成新率的市场指标B_4的计算 |
| 5.3 案例二手车综合调整系数K的确定 |
| 5.4 案例二手车综合成新率的计算及对比分析 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（3）基于粗糙集理论的文化企业并购价值评估研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 本文研究创新点 |
| 2 文献综述 |
| 2.1 企业并购价值评估方法研究 |
| 2.2 企业价值评估指标研究 |
| 2.3 文化企业价值评估研究 |
| 3 文化企业并购价值评估的现状与问题 |
| 3.1 文化企业的界定和特点 |
| 3.1.1 文化企业的界定 |
| 3.1.2 文化企业的特点 |
| 3.2 文化行业现状分析 |
| 3.3 文化行业并购情况 |
| 3.3.1 文化行业并购现状 |
| 3.3.2 文化企业并购原因分析 |
| 3.4 文化企业并购价值评估现状和问题 |
| 3.4.1 文化企业并购价值评估方法使用情况 |
| 3.4.2 文化企业并购价值评估存在的问题 |
| 4 文化企业并购价值评估方法分析 |
| 4.1 传统企业价值评估方法及其适用性 |
| 4.1.1 收益法 |
| 4.1.2 市场法 |
| 4.1.3 资产基础法 |
| 4.1.4 适用性分析 |
| 4.2 引入企业价值评估指标体系的依据及相关理论 |
| 4.2.1 引入企业价值评估指标体系的依据 |
| 4.2.2 企业价值评估指标体系相关理论 |
| 4.3 引入粗糙集理论的主要依据及其算法 |
| 4.3.1 引入粗糙集理论的主要依据 |
| 4.3.2 基于熵理论、互信息的粗糙集属性约简算法——MIBARK算法 |
| 4.3.3 基于粗糙集的属性权重确定方法 |
| 5 基于粗糙集理论的文化企业并购价值评估模型构建 |
| 5.1 价格区间的估计 |
| 5.2 确定企业价值综合评分 |
| 5.2.1 构建初始文化企业价值评估指标体系 |
| 5.2.2 运用MIBARK算法简化文化企业价值评估指标体系 |
| 5.2.3 简化后文化企业价值评估指标体系的预测能力 |
| 5.2.4 确定被评估企业价值综合评分 |
| 5.3 确定企业价值评估值 |
| 5.4 模型流程图 |
| 6 文化企业并购价值评估模型的应用研究——以幻想悦游为例 |
| 6.1 案例背景 |
| 6.2 被评估企业介绍 |
| 6.2.1 公司简介 |
| 6.2.2 公司发展历程 |
| 6.2.3 公司内部状况分析 |
| 6.2.4 公司主营业务分析 |
| 6.3 模型应用 |
| 6.3.1 价格区间的估计 |
| 6.3.2 确定企业价值综合评分 |
| 6.3.3 基于粗糙集理论的文化企业并购价值评估模型下的估值结果 |
| 6.3.4 评估结果合理性分析 |
| 7 研究与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（4）结构化相容粗糙集模型的研究（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 论文的主要研究内容 |
| 第二章 粗糙集概述 |
| 2.1 经典粗糙集模型 |
| 2.2 概率粗糙集模型 |
| 2.3 变精度粗糙集模型 |
| 2.4 变精度概率粗糙集模型 |
| 2.5 相容粗糙集模型 |
| 2.6 概率相容粗糙集模型 |
| 2.7 变精度相容粗糙集模型 |
| 2.8 本章小结 |
| 第三章 结构化粗糙集 |
| 3.1 粗糙集的结构化理论 |
| 3.2 结构化概率粗糙集 |
| 3.2.1 结构化概率粗糙集理论基础 |
| 3.2.2 近似精度与粗糙度 |
| 3.2.3 实例分析 |
| 3.3 结构化变精度粗糙集 |
| 3.3.1 结构化变精度粗糙集理论基础 |
| 3.3.2 近似精度与粗糙度 |
| 3.3.3 实例分析 |
| 3.4 结构化变精度概率粗糙集 |
| 3.4.1 结构化变精度概率粗糙集理论基础 |
| 3.4.2 近似精度与粗糙度 |
| 3.4.3 实例分析 |
| 3.5 本章小结 |
| 第四章 结构化相容粗糙集 |
| 4.1 结构化容差粗糙集 |
| 4.1.1 容差粗糙集的结构化近似理论基础 |
| 4.1.2 实例分析 |
| 4.1.3 近似精度与粗糙度 |
| 4.2 结构化概率相容粗糙集 |
| 4.2.1 概率相容粗糙集的结构化理论基础 |
| 4.2.2 近似精度与粗糙度 |
| 4.2.3 实例分析 |
| 4.3 结构化变精度相容粗糙集 |
| 4.3.1 变精度相容粗糙集的结构化理论基础 |
| 4.3.2 实例分析 |
| 4.3.3 近似精度与粗糙度 |
| 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 |
| 致谢 |
| 个人简历 |
（5）面向聚类及预测的时间序列信息粒化方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 论文框架与研究内容 |
| 1.4 研究创新点 |
| 2 理论基础与文献综述 |
| 2.1 时间序列分析 |
| 2.1.1 时间序列及其结构特征 |
| 2.1.2 时间序列的降维表示方法 |
| 2.1.3 时间序列的相似性度量方法 |
| 2.1.4 时间序列的数据挖掘任务 |
| 2.2 粒计算 |
| 2.2.1 粒计算的基本组成 |
| 2.2.2 粒计算的基本问题 |
| 2.2.3 粒计算的理论模型 |
| 2.3 时间序列信息粒化 |
| 2.3.1 时间序列信息粒化的时间轴信息粒化方法 |
| 2.3.2 时间序列信息粒化的论域信息粒化方法 |
| 2.3.3 已有研究的不足 |
| 2.4 本章小结 |
| 3 基于波动点的时间序列时间轴信息粒化方法 |
| 3.1 本章研究思路 |
| 3.2 基于波动点的时间序列信息粒化 |
| 3.2.1 信息粒划分方法 |
| 3.2.2 信息粒描述方法 |
| 3.3 基于线性信息粒化的时间序列相似性度量 |
| 3.3.1 线性信息粒匹配 |
| 3.3.2 线性信息粒的相似性度量 |
| 3.4 实验及结果分析 |
| 3.4.1 UCR标准数据集实验 |
| 3.4.2 科创板股票数据集实验 |
| 3.5 本章小结 |
| 4 基于云模型的时间序列时间轴信息粒化方法 |
| 4.1 本章研究思路 |
| 4.2 基于云模型的时间序列信息粒化 |
| 4.2.1 云模型理论 |
| 4.2.2 基于云模型的自适应信息粒化算法 |
| 4.3 基于云模型信息粒化的时间序列相似性度量 |
| 4.3.1 云模型匹配 |
| 4.3.2 基于期望曲线的云模型相似性度量 |
| 4.4 实验及结果分析 |
| 4.4.1 UCR标准数据集实验 |
| 4.4.2 沪深A股股票数据集实验 |
| 4.5 本章小结 |
| 5 基于论域信息粒化的模糊时间序列预测方法 |
| 5.1 本章研究思路 |
| 5.2 基于模糊C均值聚类和信息粒化的时间序列论域划分 |
| 5.2.1 基于模糊C均值聚类的时间序列论域初始划分 |
| 5.2.2 基于模糊信息粒化的时间序列论域划分优化算法 |
| 5.3 基于论域信息粒化的时间序列预测 |
| 5.3.1 模糊时间序列 |
| 5.3.2 基于模糊逻辑关系的时间序列预测方法 |
| 5.4 实验及结果分析 |
| 5.4.1 台湾加权股价指数(TAIEX)数据集实验 |
| 5.4.2 上海证券综合指数(SHCI)数据集实验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）建筑企业国际化人才管理理论与应用研究 ——基于中国高铁“走出去”视角（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 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 国内外人才管理研究现状 |
| 1.2.1 人才管理研究发展概况 |
| 1.2.2 人才管理与能力素质研究发展 |
| 1.2.3 能力素质模型在建筑企业的人才管理研究综述 |
| 1.2.4 人才管理与知识管理研究述评 |
| 1.2.5 知识管理在建筑企业的人才管理述评 |
| 1.3 研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要内容 |
| 1.3.3 研究方法 |
| 1.4 研究路线 |
| 1.5 本文创新点 |
| 1.6 本章小结 |
| 2 研究相关理论基础 |
| 2.1 能力视角下的人才管理 |
| 2.1.1 智力与能力素质 |
| 2.1.2 能力研究的学派 |
| 2.1.3 能力结构 |
| 2.1.4 能力识别——关键行为事件访谈 |
| 2.2 知识管理及基于知识管理视角的人才管理 |
| 2.2.1 知识管理相关理论 |
| 2.2.2 知识视角下的人力资源管理 |
| 2.3 研究中运用的其他理论方法 |
| 2.3.1 粗糙集理论 |
| 2.3.2 遗传算法 |
| 2.3.3 灰色关联分析 |
| 2.3.4 结构方程模型 |
| 2.4 本章小结 |
| 3 中国高铁“走出去”及其人才建设发展现状与特点 |
| 3.1 中国高铁“走出去”发展现状 |
| 3.2 中国高铁“走出去”国际化人才需求现状 |
| 3.3 中国高铁“走出去”国际化人才培养现状 |
| 3.4 疫情防控常态化背景下中国高铁“走出去”的人才培养需求 |
| 3.5 本章小结 |
| 4 高铁“走出去”国际化人才能力模型构建与分析 |
| 4.1 研究思路 |
| 4.2 关键行为事件访谈 |
| 4.3 因素分析 |
| 4.4 不同岗位级别能力素质重要性的差异 |
| 4.4.1 元能力 |
| 4.4.2 自我指向行为能力 |
| 4.4.3 他人指向行为能力 |
| 4.5 能力元素重要性显着性差异检验 |
| 4.5.1 研究思路 |
| 4.5.2 能力素质重要性检验 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 5 高铁“走出去”国际化人才知识管理模型研究 |
| 5.1 假设及模型提出 |
| 5.1.1 个人知识管理水平架构及相关假设 |
| 5.1.2 个人知识管理影响因素 |
| 5.2 模型与假设的验证分析 |
| 5.2.1 数据收集及样本描述 |
| 5.2.2 量表信效度检验 |
| 5.2.3 模型验证 |
| 5.3 研究结果分析及建议 |
| 5.3.1 研究结果和假设分析 |
| 5.3.2 基于个人知识管理水平影响因素的保障措施 |
| 5.4 本章小结 |
| 6 基于粗糙-遗传算法的国际化人才能力与知识关系研究 |
| 6.1 基于粗糙集的能力素质与知识结构决策表构建 |
| 6.1.1 国际化人才的能力素质和知识结构的知识表达 |
| 6.1.2 国际化人才的能力素质和知识结构决策表 |
| 6.2 基于遗传算法的国际化人才能力素质属性约简 |
| 6.2.1 国际化人才的能力素质属性约简步骤 |
| 6.2.2 国际化人才的能力素质属性约简结果 |
| 6.3 有效性分析 |
| 6.4 决策应用 |
| 6.5 本章小结 |
| 7 基于能力-知识管理视角下的高铁“走出去”国际化人才管理策略分析 |
| 7.1 人才管理规划 |
| 7.2 人才招聘与配置 |
| 7.3 人才培训与开发 |
| 7.4 人才绩效管理 |
| 7.5 人才激励管理 |
| 7.5.1 薪酬与福利管理 |
| 7.5.2 员工关系管理 |
| 7.6 本章小结 |
| 8 结论及展望 |
| 参考文献 |
| 附件A 行为事件访谈提纲 |
| 附件B 国际市场人才能力特征调查问卷 |
| 附件C 国际市场人才能力特征重要性调查问卷 |
| 附录D 建筑施工海外项目人才知识管理调查问卷 |
| 附录E 能力知识决策表原始数据表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）面向社交网络的标签提取方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题来源与主要研究内容 |
| 1.2.1 课题来源 |
| 1.2.2 主要研究内容 |
| 1.3 论文的组织结构 |
| 1.4 小结 |
| 第二章 研究综述 |
| 2.1 基于社交网络的标签提取 |
| 2.1.1 面向文本内容的兴趣标签提取 |
| 2.1.2 基于社交网络结构的兴趣标签提取 |
| 2.1.3 基于社交网络海量数据特征的用户兴趣标签提取 |
| 2.1.4 基于社交网络动态性特征的用户兴趣标签提取 |
| 2.1.5 基于科研合作网的关键词提取 |
| 2.2 子图流相关研究 |
| 2.2.1 图分割 |
| 2.2.2 社区划分 |
| 2.3 小结 |
| 第三章 面向文本内容和网络结构的标签提取方法的研究 |
| 3.1 引言 |
| 3.2 社交网络用户兴趣标签提取方法UNITE |
| 3.2.1 候选兴趣标签生成 |
| 3.2.2 邻居社交网络构建 |
| 3.2.3 兴趣主题标签排名算法 |
| 3.3 UNITE在科研合作网中应用方法 |
| 3.3.1 UNITE应用于科研合作网中的实施方法 |
| 3.3.2 基于高频词对的关键词提取方法UNITE_COKE |
| 3.4 基于文本内容和邻居网络提取网络数据标签实验 |
| 3.4.1 UNITE方法在新浪微博中实验验证 |
| 3.4.2 UNITE和 UNITE_COKE方法在科研合作网中实验验证 |
| 3.5 小结 |
| 第四章 基于子图流的大规模社交网络用户兴趣标签提取方法的研究 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 基于子图流的用户兴趣标签提取算法UNITE_SS |
| 4.3.1 UNITE_SS算法 |
| 4.3.2 基于社交网络特征的子图流构造策略 |
| 4.3.3 基于子图的用户兴趣标签提取 |
| 4.4 大规模社交网络信息下的兴趣标签提取实验 |
| 4.4.1 数据集和实验评价 |
| 4.4.2 子图流构建策略在有效性上的对比 |
| 4.4.3 子图流构建策略在效率上对比 |
| 4.4.4 与主流方法的比较 |
| 4.5 小结 |
| 第五章 基于粗糙集的大规模社交网络用户实时兴趣标签提取方法研究 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 基于粗糙集的用户实时兴趣标签提取方法RS_UNITE_SS |
| 5.3.1 基于粗糙集的子图流构建策略RS3 |
| 5.3.2 子图流下基于上近似用户实时兴趣标签提取策略RILE |
| 5.4 动态大规模社交网络环境下实时兴趣标签提取实验 |
| 5.4.1 实验数据 |
| 5.4.2 评价指标 |
| 5.4.3 影响子图流构建的实验 |
| 5.4.4 与基准方法对比 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 主要研究工作 |
| 6.2 下一步工作 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（8）基于博弈粗糙集的三支聚类算法研究及应用（论文提纲范文）
| 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 本文的主要工作及体系结构 |
| 第二章 基础知识介绍 |
| 2.1 引言 |
| 2.2 聚类分析 |
| 2.3 聚类方法 |
| 2.4 三支聚类算法概述 |
| 2.5 博弈论概述 |
| 2.6 粗糙集概述 |
| 2.7 博弈粗糙集概述 |
| 2.8 本章小结 |
| 第三章 基于博弈粗糙集的三支聚类算法 |
| 3.1 引言 |
| 3.2 博弈要素的设计 |
| 3.3 基于GTRS的三支聚类算法 |
| 3.4 实验与结果分析 |
| 3.5 本章小结 |
| 第四章 出租车轨迹查询系统设计与实现 |
| 4.1 引言 |
| 4.2 需求分析与系统功能设计 |
| 4.3 系统详细设计 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（9）属性约简与加权方法的研究及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 2 相关理论与方法 |
| 2.1 粗糙集相关理论 |
| 2.2 属性约简算法 |
| 2.3 属性加权算法 |
| 2.4 本章小结 |
| 3 基于卡方检验的邻域粗糙集属性约简算法 |
| 3.1 相关性检验方法 |
| 3.2 ChiS-NRS算法 |
| 3.3 实验验证分析 |
| 3.4 本章小结 |
| 4 基于主客观加权法和梯度提升树的肝癌微血管侵犯预测模型 |
| 4.1 主客观加权法 |
| 4.2 肝癌微血管侵犯预测模型 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文的工作总结 |
| 5.2 未来的工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（10）基于邻域粗糙集的属性约简算法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容和组织结构 |
| 第二章 粗糙集理论基础 |
| 2.1 经典粗糙集理论基础 |
| 2.2 邻域粗糙集理论基础 |
| 2.3 本章小结 |
| 第三章 基于邻域粗糙集的属性约简算法 |
| 3.1 前向贪心数值属性约简算法 |
| 3.2 前向搜索属性约简快速算法 |
| 3.3 基于邻域粗糙集的快速属性约简算法 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙集属性重要度的快速约简算法 |
| 4.1 基于K近邻属性重要度和相关系数的属性约简算法 |
| 4.1.1 K近邻属性重要度 |
| 4.1.2 相关系数及其性质 |
| 4.1.3 算法设计与实现 |
| 4.1.4 实验分析 |
| 4.2 基于Relief的快速属性约简算法 |
| 4.2.1 基于Relief的属性重要度算法 |
| 4.2.2 基于Relief的快速属性约简算法 |
| 4.2.3 实验分析 |
| 4.3 本章小结 |
| 第五章 基于邻域粗糙集的C4.5决策树分类算法 |
| 5.1 基于邻域粗糙集的C4.5决策树分类算法 |
| 5.1.1 C4.5算法简介 |
| 5.1.2 分裂属性的选择标准 |
| 5.1.3 连续属性分割阈值的选择方法 |
| 5.1.4 算法描述 |
| 5.2 实验分析 |
| 5.2.1 实验数据 |
| 5.2.2 实验结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
四、粗糙集理论介绍和研究综述（论文参考文献）
- [1]基于增量式学习与集成学习的入侵检测方法研究[D]. 张旻宇. 青岛科技大学, 2021(02)
- [2]基于粗糙集理论的二手车成新率计算方法之改进及其应用研究[D]. 张念. 重庆理工大学, 2021(02)
- [3]基于粗糙集理论的文化企业并购价值评估研究[D]. 杨雨欣. 重庆理工大学, 2021(02)
- [4]结构化相容粗糙集模型的研究[D]. 张海娣. 北方民族大学, 2021(08)
- [5]面向聚类及预测的时间序列信息粒化方法研究[D]. 陈海兰. 北京科技大学, 2021(02)
- [6]建筑企业国际化人才管理理论与应用研究 ——基于中国高铁“走出去”视角[D]. 沙首伟. 北京交通大学, 2021(02)
- [7]面向社交网络的标签提取方法的研究[D]. 黄晓玲. 合肥工业大学, 2020
- [8]基于博弈粗糙集的三支聚类算法研究及应用[D]. 秦萍. 北方民族大学, 2021(08)
- [9]属性约简与加权方法的研究及其应用[D]. 谭永奇. 山东科技大学, 2020(06)
- [10]基于邻域粗糙集的属性约简算法研究及应用[D]. 林芷欣. 青岛大学, 2020(01)