第1章粗糙集理论的基本概念1.1知识的含义与表示方法1.1.1知识的含义1.1.2不可分辨关系1.1.3知识的表示1.2粗糙集1.2.1粗糙集的下近似、上近似及边界区1.2.2近似精度与粗糙度1.2.3粗糙隶属函数1.3属性约简1.3.1属性的依赖性1.3.2属性的重要性1.3.3约简与核1.4决策规则1.4.1决策规则和算法1.4.2规则的度量标准1.4.3规则的应用1.5粗糙集的应用1.5.1飞机空调车的故障诊断1.5.2黄腾达歼击机的结构故障诊断第2章粗糙集中的离散化方法2.1连续属性的离散化2.1.1离散化问题的描述2.1.2离散化方法的分类2.2连续属性的无监督离散化方法2.2.1等宽度离散化方法2.2.2等频率离散化方法2.3连续属性的有监督直接离散化方法2.3.1单规则离散化方法2.3.2最小信息熵离散化方法2.3.3NaiveScaler离散化方法2.3.4SemiNaiveScaler离散化方法2.3.5粗糙集与布尔逻辑相结合的离散化方法2.3.6S.H.Nguyen，H.S.Nguyen改进的贪心算法2.4连续属性的有监督间接离散化方法2.4.1超平面离散化方法2.4.2超曲面离散化方法2.4.3间接离散化方法在空军器材保障中的应用第3章粗糙集中的属性约简算法3.1常见约简算法3.2基于属性重要性的启发式约简算法3.2.1属性重要性的计算3.2.2约简算法3.3基于差别矩阵的约简算法3.3.1差别矩阵3.3.2约简算法3.4基于集合近似质量的属性约简算法3.4.1约简算法3.4.2算例第4章粗糙集中不确定性与模糊性的测量4.1粗糙集中不确定性的测量4.1.1基于粗糙度的不确足性测量4.1.2基于粗糙熵的不确定性测量4.1.3基于修正粗糙熵的不确定性测量4.2粗糙集中模糊性的测量4.2.1模糊熵的基本概念4.2.2等价关系下粗糙集模糊性的测量4.2.3一般二元关系下粗糙集模糊性的测量第5章基于实数粗糙集空间的自组织映射方法5.1实数粗糙空间的概念5.1.1实数粗糙空间5.1.2Pawlak粗糙集与实数粗糙集的比较5.2自组织映射方法的改进5.2.1自组织映射原理5.2.2菱形邻域的设计5.2.3基于实数粗糙集空间的改进邻域的自组织映射方法5.2.4拓扑特性保持5.3歼击机故障识别的实数粗糙集自组织映射方法第6章粗糙集模型的扩展及应用6.1可变精度粗糙集6.2基于相近关系的粗糙集扩展及应用6.2.1相近关系及相近度6.2.2基于相近关系的相近粗糙集6.2.3相近粗糙集的属性约简6.2.4相近粗糙集的隶属函数6.2.5基于相近粗糙集的歼击机故障决策分类6.3基于广义近邻关系的粗糙集扩展及应用6.3.1属性的广义重要度6.3.2空间的属性广义重要度欧氏距离6.3.3基于广义近邻关系的实域粗糙集6.3.4实域粗糙集属性约简的定义及贪心算法6.3.5算例6.4基于相容关系的粗糙集扩展及应用6.4.1多值决策系统和不完全决策系统6.4.2基于相容关系的相容粗糙集6.4.3属性的约简及规则的获取6.4.4军机备件需求量修正的相容粗糙集方法6.5基于优势关系的粗糙集扩展及应用6.5.1具有偏好信息的多属性排序问题6.5.2优势属性集6.5.3基于优势关系的优势粗糙集6.5.4基于优势粗糙集的方案排序6.5.5基于优势粗糙集的空军航材供应点的偏好选址6.6基于扩展优势关系的粗糙集扩展及应用6.6.1不完全信息的多属性分类问题6.6.2扩展优势关系与扩展优势集6.6.3基于扩展优势关系的扩展优势粗糙集6.6.4实例第7章粗糙集与神经网络的集成7.1粗糙集方法与神经网络方法的特点7.1.1粗糙集方法的特点7.1.2神经网络方法的特点7.1.3粗糙神经网络方法的优点7.2粗糙神经网络的集成方式7.2.1粗糙集作为神经网络的前端处理器7.2.2利用粗糙神经元构造粗糙元神经网络7.3基于粗糙神经网络的空军航材消耗预测7.3.1影响航材消耗的因素7.3.2预测信息表的确定7.3.3预测信息表的约简7.3.4基于粗糙神经网络的航材消耗预测7.4基于粗糙神经网络的模糊控制系统的设计7.4.1粗糙神经网络模糊控制系统的构造7.4.2实例7.5基于粗糙神经网络的歼击机结构故障诊断7.5.1基于粗糙神经网络进行故障诊断的一般结构及步骤7.5.2基于粗糙集方法的特征提取7.5.3分类神经网络及其算法7.5.4神经网络辨识器7.5.5实例7.6具有区间数的粗糙元神经网络决策分析方法7.6.1具有区间数的决策信息系统7.6.2具有区间数的粗糙元神经网络7.6.3基于粗糙元神经网络的歼击机故障认定7.7基于相近关系的粗糙因子神经网络及其模式识别方法7.7.1基于粗糙因子的神经网络设计7.7.2粗糙因子神经网络算法的收敛说明7.7.3粗糙因子神经网络的模式识别仿真实验7.8基于支持向量机的粗糙元神经网络的构造与分类决策7.8.1支持向量机粗糙元神经网络的基本思想7.8.2支持向量机的多分类问题7.8.3支持向量机输出与粗糙近似集的关系7.8.4支持向量机粗糙神经网络的构造7.8.5实例7.9基于粗糙K一均值的椭球基函数神经网络及其模式识别应用7.9.1椭球单元神经网络7.9.2粗糙K一均值方法7.9.3椭球基函数神经网络7.9.4椭球基函数神经网络的函数逼近性能分析7.9.5椭球基函数神经网络与RBF神经网络的比较7.9.6实例7.10实域粗糙中心的RBF神经网络的集成7.10.1神经网络的集成思想和方法7.10.2一种动态的聚类算法7.10.3实域粗糙中心的基函数神经网络的集成方法7.10.4实例第8章粗糙集与模糊集的集成8.1具有连续属性值决策系统的粗糙一模糊集集成方法8.1.1属性值连续的决策系统8.1.2利用模糊集将连续属性值转化为模糊属性值8.1.3模糊相容关系下的粗糙近似8.1.4模糊相容关系下的属性约简8.2模糊决策信息系统8.3粗糙一模糊集8.4相容粗糙一模糊集8.4.1相容关系及相容类8.4.2相容粗糙一模糊集8.4.3相容粗糙一模糊隶属函数及其性质8.4.4算例8.5模糊一粗糙集8.6相容模糊一粗糙集8.6.1模糊相容关系及模糊相容类8.6.2相容模糊一粗糙集8.6.3相容模糊一粗糙隶属函数及其性质8.6.4算例8.7自修复飞行控制系统效能评估的粗糙集与模糊集集成方法8.7.1自修复飞行控制效能评估系统8.7.2自修复飞行控制效能评估的粗糙一模糊集集成方法8.7.3自修复飞行控制系统效能评估的相容粗糙一模糊集方法参考文献前言：决策分析是人类最自然的一种行为。决策需要信息，信息是决策者进行决策的基础。传统的决策分析是利用已有的信息建立函数或关系模型来进行的。而在信息爆炸的今天，决策者面临的是大量的、动态的、不确定的、模糊的甚至是有噪声的信息，决策者企图通过建立函数或数学模型来进行决策显然是不可能的，也难以满足实际的需要。为此，基于知识的智能决策分析便应运而生，它不需要定量的数学模型，而是基于知识进行决策。这些知识隐含在大量的原始数据中。于是，如何从大量的数据中挖掘出有用的知识，就成为当前决策领域的一个热点问题。.由波兰数学家Z．Pawlak于1982年提出的粗糙集方法，为处理不精确、不确定与不..我来评论这本书更多图书...