决策演化集的卷积预测

doi:10.13232/j.cnki.jnju.2022.01.001

南京大学学报(自然科学版) ›› 2022, Vol. 58 ›› Issue (1): 1–8.doi: 10.13232/j.cnki.jnju.2022.01.001

• • 下一篇

决策演化集的卷积预测

胡玉文¹^,²^,³(), 徐久成¹^,², 张倩倩¹^,²

^1.河南师范大学计算机与信息工程学院，新乡，453007
^2.河南省高校计算智能与数据挖掘工程技术研究中心，新乡，453007
^3.河南师范大学图书馆，新乡，453007

收稿日期:2021-06-16 出版日期:2022-01-30 发布日期:2022-02-22
通讯作者: 胡玉文 E-mail:huyuwen611@qq.com
作者简介:E⁃mail：huyuwen611@qq.com
基金资助:
国家自然科学基金(61976082);河南省科技创新人才项目(184100510003);河南省科技攻关项目(182102210362);河南省高等学校重点科研项目(21A520024)

Convolution forecast of decision evolution set

Yuwen Hu¹^,²^,³(), Jiucheng Xu¹^,², Qianqian Zhang¹^,²

^1.College of Computer and Information Engineering, Henan Normal University, Xinxiang, 453007, China
^2.Engineering Technology Research Center for Computing Intelligence & Data Mining, Xinxiang, 453007, China
^3.Henan Normal University Library, Xinxiang, 453007, China

Received:2021-06-16 Online:2022-01-30 Published:2022-02-22
Contact: Yuwen Hu E-mail:huyuwen611@qq.com

摘要/Abstract

摘要：

决策演化集是处理决策规则在时间序列上演化问题的理论，它将着眼点从静态的决策信息系统转移到动态的时间序列上，研究决策信息系统随时间变化时的演化规律，是一种新的决策规则研究方法.在决策演化集理论体系下预测规则伴随实际规则产生，因此预测规则必然对实际规则产生影响.为了解释预测规则和实体规则之间的相互关系，引入卷积方法，在时间序列上构建预测规则和实际规则的演化混合矩阵，并利用该矩阵对决策信息系统进行预测分析.

关键词: 粗糙集, 预测规则, 实际规则, 卷积预测

Abstract:

Decision evolution set is a theory to deal with evolution problem of decision rules in time series. Decision evolution set transfers the focus from static decision information system to dynamic time series，which is a new decision research method to study the evolution regulations in decision information system following the time variation. In the decision evolution set theory system，the forecast rules are accompanied by the real rules，so that the forecast rules inevitably have an impact on the real rules. In order to explain the relationship between forecast rules and real rules，in this paper，the convolution method is used to construct the evolution mixed matrix of forecast rules and real rules on time series，and the matrix is used to forecast and analyze the decision information system.

Key words: rough set, forecast rules, real rules, convolution forecast

中图分类号:

TP18

胡玉文, 徐久成, 张倩倩. 决策演化集的卷积预测[J]. 南京大学学报(自然科学版), 2022, 58(1): 1–8.

Yuwen Hu, Jiucheng Xu, Qianqian Zhang. Convolution forecast of decision evolution set[J]. Journal of Nanjing University(Natural Sciences), 2022, 58(1): 1–8.

图/表 7

表1

时间序列下各粒度的决策规则"

粒	决策规则	粒	决策规则	粒	决策规则
g₁	$b 1 d 1 e 0 k 2 m 0 n 1 → f 0$	g₂	$b 1 c 1 d 2 h 0 n 2 → f 0$	g₃	$a 0 d 2 h 1 k 1 l 2 → f 0$
	$a 2 b 1 c 0 d 2 h 1 l 2 m 0 → f 1$		$a 0 b 1 c 0 l 1 n 2 → f 1$		$b 0 h 2 m 1 n 2 → f 1$
	$b 0 c 2 e 1 k 2 n 0 → f 2$		$a 1 d 2 e 0 k 0 → f 2$		$a 0 b 0 e 2 h 1 m 1 → f 2$
g₄	$a 0 b 0 c 1 d 2 m 2 → f 0$	g₅	$c 1 d 2 e 0 k 0 l 0 m 1 → f 0$	g₆	$a 1 b 1 d 2 k 1 l 2 n 0 → f 0$
	$d 0 e 2 l 0 n 1 → f 1$		$c 1 d 2 e 0 k 1 m 1 → f 1$		$e 1 h 2 k 0 l 1 m 1 n 2 → f 1$
	$a 2 b 2 e 1 k 0 l 0 n 1 → f 2$		$a 2 b 1 c 2 d 0 h 1 k 0 → f 2$		$c 2 d 1 e 1 k 0 l 2 → f 2$

表1

表2

经过整理的粒度决策规则"

决策	决策规则	决策	决策规则	决策	决策规则
f₀	$b 1 d 1 e 0 k 2 m 0 n 1 → f 0$	f₁	$a 2 b 1 c 0 d 2 h 1 l 2 m 0 → f 1$	f₂	$b 0 c 2 e 1 k 2 n 0 → f 2$
	$b 1 c 1 d 2 h 0 n 2 → f 0$		$a 0 b 1 c 0 l 1 n 2 → f 1$		$a 1 d 2 e 0 k 0 → f 2$
	$a 0 d 2 h 1 k 1 l 2 → f 0$		$b 0 h 2 m 1 n 2 → f 1$		$a 0 b 0 e 2 h 1 m 1 → f 2$
	$a 0 b 0 c 1 d 2 m 2 → f 0$		$d 0 e 2 l 0 n 1 → f 1$		$a 2 b 2 e 1 k 0 l 0 n 1 → f 2$
	$c 1 d 2 e 0 k 0 l 0 m 1 → f 0$		$c 1 d 2 e 0 k 1 m 1 → f 1$		$a 2 b 1 c 2 d 0 h 1 k 0 → f 2$
	$a 1 b 1 d 2 k 1 l 2 n 0 → f 0$		$e 1 h 2 k 0 l 1 m 1 n 2 → f 1$		$c 2 d 1 e 1 k 0 l 2 → f 2$

表2

表3

时间粒g7的决策规则"

粒	决策规则
g₇	$c 1 d 0 e 2 h 2 l 0 n 1 → f 0$
	$a 2 b 1 c 2 k 1 m 0 n 0 → f 1$
	$b 1 c 0 d 1 e 2 k 2 l 0 n 1 → f 2$

表3

表4

图1

表5

图2

参考文献 16

1	Yu J H，Chen M H，Xu W H. Dynamic computing rough approximations approach to time?evolving information granule interval?valued ordered information system. Applied Soft Computing，2017(60)：18-29.
2	Cheng C H，Yang J H. Fuzzy time?series model based on rough set rule induction for forecasting stock price. NeuroComputing，2018(302)：33-45.
3	Bose M，Mali K. A novel data partitioning and rule selection technique for modeling high?order fuzzy time series. Applied Soft Computing，2018(63)：87-96.
4	Saltos R，Weber R，Maldonado S. Dynamic rough?fuzzy support vector clustering. IEEE Transactions on Fuzzy Systems，2017，25(6)：1508-1521.
5	Yang X，Li T R，Liu D，et al. A unified framework of dynamic three?way probabilistic rough sets. Information Sciences，2017(420)：126-147.
6	胡玉文，徐久成，张倩倩. 多粒度时间序列下粒度决策的演化模型研究. 计算机工程与应用，2011，47(20)：117-120.
	Hu Y W，Xu J C，Zhang Q Q. Research on evolution model of granular decision based on multiple time granularity. Computer Engineering and Applications，2011，47(20)：117-120.
7	胡玉文，徐久成，孙林. 决策演化集研究. 广西师范大学学报：自然科学版，2013，31(3)：23-29.
	Hu Y W，Xu J C，Sun L. Decision evolution sets. Journal of Guangxi Normal University：Natural Science Edition，2013，31(3)：23-29.
8	胡玉文. 时间序列下决策表信息系统演化模型研究. 硕士学位论文. 新乡：河南师范大学，2010.
	Hu Y W. Research on evolvement model of information system of decision table based on time series. Master Dissertation. Xinxiang：Henan Normal University，2010.
9	胡玉文，徐久成，张倩倩. 决策表信息系统演化模型的回归分析预测算法. 煤炭技术，2010，29(9)：152-153，156.
	Hu Y W，Xu J C，Zhang Q Q. Pre?sentient algorithm of regression analysis based on evolvement model of information system of decision table. Coal Technology，2010，29(9)：152-153，156.
10	胡玉文，徐久成，孙林. 粒度决策演化模型的决策稳定性研究. 计算机科学，2012，39(12)：233-236.
	Hu Y W，Xu J C，Sun L. Research on decision stability of evolution model of granular decision. Computer Science，2012，39(12)：233-236.
11	胡玉文，徐久成，张倩倩. 决策演化集的纵向演化. 模式识别与人工智能，2015，28(10)：886-895.
	Hu Y W，Xu J C，Zhang Q Q. Vertical evolution of decision evolution sets. Pattern Recognition and Artificial Intelligence，2015，28(10)：886-895.
12	胡玉文，徐久成，徐天贺. 决策演化集的膜结构. 数据采集与处理，2017，32(5)：1022-1033.
	Hu Y W，Xu J C，Xu T H. Membrane structure of decision evolution sets. Journal of Data Acquisition and Processing，2017，32(5)：1022-1033.
13	胡玉文，徐久成，徐天贺. 决策演化集的垂直膜结构. 南京大学学报(自然科学)，2017，53(3)：506-517.
	Hu Y W，Xu J C，Xu T H. Vertical membrane structure of decision evolution sets. Journal of Nanjing University (Natural Science)，2017，53(3)：506-517.
14	胡玉文，徐久成，张倩倩. 决策演化集的膜结构抑制剂. 南京大学学报(自然科学)，2018，54(4)：810-820.
	Hu Y W，Xu J C，Zhang Q Q. Membrane structure inhibitors of decision evolution set. Journal of Nanjing University (Natural Science)，2018，54(4)：810-820.
15	伊恩·古德费洛，约书亚·本吉奥，亚伦·库维尔. 深度学习. 北京：人民邮电出版社，2017：202.
16	Xu J C，Wang Y，Mu H Y，et al. Feature genes selection based on fuzzy neighborhood conditional entropy. Journal of Intelligent & Fuzzy Systems，2019，36(1)：117-126.

相关文章 15

[1]	于子淳, 吴伟志. 用证据理论刻画协调的具有多尺度决策的信息系统的最优尺度选择[J]. 南京大学学报(自然科学版), 2022, 58(1): 71-81.
[2]	王敬前, 张小红. 基于极大相容块的不完备信息处理新方法及其应用[J]. 南京大学学报(自然科学版), 2022, 58(1): 82-93.
[3]	刘小伟, 景运革. 一种有效更新多源数据约简的增量算法[J]. 南京大学学报(自然科学版), 2021, 57(6): 1083-1091.
[4]	孙颖, 蔡天使, 张毅, 鞠恒荣, 丁卫平. 基于合理粒度的局部邻域决策粗糙计算方法[J]. 南京大学学报(自然科学版), 2021, 57(2): 262-271.
[5]	刘琼, 代建华, 陈姣龙. 区间值数据的代价敏感特征选择[J]. 南京大学学报(自然科学版), 2021, 57(1): 121-129.
[6]	郑嘉文, 吴伟志, 包菡, 谭安辉. 基于熵的多尺度决策系统的最优尺度选择[J]. 南京大学学报(自然科学版), 2021, 57(1): 130-140.
[7]	郑文彬, 李进金, 张燕兰, 廖淑娇. 基于矩阵的多粒度粗糙集粒度约简方法[J]. 南京大学学报(自然科学版), 2021, 57(1): 141-149.
[8]	毛振宇, 窦慧莉, 宋晶晶, 姜泽华, 王平心. 共现邻域关系下的属性约简研究[J]. 南京大学学报(自然科学版), 2021, 57(1): 150-159.
[9]	李同军,于洋,吴伟志,顾沈明. 经典粗糙近似的一个公理化刻画[J]. 南京大学学报(自然科学版), 2020, 56(4): 445-451.
[10]	任睿,张超,庞继芳. 有限理性下多粒度q⁃RO模糊粗糙集的最优粒度选择及其在并购对象选择中的应用[J]. 南京大学学报(自然科学版), 2020, 56(4): 452-460.
[11]	王宝丽,姚一豫. 信息表中约简补集对及其一般定义[J]. 南京大学学报(自然科学版), 2020, 56(4): 461-468.
[12]	姚宁, 苗夺谦, 张远健, 康向平. 属性的变化对于流图的影响[J]. 南京大学学报(自然科学版), 2019, 55(4): 519-528.
[13]	程永林, 李德玉, 王素格. 基于极大相容块的邻域粗糙集模型[J]. 南京大学学报(自然科学版), 2019, 55(4): 529-536.
[14]	张龙波, 李智远, 杨习贝, 王怡博. 决策代价约简求解中的交叉验证策略[J]. 南京大学学报(自然科学版), 2019, 55(4): 601-608.
[15]	李藤, 杨田, 代建华, 陈鸰. 基于模糊区分矩阵的结直肠癌基因选择[J]. 南京大学学报(自然科学版), 2019, 55(4): 633-643.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

时间粒	A1	A2	A3	A4	A5	A6	…	A30
g₁	0	1	1	0	1	0	…	0
g₂	0	1	0	1	1	0	…	0
g₃	0	1	0	0	1	0	…	0
?	?	?	?	?	?	?	…	?
g₁₂	0	0	0	0	0	0	…	0

时间粒	B1	B2	B3	B4	B5	B6	…	B26
g₁	0	1	1	1	0	0	…	0
g₂	0	1	0	1	0	0	…	0
g₃	1	0	0	0	0	0	…	0
?	?	?	?	?	?	?	…	?
g₁₅	0	0	0	0	0	0	…	0

决策演化集的卷积预测

Convolution forecast of decision evolution set

RichHTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 16

相关文章 15

Metrics

本文评价

推荐阅读 0