计算机科学与探索 ›› 2015, Vol. 9 ›› Issue (1): 94-104.DOI: 10.3778/j.issn.1673-9418.1406024
余 鹰1,2,3,4,苗夺谦2,3+,赵才荣2,3,王映龙4
YU Ying1,2,3,4, MIAO Duoqian2,3+, ZHAO Cairong2,3, WANG Yinglong4
摘要: 在多标记决策系统中,每个对象由单个实例进行表示,同时对应于多个决策属性。粗糙集理论已有的研究工作主要集中在单一决策系统的研究上,对于多决策系统只是简单地将它分解成多个单一决策系统。直接变换的方法忽视了决策属性之间的相关性和共现性,影响决策的精度。基于粗糙集模型,分别针对属性值为离散型和连续型的情况,提出了离散型多标记决策系统知识获取算法DML和连续型多标记决策系统知识获取算法CML。这两种算法均考虑了标记之间的相关性,在离散多标记决策系统中,采用决策链方式传递属性间的相关性,而在连续多标记决策系统中,扩展了传统粗糙集模型,重新定义了粗糙近似。实验表明,不论是离散型还是连续型决策系统,考虑决策属性之间的相关性均可以提高预测的准确率。