3.1 相似粗糙集理论算法 10
3.1.1 SRS的相关概念 10
3.1.2 基于SRS的案例特征权值确定 11
3.2 基于知识熵的案例特征权值计算算法 12
3.2.1 与研究问题有关的几个粗糙集相关概念 12
3.2.2 知识熵的相关概念 13
3.2.3 基于知识熵的案例特征权值确定 14
3.3 特征权重自动学习算法 14
3.3.1 基于粗糙集的离散型案例属性约简 14
3.3.2 特征权重自动学方法 16
3.4 基于时间的多阶段权重自适应算法 17
3.5 CBR变权值引擎模型算法 19
3.5.1 主管权值的计算 19
3.5.2 客观权值的计算 21
3.5.3 综合权值的计算 22
3.6 群基数效用法的算法 23
3.6.1 遗传算法 23
3.6.2 群基数效用法 24
4 案例分析 26
4.1 权重确定方法的比较 26
4.2 案例介绍 26
4.3 三种定权方法运算过程及结果 27
4.3.1 SRS理论算法运算过程 27
4.3.2 基于知识熵的案例特征权值计算过程 28
4.3.3 特征属性自动学习方法运算过程 29
4.4 相似度度量测试 32
4.4.1 K最近邻法 32
4.4.2 TF-KNN法 34
5 实验结果分析 39
5.1 计算过程对比结果 39
5.2 相似度测量后的结果对比分析 39
5.2.1 查全率的对比 40
5.2.2 查准率的对比 41
5.3 总结 43
结论 44
致谢 46
参考文献 47
图表目录
图1 基于案例的推理流程 3
图2 案例检索的步骤 4
图3 K-NN相似度计算法结果 41
图4 TF-KNN相似度计算法结果 42
表1 六种权重确定方法比较 26
表2 工程项目风险分类实例特征属性表 26
表3 未约简的相似差别矩阵 27
表4 约简后的相似差别矩阵 28
表5 离散化后的程项目风险分类实例特征属性表 29
表8 K-NN算法得到的相似度结果 40
表9 K-NN算法得到查全率结果