基于粗集的产品色彩预测系统研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (11): 31-33.

基于粗集的产品色彩预测系统研究

张全¹,康文科²,明新国¹

1．上海交通大学机械与动力工程学院，上海 200240
2．西北工业大学机电学院，西安 710072

收稿日期:2007-12-03 修回日期:2007-12-29 出版日期:2008-04-11 发布日期:2008-04-11
通讯作者: 张全

Rough set based forecasting system for product color

ZHANG Quan¹,KANG Wen-ke²,MING Xin-guo¹

1.School of Mechanical Engineering，Shanghai Jiaotong University，Shanghai 200240，China
2.School of Electromechanics，Northwestern Polytechnical University，Xi’an 710072，China

Received:2007-12-03 Revised:2007-12-29 Online:2008-04-11 Published:2008-04-11
Contact: ZHANG Quan

摘要/Abstract

摘要： 针对传统人工预测流行色方法效率低、费用高的问题，采用决策表知识表达技术和模糊集合方法构建了流行色知识仓库，结合可辨识矩阵理论和粗集理论提出流行色预测知识挖掘算法，该算法可根据流行色知识库建立条件属性和决策属性依赖关系，从而完成流行色的预测推理。开发了基于粗集理论的智能化流行色预测系统，并以服装产品为例预测流行色测，结果表明该系统可准确预测未来短期内的流行色。

关键词: 流行色, 预测系统, 粗集理论, 知识挖掘

Abstract: Conventional artificial forecast methods of fashion-color are inefficient and wasteful.To tackle this issue，a forecasting system for product fashion color based on rough set theory is constructed in this paper.Firstly，a product fashion-color knowledge database is built based on decision table and fuzzy set methods.Then a knowledge discovering algorithm of forecasting fashion color is presented with rough set theory and differentiability matrix theory.With the algorithm，the dependent relations between condition attributes and decision attribute based on fashion-color knowledge database can be built.Finally，an intelligent fashion color forecasting system is developed，and a forecast case of clothes fashion color is implemented.The results show that this system can forecast fashion color in short term.

Key words: fashion-color, forecasting system, rough set, knowledge discovery

张全¹,康文科²,明新国¹. 基于粗集的产品色彩预测系统研究[J]. 计算机工程与应用, 2008, 44(11): 31-33.

ZHANG Quan¹,KANG Wen-ke²,MING Xin-guo¹. Rough set based forecasting system for product color[J]. Computer Engineering and Applications, 2008, 44(11): 31-33.

[1]	周小领1，马庆功2. 概率犹豫模糊算法及其网络舆情预测模型选择[J]. 计算机工程与应用, 2019, 55(4): 179-184.
[2]	王家海，陈煜. 数据驱动的Job Shop生产调度知识挖掘及优化[J]. 计算机工程与应用, 2018, 54(1): 264-270.
[3]	解迎刚1，2，王晓3，曾佳佳1，侯金梦1. 基于卡尔曼滤波的主动波浪补偿系统研究[J]. 计算机工程与应用, 2015, 51(21): 36-40.
[4]	孙立民. 改进的粗糙集属性权重确定方法[J]. 计算机工程与应用, 2014, 50(5): 43-45.
[5]	何超，刘西林. 综合预测模型的构建及预测系统开发研究[J]. 计算机工程与应用, 2014, 50(13): 257-261.
[6]	华尔天，刘科红，肖军军，陈颖. 基于粗糙集理论的设计规则提取及其应用[J]. 计算机工程与应用, 2013, 49(5): 116-119.
[7]	张利强，李毅. 基于双层并行PCNN和粗集理论的图像融合[J]. 计算机工程与应用, 2011, 47(31): 179-181.
[8]	周序生¹,王志明². 粗糙集和神经网络方法在数据挖掘中的应用[J]. 计算机工程与应用, 2009, 45(7): 146-149.
[9]	郝乃澜¹,王双维²,陈强³. 交通事故等级与事故时间关联性的粗集分析[J]. 计算机工程与应用, 2008, 44(11): 215-216.
[10]	陈强王双维郝乃澜. 基于粗集理论的交通事故死亡人数时间分布分析[J]. 计算机工程与应用, 2007, 43(8期): 217-218.
[11]	陈杰蒋祖华赵云松. 基于扩展的信息熵的决策表属性约简算法[J]. 计算机工程与应用, 2007, 43(7期): 167-169.
[12]	吕韩飞代建华. 基于模糊目标信息系统的监狱警察素质分析[J]. 计算机工程与应用, 2007, 43(5期): 230-232.
[13]	高天一^1,2，孙伟¹，马沁怡¹. 基于粗集理论的产品配置规则获取方法研究[J]. 计算机工程与应用, 2007, 43(16): 20-21.