结合粗集模糊熵和PCA载荷阵改进的TOPSIS方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 56-59.

结合粗集模糊熵和PCA载荷阵改进的TOPSIS方法

毛军军1，2，李侠1，吴涛1，3

1.安徽大学数学科学院，合肥 230039
2.安徽大学计算智能与信号处理教育部重点实验室，合肥 230039
3.南京大学计算机软件新技术国家重点实验室，南京 210093

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Applying fuzzy entropy of rough set and PCA loading matrix to improvements of TOPSIS method

MAO Junjun1，2，LI Xia1，WU Tao1，3

1.School of Mathematical Sciences，Anhui University，Hefei 230039，China
2.Key Laboratory of Intelligent Computing & Signal Processing of MOE，Anhui University，Hefei 230039，China
3.State Key Laboratory for Novel Software Technology，Nanjing University，Nanjing 210093，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 基于粗糙集属性的隶属函数，提出了利用指标公共因子的载荷矩阵和粗糙集的模糊信息熵两种方法，确定加权规范决策矩阵，选择出理想解和负理想解，计算现实中各方案与理想方案和负理想方案的距离;以此度量作为综合评估的标准，确定优劣进行决策。从统计学和信息学两方面对TOPSIS方法进行改进：在将原始变量转变为主成分的过程中，利用特征值与公共因子的载荷矩阵确定权重，反映了各个变量在公共因子上的相对重要性，克服了主观因素的影响，有助于保证客观地反映样本间的现实关系;如实度量属性本身信息量的大小，有效表达不同的属性面对不同的决策方案有不同的信息容量。算例结果显示由于后者侧重不同方案不同信息量，决策细节更为有效。

关键词: 粗糙集, 模糊信息熵, TOPSIS方法, 载荷矩阵

Abstract: Based on membership function of attribute in rough set，two methods of using loading matrix of common factors and fuzzy entropy of rough set are put forward to determine the weighted standard decision matrix，and then an ideal solution and a negative-ideal solution are chosen to calculate the distance between the alternatives in the reality and them.The measurement is regarded as a comprehensive evaluation criteria?to determine which is optimal in all alternatives.TOPSIS method is improved from the two aspects of statistics and informatics，the former has determined the common factors which have an effect to all original variables in the process of the original variables transforming into principal components，using eigenvalues of principal components and loading matrix of common factors to definite weight，it reflects the relative importance of each variable to common factors，and overcomes the influence of subjective factors，the reality relations between the samples are reflected objectively.The latter has measured the information size of attribute truthfully，different attribute has different information capacity for different decision scheme.

Key words: rough set, fuzzy entropy, TOPSIS method, loading matrix

毛军军1，2，李侠1，吴涛1，3. 结合粗集模糊熵和PCA载荷阵改进的TOPSIS方法[J]. 计算机工程与应用, 2011, 47(18): 56-59.

MAO Junjun1，2，LI Xia1，WU Tao1，3. Applying fuzzy entropy of rough set and PCA loading matrix to improvements of TOPSIS method[J]. Computer Engineering and Applications, 2011, 47(18): 56-59.

[1]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[2]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[3]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[4]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[5]	范建平，贾雪飞，吴美琴. 单值三角Neutrosophic交叉熵的TOPSIS方法[J]. 计算机工程与应用, 2020, 56(6): 239-245.
[6]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[7]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.
[8]	张建华，李方方，杨岚. 融合PFS与RS的案例知识供需匹配研究[J]. 计算机工程与应用, 2020, 56(23): 139-145.
[9]	骆公志，梅焘. 监督机制多粒度决策粗糙集模型及应用[J]. 计算机工程与应用, 2020, 56(18): 214-220.
[10]	谢旭明，段隆振，邱桃荣，杨幼凤. 改进量子搜索算法及其在核属性求解上的应用[J]. 计算机工程与应用, 2020, 56(14): 57-61.
[11]	李旭，荣梓景，任艳. 带权决策表的属性约简[J]. 计算机工程与应用, 2020, 56(12): 54-59.
[12]	陈盼盼，林梦雷. 基于包含度的单值中智决策信息系统属性约简[J]. 计算机工程与应用, 2020, 56(12): 175-181.
[13]	任俊1，唐绮雯1，徐怡2，胡善忠2. 大学生贫困资助评定的多粒度粗糙集研究[J]. 计算机工程与应用, 2019, 55(7): 82-86.
[14]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.
[15]	齐美兰，李小南. 集值映射的拟阵结构及其与覆盖粗糙集的关系[J]. 计算机工程与应用, 2019, 55(6): 50-56.