连续属性决策分析：粗糙2模糊集集成模型

"本文提出了一种基于粗糙2模糊集集成模型的决策分析方法，用于处理具有连续属性的信息系统。这种方法结合粗糙集理论和模糊集理论，解决了连续属性离散化的问题，通过模糊隶属函数将连续属性值转化为模糊值。文中还介绍了连续属性值的模糊表示形式、模糊相似关系和模糊相似类的概念，以及粗糙2模糊近似空间的上下近似和属性约简的方法。以自修复飞行控制系统效能评估为例，展示了该方法在决策规则提取中的应用。关键词包括粗糙集、模糊集、集成模型、连续属性和效能评估。" 本文是关于决策分析方法的一种创新性研究，特别关注于如何处理信息系统中的连续属性。通常，连续属性的处理需要将其离散化，这可能导致信息损失。为了解决这个问题，作者何亚群和胡寿松提出了一种基于粗糙2模糊集集成模型的方法。他们将粗糙集的理论与模糊集理论相结合，构建了一个新的模型，以避免对连续属性的离散化处理。 在这个模型中，连续属性值通过模糊隶属函数被转化为模糊值，这样可以更自然地处理连续数据，减少了数据转换带来的信息损失。作者进一步定义了连续属性值的模糊表示，以及模糊相似关系和模糊相似类的概念，这些概念有助于在模糊环境中理解和处理数据。 文章还阐述了粗糙2模糊近似空间的上下近似及其性质。上下近似是粗糙集理论中的核心概念，用于识别和简化决策规则。在模糊环境中，这些近似可以帮助我们更好地理解和刻画数据的不确定性和模糊性。此外，他们还提出了一种在模糊相似关系下的属性约简方法，这有助于减少决策规则的复杂性，提高决策效率。 为了验证该方法的有效性，作者以自修复飞行控制系统效能评估为例进行了实证分析。这个案例展示了如何利用提出的决策分析方法来生成自修复效能的决策规则，进一步证明了该方法在实际问题解决中的应用价值。 这篇论文介绍了一种新的决策分析工具，它融合了粗糙集和模糊集的优势，特别适用于处理包含连续属性的信息系统。这种方法对于提高决策质量和准确性，特别是在处理不确定性数据时，具有重要的理论和实践意义。