武雯娟

摘要：將粗集-遺傳支持向量機(jī)模型運(yùn)用到供應(yīng)鏈績(jī)效評(píng)價(jià)中，首先利用粗集理論剔除影響供應(yīng)鏈績(jī)效評(píng)價(jià)的冗余因素，獲得核心影響因素，再采用支持向量機(jī)對(duì)于提取得到的核心影響因素預(yù)測(cè)供應(yīng)鏈績(jī)效所處的級(jí)別。在支持向量機(jī)分類(lèi)過(guò)程中，利用遺傳算法對(duì)支持向量機(jī)算法的參數(shù)進(jìn)行尋優(yōu)，獲得最佳參數(shù)模型，而后預(yù)測(cè)得到供應(yīng)鏈績(jī)效評(píng)價(jià)級(jí)別。最后，實(shí)例運(yùn)用此模型進(jìn)行了預(yù)測(cè)，并與只運(yùn)用粗集-支持向量機(jī)進(jìn)行預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比。結(jié)果表明，利用粗集-遺傳支持向量機(jī)方法對(duì)供應(yīng)鏈績(jī)效評(píng)價(jià)級(jí)別的預(yù)測(cè)準(zhǔn)確率更高，預(yù)測(cè)結(jié)果更符合實(shí)際，是一種科學(xué)可行的方法。

關(guān)鍵詞：供應(yīng)鏈；績(jī)效評(píng)價(jià)；粗集理論；支持向量機(jī)；遺傳算法

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）03-0733-05

DOI：10.14088/j.cnki.issn0439-8114.2015.03.059

Application of Rough Set GA-SVM Model in the Supply Chain Performance Evaluation

WU Wen-juan

（Department of Finance and Economics， Taian Vocational and Technical College， Taian 271000， Shandong， China）

Abstract： Rough set-genetic support vector machine（SVM） model was used for the performance evaluation of supply chain. Firstly， this paper used rough set theory to eliminate the redundant factors influencing the performance evaluation of supply chain， and got the core factors. Support vector machine（SVM） was then used to extract the core level of influing factors to predict the performance of the supply chain. In the process of support vector machine （SVM） classification， the genetic algorithm was used for the parameters optimization of support vector machine（SVM） algorithm. Optimal parameters of the model were obtained and then used to predict the level of supply chain performance evaluation. Finally， instances were forecasted by this model， and compared with the predic results by the only use of rough sets and support vector machine（SVM）. The results showed that the use of rough set-genetic support vector machine（SVM） method can predict higher accuracy level of the supply chain performance evaluation， and the predicted results are more realistic， thus being a scientific and feasible method.

Key words： supply chain； performance evaluation； rough set theory； SVM； GA

隨著經(jīng)濟(jì)全球化，企業(yè)的經(jīng)營(yíng)環(huán)境發(fā)生了巨大的變化。越來(lái)越多的企業(yè)管理者已經(jīng)意識(shí)到，未來(lái)的企業(yè)競(jìng)爭(zhēng)將是供應(yīng)鏈（Supply Chain，簡(jiǎn)稱(chēng)SC）與供應(yīng)鏈之間的競(jìng)爭(zhēng)，而不是企業(yè)之間的競(jìng)爭(zhēng)。企業(yè)為了在市場(chǎng)競(jìng)爭(zhēng)中始終處于有利地位，獲得長(zhǎng)期競(jìng)爭(zhēng)優(yōu)勢(shì)及利益，就必須建立高效、安全、可靠的供應(yīng)鏈系統(tǒng)，供應(yīng)鏈系統(tǒng)可以各種輔助手段實(shí)現(xiàn)其一體化過(guò)程。

所謂供應(yīng)鏈?zhǔn)侵笇a(chǎn)品和服務(wù)提供給最終消費(fèi)者的所有環(huán)節(jié)的企業(yè)所構(gòu)成的上下游產(chǎn)業(yè)一體化的體系。供應(yīng)鏈管理是從系統(tǒng)的觀點(diǎn)出發(fā)，通過(guò)對(duì)采購(gòu)、制造、分銷(xiāo)直至消費(fèi)者的整個(gè)過(guò)程中的資金流、物流、信息流的協(xié)調(diào)，通過(guò)此種管理模式來(lái)滿(mǎn)足消費(fèi)者的要求及需求。然而只有對(duì)供應(yīng)鏈系統(tǒng)中的各成員供應(yīng)鏈績(jī)效評(píng)價(jià)理論及其重要性的認(rèn)識(shí)統(tǒng)一，才能讓他們將對(duì)整個(gè)供應(yīng)鏈系統(tǒng)的貢獻(xiàn)度作為自己的考核目標(biāo)，并將這些具體指標(biāo)達(dá)成情況作為利益分配及任務(wù)分配的依據(jù)，如此才能使供應(yīng)鏈的整體績(jī)效切實(shí)得到提高。目前，將粗集-遺傳支持向量機(jī)（GA-SVM）方法應(yīng)用到供應(yīng)鏈績(jī)效評(píng)價(jià)領(lǐng)域的研究并不多見(jiàn)，本研究主要利用粗糙集理論剔除供應(yīng)鏈績(jī)效評(píng)價(jià)的冗余因素及指標(biāo)，提取獲得影響供應(yīng)鏈績(jī)效評(píng)價(jià)的核心因素，再運(yùn)用對(duì)于小樣本具有良好泛化能力的支持向量機(jī)來(lái)進(jìn)行評(píng)價(jià)，支持向量機(jī)的評(píng)價(jià)過(guò)程中通過(guò)遺傳算法來(lái)進(jìn)行相關(guān)參數(shù)尋優(yōu)操作[1，2]。

1 粗集理論

波蘭學(xué)者Pawlak于1982年提出了粗糙集（RoughSet）理論，粗糙集理論就是在無(wú)需提供問(wèn)題需要處理數(shù)據(jù)之外的任何其他先知信息，而是僅根據(jù)已知的數(shù)據(jù)剔除冗余信息，獲得本質(zhì)信息，分析得到知識(shí)的不完整程度，生成決策或分類(lèi)的相關(guān)規(guī)則及準(zhǔn)則，實(shí)現(xiàn)通過(guò)分類(lèi)準(zhǔn)則或規(guī)則對(duì)已知數(shù)據(jù)進(jìn)行精簡(jiǎn)或約減，對(duì)于處理未確知和模糊數(shù)據(jù)具有良好的效果[3-5]。

1.1 信息系統(tǒng)

一個(gè)信息系統(tǒng)S通過(guò)下式表示：S=（U，A，V，f），其中U為論域，（U={x1，x2，……，xn}）由有限個(gè)研究對(duì)象組成；A=C∪D為屬性集，其中C是條件屬性集，D是決策屬性集；V是值域；f是映射，對(duì)？坌a∈A，x∈U，實(shí)現(xiàn)關(guān)于屬性a的值。

1.2 不可區(qū)分關(guān)系

粗糙集理論將知識(shí)和分類(lèi)緊密聯(lián)系起來(lái)，知識(shí)是對(duì)客觀數(shù)據(jù)進(jìn)行分類(lèi)的能力，分類(lèi)就是將差別的數(shù)據(jù)對(duì)象分析成為一類(lèi)，它們之間的關(guān)系稱(chēng)之為不可分辨關(guān)系或等價(jià)關(guān)系，其中知識(shí)庫(kù)可以用K=（U，R）表示，其中U是非空有限集，稱(chēng)之為論域，R是U上的一族等價(jià)關(guān)系。UΠR為R的所有等價(jià)類(lèi)族。[X]R表示包含元素x∈U的R的等價(jià)類(lèi)。若yyP？哿R且P≠？椎，則P中全部等價(jià)關(guān)系的交集也是一種等價(jià)關(guān)系，稱(chēng)為P上的不可區(qū)分關(guān)系，記為ind（p），[x]ind[]x=u■[x]R，P？哿R。

1.3 屬性約簡(jiǎn)與核

定義1：假設(shè)S=（U，R）為信息系統(tǒng)，R是U上的等價(jià)關(guān)系族，x∈R，若U/IND（R）=U/IND（R-r），則稱(chēng)是R中可以被約簡(jiǎn)掉的知識(shí)，否則不可被約簡(jiǎn)掉。

定義2：對(duì)于任意r∈P（P？哿R），若其中的P都是不可被約簡(jiǎn)的，則其等價(jià)關(guān)系族P是獨(dú)立的，否則認(rèn)為P是相關(guān)的。

定義3：假定S=（U，R）為信息系統(tǒng)，如果子族PR滿(mǎn)足下列條件：IND（P）=IND（R），而且P是獨(dú)立的，則稱(chēng)P是R的一個(gè)約簡(jiǎn)。

如果P是R的約簡(jiǎn)，則P必須滿(mǎn)足以下條件：①P獨(dú)立；②P與R有相同的分類(lèi)能力，即IND（P）=IND（R）。

定義4：假定S=（U，R）為信息系統(tǒng)，如果其中R不可約去的屬性，則稱(chēng)做R是核屬性，所有核屬性構(gòu)成的集合稱(chēng)為核集，記作Core（R），稱(chēng)Core（R）為R的核。

1.4 粗集的上、下近似及邊界

定義1：給定知識(shí)庫(kù)K=（U，R），X？哿U，稱(chēng)y■（X）={x|[x]R？哿X，？坌x∈U}為集合X的下近似，也稱(chēng)■（X）是X的R正域，記做POSR（X）；顯然，X的R正域POSR（X）是由U中完全屬于X的元素構(gòu)成的集合?！觯╔）是一個(gè)確定性集合，它是由完全包含在X中的那些R的等價(jià)類(lèi)（中的元素）構(gòu)成的集合。即X的R正域 POSR（X）中的元素可被正確分類(lèi)。

定義2：稱(chēng)BNR（X）=■（X）-■（X）為X的R邊界域，稱(chēng)NEGR（X）=U-■（X）為X的負(fù)域。顯見(jiàn)，負(fù)域中的元素由不能確定是否屬于X的元素組成。

1.5 決策表的簡(jiǎn)化

對(duì)于決策表的條件屬性進(jìn)行化簡(jiǎn)，也就是對(duì)決策表的簡(jiǎn)化，簡(jiǎn)化的決策表具有與之前的決策表相同的決策等功能，不影響其核心功能的體現(xiàn)，只不過(guò)是簡(jiǎn)化后的決策表具有更少的條件屬性，這樣會(huì)提高決策和評(píng)價(jià)效率。因此，決策表的簡(jiǎn)化在實(shí)際應(yīng)用領(lǐng)域中占有相當(dāng)分量。換言之，在更少的條件下，獲得同樣的決策，使得利用一些相對(duì)之前更為簡(jiǎn)單的手段或條件就可以獲得同樣的決策或結(jié)果。決策表的簡(jiǎn)化步驟如下：（1）對(duì)決策表的條件屬性進(jìn)行約簡(jiǎn)，獲得核心因素，也就是消去決策表中的某些列；（2）約簡(jiǎn)掉決策表中重復(fù)的某些行消去重復(fù)的行；（3）約簡(jiǎn)掉屬性的冗余值。

本研究主要通過(guò)以上3個(gè)步驟對(duì)決策表進(jìn)行屬性約簡(jiǎn)，以期得到影響供應(yīng)鏈績(jī)效評(píng)價(jià)的主要因素或指標(biāo)，約簡(jiǎn)掉冗余因素或指標(biāo)，為下一步的供應(yīng)鏈支持向量機(jī)評(píng)價(jià)奠定一個(gè)良好的基礎(chǔ)。

2 遺傳-支持向量機(jī)回歸模型

2.1 支持向量機(jī)基本原理

SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的方法，由于其是一個(gè)凸二次優(yōu)化問(wèn)題，從而保證能找到一個(gè)全局最優(yōu)解，而且其能夠較好地解決小樣本、非線(xiàn)性、高維數(shù)等實(shí)際問(wèn)題，問(wèn)題的復(fù)雜程度不再簡(jiǎn)單地取決于維數(shù)高低，并且具有良好的泛化能力[6-8]。對(duì)于其凸二次優(yōu)化問(wèn)題，可以應(yīng)用標(biāo)準(zhǔn)的拉格朗日乘子法進(jìn)行優(yōu)化求解。

假設(shè)訓(xùn)練樣本為{（x1，y1），……（xi，yi）}，其中（xi∈Rm）是第i個(gè)學(xué)習(xí)樣本的輸入值，且為m維列向量，yi∈R為對(duì)應(yīng)的目標(biāo)值?？梢越⑷缦滦问降幕貧w函數(shù)：

（y）i=fi（t）={wi，？漬i（t）}+bi （1）

式（1）中，{}表示內(nèi)積運(yùn)算，wi描述了函數(shù)fi（t）的復(fù)雜度，bi為常數(shù)?？紤]到函數(shù)的復(fù)雜度和擬合誤差，函數(shù)擬合問(wèn)題等價(jià)于滿(mǎn)足如下約束條件時(shí)

xi-{wi，？漬i（tl）}-bi=（？孜i）l （l=1，2，……，j） （2）

最小化代價(jià)泛函

Ri=■{wi，wi}+■C■[（？孜i）l]2 （3）

式（3）中，C為懲罰因子，？孜i為松弛變量。對(duì)于這個(gè)尋優(yōu)問(wèn)題，可以建立以下函數(shù)

Li（wi，bi，？孜i，αi）=■{wi，wi}+■C■[（？孜i）l]2+■（αi）l[{wi，？漬i（tl）}+bi+（？孜i）l-（xi）l] （4）

式（4）中，（αi）l為L(zhǎng)agrange乘子?？疾焓剑?）所給函數(shù)極值存在條件，可以獲得求解所有參數(shù)的一個(gè)方程組，并最終得到回歸函數(shù)（1）的表達(dá)式為

fi（t）=■（αi）lKi（t，tl）+bi （5）

式（5）中，Ki（t，tl）為滿(mǎn)足Mercer條件的支持向量機(jī)核函數(shù)。廣泛應(yīng)用一種核函數(shù)為徑向基核函數(shù)

Ki（t，tl）=exp[-■] （6）

式（6）中，？滓i為xi的標(biāo)準(zhǔn)偏差。

當(dāng)每個(gè)訓(xùn)練數(shù)據(jù)所對(duì)應(yīng)的回歸函數(shù)fi（t）均被確定后，可以得到回歸函數(shù)為

Yt=■fi（t）=■[■（αi）lKi（t，tl）+bi] （7）

支持向量機(jī)回歸模型中具有多個(gè)參數(shù)，易陷入局部最優(yōu)，因此本研究利用具有全局尋優(yōu)能力的遺傳算法對(duì)其參數(shù)進(jìn)行尋優(yōu)。

2.2 遺傳算法基本原理

遺傳算法和傳統(tǒng)搜索算法不同，它首先隨機(jī)產(chǎn)生一組初始解，即“種群（Population）”，種群中的每一個(gè)個(gè)體，即問(wèn)題的一個(gè)解向量，稱(chēng)為“染色體（Chromosome）”，開(kāi)始搜索過(guò)程。這些染色體在后續(xù)迭代中不斷進(jìn)化，生成的下一代染色體稱(chēng)為“后代（Offspring）”。每一代中染色體的好壞可通過(guò)染色體的適應(yīng)值（Fitness）來(lái)評(píng)價(jià)：適應(yīng)值大的染色體被選擇的幾率高，相反，適應(yīng)值小的染色體被選擇的可能性小，被選擇的染色體通過(guò)交叉（Crossover）和變異（Mutation）產(chǎn)生新的染色體，即后代；經(jīng)過(guò)若干代之后，算法收斂于最好的染色體，該染色體很可能就是問(wèn)題的最優(yōu)解或近似最優(yōu)解。遺傳算法的運(yùn)行步驟如下[9-15]：（1）隨機(jī)產(chǎn)生初始種群popk；（2）以適應(yīng)度函數(shù)對(duì)染色體進(jìn)行評(píng)價(jià)；（3）按適應(yīng)值高低選擇染色體形成新種群newpopk；（4）通過(guò)交叉、變異操作產(chǎn)生新的染色體即后代offspring；（5）不斷重復(fù)步驟（2）-（4），直到獲得預(yù)定進(jìn)化代數(shù)。

其迭代流程見(jiàn)圖1所示。由上述步驟可看出，遺傳算法主要由遺傳運(yùn)算（交叉和變異）和進(jìn)化運(yùn)算（選擇）組成。

交叉運(yùn)算是最主要的遺傳運(yùn)算，遺傳算法的性能在很大程度上取決于所采用的交叉運(yùn)算的性能。交叉運(yùn)算同時(shí)對(duì)兩個(gè)染色體操作，組合兩者的特性產(chǎn)生新的后代。變異則是一種基本運(yùn)算，它在染色體上自發(fā)產(chǎn)生隨機(jī)變化。變異可以提供初始種群中不含有的基因，或找回選擇過(guò)程中丟失的基因，為種群提供新的內(nèi)容。

3 實(shí)證分析

設(shè)計(jì)任何評(píng)價(jià)指標(biāo)體系都應(yīng)遵循一些基本原則，因此，本研究結(jié)合供應(yīng)鏈績(jī)效評(píng)價(jià)的概念，根據(jù)目的性原則、科學(xué)性原則、系統(tǒng)性原則、經(jīng)濟(jì)性原則、定量與定性相結(jié)合的原則和通用性與發(fā)展性相結(jié)合原則這六個(gè)原則初步確定一個(gè)比較廣泛的供應(yīng)鏈績(jī)效評(píng)價(jià)指標(biāo)體系（表1）。同時(shí)，對(duì)評(píng)價(jià)指標(biāo)代號(hào)及指標(biāo)類(lèi)型進(jìn)行了標(biāo)定。其中，極大型指標(biāo)是指標(biāo)值越大越好的指標(biāo)，又稱(chēng)正向指標(biāo)；極小型指標(biāo)是指標(biāo)值越小越好的指標(biāo)，又稱(chēng)逆向指標(biāo)。本研究應(yīng)用這一指標(biāo)體系對(duì)河北、山東、天津等地區(qū)的14條供應(yīng)鏈進(jìn)行調(diào)研，調(diào)查的實(shí)際數(shù)據(jù)請(qǐng)相關(guān)專(zhuān)家進(jìn)行評(píng)分，其評(píng)分結(jié)果將作為支持向量機(jī)評(píng)價(jià)結(jié)果進(jìn)行訓(xùn)練和檢驗(yàn)，同時(shí)也作為和只運(yùn)用支持向量機(jī)所得出的訓(xùn)練結(jié)果進(jìn)行比較（表2）[1，2]。

3.1 粗集屬性約簡(jiǎn)

把實(shí)測(cè)數(shù)據(jù)輸入，把這些指標(biāo)作為條件屬性。對(duì)于供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果根據(jù)所處情況分為五類(lèi)（很好，較好、一般、不好、很不好），作為決策屬性記為D{1，2，3，4，5}，

對(duì)決策表進(jìn)行屬性約簡(jiǎn)，根據(jù)粗集理論可以求出哪些是核心屬性，哪些是冗余屬性，由于屬性約簡(jiǎn)算法比較復(fù)雜，采用VB6.0編程進(jìn)行屬性約簡(jiǎn)。屬性約簡(jiǎn)后的指標(biāo)體系見(jiàn)表2。此指標(biāo)體系由于約簡(jiǎn)了冗余屬性，提取了核心屬性，為下一步利用支持向量機(jī)進(jìn)行回歸識(shí)別提供了比較好的基礎(chǔ)。

把通過(guò)實(shí)際調(diào)研的數(shù)據(jù)輸入約簡(jiǎn)后的決策表（表3）。

3.2 遺傳-支持向量機(jī)回歸模型的學(xué)習(xí)

支持向量機(jī)學(xué)習(xí)算法如下：

1）獲取學(xué)習(xí)樣本（xi，yi），i=1，2，……l，其中xi∈Rm，yi∈{1，-1}l對(duì)樣本進(jìn)行預(yù)處理。

2）選擇進(jìn)行非線(xiàn)性變換的核函數(shù)及對(duì)錯(cuò)分（誤差）進(jìn)行懲罰的懲罰因子C。

3）形成二次優(yōu)化問(wèn)題用優(yōu)化方法。對(duì)于此優(yōu)化問(wèn)題中參數(shù)尋優(yōu)，通過(guò)遺傳算法獲得，具體步驟如下：①確定遺傳算法編碼方式。采用十進(jìn)制整數(shù)編碼的遺傳算法的群體中模式的數(shù)目，低階并且適應(yīng)度值在群體平均適應(yīng)度值以上的模式在遺傳算法迭代過(guò)程中將按指數(shù)增長(zhǎng)率被采樣。②生成初始種群。初始染色體的多少對(duì)遺傳算法的搜索有影響，對(duì)支持向量機(jī)算法具有顯著影響，為了優(yōu)化模型往往需要對(duì)染色體參數(shù)進(jìn)行適當(dāng)優(yōu)化。根據(jù)采集數(shù)據(jù)情況，確定初始種群染色體數(shù)目。③計(jì)算每個(gè)染色體的適應(yīng)度值f（xi），xi為種群中第i個(gè)染色體；④累加所有染色體的適應(yīng)度值sum=∑f（xi），同時(shí)記錄對(duì)于每一個(gè)染色體的中間累加值S-mid，其中S為總數(shù)目；⑤產(chǎn)生一個(gè)隨機(jī)數(shù)N，0

4）獲得αi以及b的值，代入方程中，獲得函數(shù)擬合的支持向量機(jī)。

5）將需預(yù)測(cè)或分類(lèi)的數(shù)據(jù)代入支持向量機(jī)方程中獲得結(jié)果。

本研究中所選評(píng)價(jià)指標(biāo)作為供應(yīng)鏈評(píng)價(jià)因素集，供應(yīng)鏈績(jī)效評(píng)價(jià)等級(jí)分為5級(jí)，目標(biāo)輸出對(duì)應(yīng)以下5類(lèi)：1、2、3、4、5。

利用表2中的前10數(shù)據(jù)作為訓(xùn)練樣本，對(duì)于數(shù)據(jù)采用以下公式進(jìn)行歸一化處理，以減少各個(gè)因子不同量級(jí)對(duì)于回歸效果的影響，并利用Matlab軟件得出回歸結(jié)果（圖2）。

■=■ （7）

由圖2可以看出擬合效果非常好，從而可以對(duì)剩下的4個(gè)進(jìn)行識(shí)別，并與采用BP神經(jīng)網(wǎng)絡(luò)對(duì)10到14的樣本進(jìn)行評(píng)判的結(jié)果進(jìn)行對(duì)比（表4）。

通過(guò)表4可見(jiàn)，基于粗集的支持向量機(jī)識(shí)別等級(jí)與支持向量機(jī)識(shí)別的等級(jí)除了編號(hào)12之外都一樣，通過(guò)對(duì)編號(hào)12的數(shù)據(jù)進(jìn)行進(jìn)一步分析可以得出此供應(yīng)鏈績(jī)效等級(jí)更趨近于一般等級(jí)。

4 結(jié)論

本研究首先利用粗集理論提取出影響供應(yīng)鏈績(jī)效評(píng)價(jià)的核心因素，再使用支持向量機(jī)的方法進(jìn)行模式識(shí)別，模式識(shí)別過(guò)程中，利用遺傳算法對(duì)相關(guān)參數(shù)進(jìn)行尋優(yōu)操作，取得了良好的效果。由于支持向量機(jī)是基于小樣本的分類(lèi)及預(yù)測(cè)的模型。所以，在本研究實(shí)例所給樣本極少的情況下做出了較好的預(yù)測(cè)。由于支持向量機(jī)方法是建立在有限樣本下進(jìn)行機(jī)器學(xué)習(xí)的通用方法，因此它在供應(yīng)鏈績(jī)效評(píng)價(jià)和分析中有廣泛的應(yīng)用前景。

參考文獻(xiàn)：

[1] 王德財(cái).基于支持向量機(jī)的供應(yīng)鏈績(jī)效評(píng)價(jià)方法研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2006.

[2] 蔡煒凌.企業(yè)供應(yīng)鏈項(xiàng)目的綜合評(píng)價(jià)方法研究[D].河北保定：華北電力大學(xué)，2007.

[3] 曹慶奎，任向陽(yáng)，劉 琛，等.基于粗集-未確知測(cè)度模型的企業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)研究[J].系統(tǒng)工程理論與實(shí)踐，2006，9（4）：67-72.

[4] 張文修，吳偉志.粗糙集理論與方法[M].北京：科學(xué)出版社，2003.

[5] 柯孔林，馮宗憲.基于粗糙集與遺傳算法集成的企業(yè)短期貸款違約判別[J].系統(tǒng)工程理論與實(shí)踐，2008，9（4）：27-34.

[6] BANERJEE M， CHAKRABORTY M K.A category for rough sets[J].Foundations of Computing and Decision Sciences，1993，18（3-4）：167-180.

[7] 李順國(guó)，盧新元.基于粗糙集和SVM的工程項(xiàng)目投標(biāo)風(fēng)險(xiǎn)研究[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（17）：224-227.

[8] 蘇懷智，溫志萍，吳中如.基于SVM理論的大壩安全預(yù)警模型研究[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2009，17（1）：40-47.

[9] 趙洪波，馮夏庭.非線(xiàn)性位移時(shí)間序列預(yù)測(cè)的進(jìn)化——支持向量機(jī)方法及應(yīng)用[J].巖土工程學(xué)報(bào)，2003，25（4）：468-471.

[10] PETLEY D N， MANTOVANI F， BULMER M H， et al. The use of surface monitoring data for the interpretation of landslide movement patterns[J]. Geomorphology， 2005，66（1-4）：133-147.

[11] VALLEJO L E， SHETTIMA M. Creep crack propagation and the progressive failure of slopes[A]. In： Deformation and progressive failure in geomechanics[C]. London： Pergmon Press， 1997.

[12] BETTEN J. Creep mechanics[M]. 2nd ed. Berlin： Springer， 2005.

[13] MANDIC D P， GOLZ M， KUH A， et al. Signal processing techniques for knowledge extraction and information fusion[M]. Berlin：Springer，2007.

[14] KLIONSKI D M， ORESHKO N I， GEPPENER V V， et al. Applications of empirical mode decomposition for processing nonstationary signals[J]. Pattern Recognition and Image Analysis，2008，18（3）：390-399.

[15] LEE Y S， TSAKIRTZIS S， VAKAKIS A F， et al. Physics-based foundation for empirical mode decomposition[J]. AIAA Journal，2009，47（12）：2938-2963.