随着信息时代的蓬勃发展,各行各业产生的数据量近乎以指数级的方式递增。人们对于数据的钻研不断地精益求精,对于数据所带来的效益追求可谓永无止境。因此有关数据处理的问题一直是近年来研究的热点。匹配决策方法在数据处理问题中扮演着不可或缺的角色。其不仅在商业领域崭露头角,更是目标追踪和数据融合应用中极其关键的步骤。匹配决策在于处理某个集合中的一个或多个对象与其他集合中的一个或多个对象合理匹配的过程。在此过程中,要求充分思量双方所有待匹配对象的满意度信息,决策的最终目标在于找到一种双边匹配关系,使其尽可能地满足待匹配对象的需求。虽然匹配决策问题已经引起学者们的广泛关注,并针对相应问题提出了一些解决策略,然而当对象所携带的信息具有不精确或不完整性时,现有的匹配决策方法就表现得差强人意。鉴于此,遂将置信规则库推理方法引入到双边匹配决策领域,该方法具有能够对各种不确定性的信息进行综合利用和处理的能力。其推理性能受到两方面的影响,其一为参数选择,其二为规则库结构。本文针对以上两点因素展开研究并优化其过程,最后提出新参数训练方法使其更好地融入到双边匹配决策问题中。具体研究工作如下:(1)针对当前基于群智能算法的参数优化方法其运行效率和收敛精度不理想的情况,本文引入人工蜂群算法,提出一种基于自适应扰动的参数优化策略。通过添加高斯扰动因子使得算法在迭代初期避免陷入局部最优解,在算法后期自动缩短扰动域,维护当前最优解的同时,对解的精度做更深层次的挖掘。最后采用多极值函数拟合和输油管道泄漏检测实例验证该方法的有效性。(2)针对线性组合方式所构建的置信规则库无法准确发挥前件属性权重效能的问题,提出二择众仓决策法,首先,将置信规则的后件评价等级固定设置成两个,对一个决策问题仅做出二择判定。其次,设置多个置信规则库同时处理若干个子问题。最后,通过众仓决策的方式融合多个子问题的结果。实验部分利用分类数据对本文方法进行了验证。(3)针对具有不确定信息的多属性双边匹配决策问题,结合置信规则库推理方法提出截断线性区间映射法。以解决对象属性仅存在“单边”支持特性从而在输入值达到阈值后将对结果置信度产生错误诱导,采用强行截断的方式将该输入值纳为不确定部分,当不足以采用截断方式时,使用区间映射法来减少对结果的不良影响。最后通过实验表明改进后的置信规则库系统具有更好的推理能力。