粗糙集理论在步战车故障诊断专家系统中知识自动获取的应用

根据粗糙集理论,实现步战车故障诊断专家系统知识自动获取。首先根据历史故障数据建立决策表,利用粗糙集数据挖掘算法对决策表进行属性约简,对得到的决策表消除冗余,再利用属性值约简算法对决策表进行属性值约简,最后得到决策规则。知识库由条件表、结论表和事实表组成,保存在Access2003中。把条件属性保存到知识库的条件表中,把决策属性保存到知识库的结论表中,这样就很方便的建立了知识库。     

基于粗集理论的雷达目标类型识别

将粗糙集决策算法用于常规雷达目标多特征融合分类,并进行雷达目标类型识别,可提高目标的识别率,增强系统的稳健性.通过建立目标特征知识系统与分类决策表,提出了决策规则的应用和系数的确定,并提出了目标融合分类的步骤与方法.当雷达从不同姿态角照射目标时,从回波序列提取的目标径向投影特征属性取值将分布在一个与目标结构尺寸有关的区间之内,加之雷达测量误差使目标属性测量值呈平稳正态分布,所以,对决策表的条件属性取值进行区间划分将有助于增加条件属性矢量的容差能力,提高分类决策的稳健性.以一个包含6类30种目标的知识系统为例的分类实验达到了不低于90%的识别率.     

基于主曲线的脱机手写数字识别

该文提出了一种基于主曲线的脱机手写数字识别方法.该方法将主曲线及知识约简算法运用于识别模型中.主曲线是主成份分析的非线性推广,它是通过数据分布"中间"并满足"自相合"的光滑曲线.它较好地反映了数据分布的结构特征.粗糙集理论的知识约简是从决策表中获取决策(分类)规则的有效工具.本文将主曲线用于训练数据的特征提取,根据主曲线的特征生成决策表;利用我们提出的知识约简算法对决策表进行处理,自动获得分类规则.这种方法既符合人的识别习惯,又克服了利用统计特征识别所带来的不足.实验结果表明了该方法能有效提高手写数字的识别率,为脱机手写数字识别的研究提供了一条新途径.     

基于粗糙集的交通信号控制决策研究

粗糙集理论能够在分析大量经验数据基础上找到用于判断决策的规则,同时允许决策对象中存在一些不太完整的属性,并通过推理得出基本上确定的规则。将粗糙集理论与交通控制结合起来,对交通控制过程中的属性进行了分析,并将粗糙集理论的知识获取和决策分析算法应用到交通信号控制中,提出了一种系统的交通信号控制知识获取和决策的方法,是在解决城市交通状况决策问题上的一次有益的尝试。     

基于粗糙集理论的电力线路运行状态研究

提出了一种基于粗糙集理论的电力线路运行状态分析新方法。应用粗糙集理论建立电力线路决策表,并进行属性约筒,得出决策规则;分析计算了各条件属性对电力线路运行状态的不同权重,克服了传统方法确定权重系数的主观性;结合现场取回数据的具体算倒进行分析并计算分析了电力线路的运行状态,取得了良好的结果。     

基于新聚类学习的属性离散化方法

粗糙集理论中,属性的离散化是预处理中的关键问题。基于新聚类学习算法提出了一种新的属性离散化方法,并将该方法用于车牌字符识别中。首先根据车牌字符的特征建立决策表,给出了基于新聚类学习算法对决策表属性值进行离散化的算法。然后应用粗糙集理论对离散后的决策表属性进行约简,由约简后的属性构造神经网络识别器。字符识别的结果分析表明基于新聚类学习方法的离散化算法对于车牌字符属性较为适用。     

基于FCM的模糊粗糙属性约简

为解决粗糙集离散化过程中存在的信息损失问题,将粗糙集理论与模糊集理论相结合,提出基于FCM的模糊粗糙属性约简算法.该方法用模糊C均值聚类算法对连续属性进行模糊化,并通过有效性分析来确定最佳分类数目.该方法克服了目前属性模糊化方法需要人为规定划分类数.几乎不考虑信息系统的具体属性值等缺点.最后分别对天气信息系统和玻璃识别信息系统进行了属性约简计算,结果表明该方法是可行有效的.     

基于Rough集理论的空间数据分类方法

文中主要研究了粗糙集理论在空间数据分类中的应用。在空间数据分类的同时考虑了数据的空间属性和非空间属性，并提出了一种新的基于Rough集理论的决策表离散化算法。由于空间数据对象的属性受其附近的其他空间对象的影响，所以在进行基于空间数据库的数据分类时应该考虑到这种影响。文中首先对空间数据进行预处理，在其属性表中添加空间属性信息，然后使用粗糙集理论处理扩展后的属性表，对其进行数值型数据的离散化、属性表的属性约简和值约简等操作，最终生成分类规则。     

统计指标离散化方法及应用

连续数据离散化能够提高数据挖掘算法的分类能力．文中提出一种基于统计指标的连续属性离散化方法,凭借相关系数衡量类与属性间的关联度,获取最优区间列表．引入变精度粗糙集模型,有效地控制数据由离散化导致的信息丢失．该方法在声纳传感器数据识别以及其它领域上进行了应用．实验结果表明,该方法在J48决策树上有很好的分类能力．     

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

Fuzzy reasoning model based on universal combination operation model

The universal combination operation model is a comprehensive decision model of continuous-valued logic.It overcomes limitations of the scope of operations of reasoning operators in the current comprehensive decision-making system.This article discusses relationship of mutual information and general correlation coefficient and gives the corresponding rules of them,the optimal matching operator is selected to complete fuzzy decision according to mutual information between candidate attributes.The relationship of mutual information between attributes and generalized correlative coefficient provides the principle to select the matching operator.According to the results of experiment,it is more reasonable to enhance classified precision effectively.There is a certain application value of the article’s method.     

基于PCA和模糊C-均值聚类的目标连续属性量化算法

机器学习中很多方法要求目标属性是离散的,而实际中很多属性是连续的。目前的连续属性量化算法存在的问题是当新的对象加入决策表时,原有的分割点可能不是最优的。基于PCA(主成分分析)、模糊C-均值聚类和不相容度概念,提出一种目标连续属性量化算法,该算法具有在量化过程中区别对待不同的条件属性,以决策表的不相容度为连续属性量化终止的标准,在保持决策表信息损失最少的情况下,尽量减少分类的区间数等特点。     

基于类别特征矩阵的决策规则提取算法

在粗糙集中决策表属性最小约简与规则提取是NP hard的。充分考虑了可辨识矩阵的特性,提出一种基于类别特征矩阵的决策规则提取算法。首先对类别特征矩阵进行了不相容对象的剔除和核属性的提取,然后利用核属性集合对类别特征矩阵来提取决策规则。实例结果表明,所提出的算法获得的规则更为简洁、高效。     

粗糙集属性约简的完备算法

属性约简是Rough Set理论研究中的核心内容之一,现已经证明寻找决策表的最小约简是NP-hard问题.为了快速有效地得到最小约简,本文利用决策表的一些特点提出了一种完备算法,并给出了该算法的复杂度,最后通过实例分析表明,在多数情况下该算法能够得到决策表的最小约简.     

不完备信息系统中知识约简的一种启发式算法

不完备信息系统中的知识获取是粗集理论应用的难点。通过引入信息熵和条件信息熵，对信息系统中属性的必要性进行了定义；提出了一种基于条件信息熵的知识约简启发式算法，并指出该算法的时间复杂度是多项式的。通过实例说明，该算法能得到信息表的约简和决策表的最小相对约简。     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

基于属性相关性划分的多敏感属性隐私保护方法

近年来,基于l-多样性的多维敏感属性的隐私保护研究日趋增多,然而大部分多敏感属性隐私保护方法都是基于有损分解的思想,破坏了数据间的关系,降低了数据效用.为此,提出了一种面向多敏感属性的隐私模型,首先给出一种l-maximum原则用以满足多敏感属性l-多样性要求;其次,为了保护属性间的相关性,根据属性间的依赖度对属性进行划分;最后设计并实现了MSA l-maximum（Multiple Sensitive Attributes l-maximum）算法.实验结果表明,提出的模型在保护隐私不泄露的同时,减少了元组的隐匿率,并且保护了数据间的关系.     

A New K-Ary Crisp Decision Tree Induction with Continuous Valued Attributes

The simplicity and interpretability of decision tree induction makes it one of the more widely used machine learning methods for data classification.However,for continuous valued (real and integer) attribute data,there is room for further improvement in classification accuracy,complexity,and tree scale.We propose a new K-ary partition discretization method with no more than K-1 cut points based on Gaussian membership functions and the expected class number.A new K-ary crisp decision tree induction is also proposed for continuous valued attributes with a Gini index,combining the proposed discretization method.Experimental results and non-parametric statistical tests on 19 real-world datasets showed that the proposed algorithm outperforms four conventional approaches in terms of both classification accuracy,tree scale,and particularly tree depth.Considering the number of nodes,the proposed methods decision tree tends to be more balanced than in the other four methods.The complexity of the proposed algorithm was relatively low.     

Application of information theory to the construction of efficient decision trees

The problem of conversion of decision tables to decision trees is treated. In most cases, the construction of optimal decision trees is an NP-complete problem and, therefore, a heuristic approach to this problem is necessary. In this heuristic approach, an application of information theoretic concepts to construct efficient decision trees for decision tables which may include "don't care" entries is made. In contrast to most of the existing heuristic algorithms, this algorithm is systematic and is intuitively appealing from an information theoretic standpoint. The algorithm has low design complexity and yet provides near-optimal decision trees.     

基于条件熵的直觉模糊条件推理

该文在利用隶属度和犹豫度计算直觉模糊逻辑命题真值的对称合成方法的基础上,提出了一种基于条件熵的直觉模糊条件推理新算法。将直觉模糊条件推理规则的前件和后件与决策信息系统的条件属性和决策属性等价起来,条件属性、决策属性和推理规则均视为直觉模糊命题,直觉模糊命题的真实程度转化成一种决策规则前件对后件的条件熵的度量,并给出了条件熵的范围,从而确定直觉模糊命题的真实程度的范围。