定性规则的云表示

云模型是定性定量间的不确定转换模型，它将概念的模糊性和随机性集成在一起，利用云模型可以有效地表示基于语言值的定性规则。但已有的文献中，定性规则的云表示多种多样，文章根据各种云的内在联系提出了一维正态云的定性规则的统一表示。     

基于云模型的不确定性推理方法

云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则.在单条件单规则发生器基础上,进一步提出双条件单规则发生器的实现算法,给出了云推理系统的体系结构.将基于云模型的不确定性推理方法用于设计电机转速控制系统,并且与模糊推理方法进行了比较,验证了云推理方法的有效性和实用性.     

一种基于云模型的决策表连续属性离散化方法

传统Rough集理论只能处理离散属性,所以在对决策表进行处理之前,必须对决策表中的连续属性进行离散化.本文提出了一种基于云模型的、领域独立的决策表连续属性离散化方法,尤其适合大数据量的情形.该方法首先根据数据的实际分布,利用云变换将连续属性的定义域划分为多个基于云的定性概念,然后利用决策表不确定性程度的反馈信息合并相邻的定性概念.这种离散化方法是一种软划分,更加符合实际的数据分布和人的思维方式另外通过合并相邻的定性概念,能够有效提高信息系统中信息的粒度,从而提高所挖掘规则的统计意义和预测强度.     

基于云模型的模糊数据挖掘研究与应用

针对目前各领域数据的复杂性、概念边界的模糊性、需求的不确定性,该文提出了一种基于云模型的模糊数据挖掘分析方法,采用了云模型在定性语言值和定量数值之间的不确定转换模型,为定性与定量相结合的数据处理分析提供了有力的手段。其中包括:对数据进行概念和特征的模糊识别;建立隶属云模型,刻画数字特征;通过统计、计算、分析得到实际需求的分类信息。实验结果表明了该分析方法能在大量的复杂数据空间中挖掘出有价值的信息,符合实际应用。     

基于分解云的分类器设计

基于云模型的分类算法多采用云变换和泛概念树方法,存在分类结果与先验知识不一致的问题。从粒度计算的角度对云模型理论进行了分析,揭示出云模型的粒度原理。提出了一种基于分解云的不同粒度下的云模型分类方法,并给出了分类方法的算法描述。用风云2C气象卫星的数据对算法进行了测试,从实验结果来看该方法具有较好的分类效果。     

云推理方法及其在预测中的应用

不确定性推理是当前人工智能研究领域中的一项重要研究内容。云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则,实现不确定性推理。将基于云模型的不确定性推理方法用于预测实际工作环境中电子产品的使用寿命,说明了云推理方法的有效性和实用性。     

图像纹理特征数据挖掘的理论与方法探讨

提出了一种基于概念格理论的关联规则挖掘的图像纹理特征分析方法；分析了基于云模型的图像数据挖掘中的不确定性问题：研究了概念驱动的图像纹理数据挖掘的理论和方法。     

基于云-神经网络的多属性模糊规则分类

针对模糊规则分类中数据边界硬性划分的局限性问题,建立了云-神经网络模型,并提出了基于云-神经网络的模糊规则分类算法.在不影响数据模糊性和随机性的基础上,将数据转化为规则,并利用神经网络的学习能力,进行多属性模糊规则分类,与传统方法相比,该方法在保证数据模糊性和随机性的基础上,提高了模型精度和分类准确率,应用实例表明了该方法的有效性和可行性.     

梯形云模型在概念划分及提升中的应用

云模型是定性概念与其定量表示之间进行不确定性转换的有效工具.目前对正态云模型已有较多研究,但对梯形云模型方面的研究很少.相对于正态云模型而言,梯形云模型在生活中更具一般性,用梯形云表示数值型语言概念有其特有的优势.给出了梯形云的一些相关定义,并且在分析了云理论中现有的基于正态云的概念划分和概念提升方法的基础上,提出了引入梯形云模型后新的云变换和软或操作方法,这些方法为解决数据发掘中许多关键问题提供了基础.     

云理论及其在空间数据发掘和知识发现中的应用

云理论是以研究定性定量间的不生转换为基础的系统处理不确定性问题的一新理论,包括云模型,虚云,云运算,云变换,不确定性推理等内容,云理论为数据发掘和知识发现中的许多基础性关键问题提供了新的解决方法,如概念和知识表达,定性定量转换,概念的综合与分解,从数据中生成概念和概念层次结构等。     

基于云模型不确定性推理的地图匹配算法

为了解决对于道路网密集且高程变化较大的城市道路地图匹配精度不高的问题,提出一种能够实现定性概念与定量数值之间不确定性转换的云模型地图匹配算法.通过建立云规则和进行基于云模型的不确定性推理,并且结合高程辅助方法来构筑地图匹配模型.云模型可以将定性概念的模糊性与随机性集成到一起,克服了基于模糊逻辑地图匹配算法中隶属度的确定带有主观色彩的不足.仿真试验以城市路网为例,并借助高程辅助的方法进行了分析,结果证明了该算法具有较高的匹配精度.     

Designing of classifiers based on immune principles and fuzzy rules

This paper proposed an algorithm to design a fuzzy classification system based on immune principles. The proposed algorithm evolves a population of antibodies based on the clonal selection and hypermutation principles. The membership function parameters and the fuzzy rule set including the number of rules inside it are evolved at the same time. Each antibody (candidate solution) corresponds to a fuzzy classification rule set. We compared our algorithm with other classification schemes on some benchmark datasets. The results demonstrated the effectiveness of the proposed immune algorithm.     

基于云模型的车辆定位导航系统模糊评测研究

阐述了定性定量转换模型－云模型的定义，特征以及正向云，逆向云，条件云的生成方法。云模型将模糊性与随机性集成在一起，作为知识表示的基础，形成定性概念与定量数值之间的转换，将云模型理论用于车辆定们导航系统模糊评测研究，能有效地提高导航系统的可靠性和评测效果，仿真结果表明了该方法的可行性和有效性。     

Building contextual classifiers by integrating fuzzy rule based classification technique and k-nn method for credit scoring

Credit-risk evaluation is a very challenging and important problem in the domain of financial analysis. Many classification methods have been proposed in the literature to tackle this problem. Statistical and neural network based approaches are among the most popular paradigms. However, most of these methods produce so-called “hard” classifiers, those generate decisions without any accompanying confidence measure. In contrast, “soft” classifiers, such as those designed using fuzzy set theoretic approach; produce a measure of support for the decision (and also alternative decisions) that provides the analyst with greater insight. In this paper, we propose a method of building credit-scoring models using fuzzy rule based classifiers. First, the rule base is learned from the training data using a SOM based method. Then the fuzzy k-nn rule is incorporated with it to design a contextual classifier that integrates the context information from the training set for more robust and qualitatively better classification. Further, a method of seamlessly integrating business constraints into the model is also demonstrated.     

船舶柴油机供油提前角云控制模型研究

船舶柴油机作为船舶动力装置,对航运经济有非常重要的支持作用.但是,由其产生的排放污染不容忽视,而且越来越为严重.云是语言值表示的某个定性概念与其定量表示之间的不确定性转换模型.基于云模型的定性知识推理,以概念为基本表示,从数据库中挖掘出定性知识,构造规则发生器.多条定性规则构成规则库,当输入一个特定的条件激活多条定性规则时,通过推理引擎,实现带有不确定性的推理和控制.通过将云控制技术应用于船舶柴油机供油提前角的控制,从而达到控制NOx排放量的目的.并经仿真验证了该方法的正确性.     

On the 2-tuples based genetic tuning performance for fuzzy rule based classification systems in imbalanced data-sets

When performing a classification task, we may find some data-sets with a different class distribution among their patterns. This problem is known as classification with imbalanced data-sets and it appears in many real application areas. For this reason, it has recently become a relevant topic in the area of Machine Learning.The aim of this work is to improve the behaviour of fuzzy rule based classification systems (FRBCSs) in the framework of imbalanced data-sets by means of a tuning step. Specifically, we adapt the 2-tuples based genetic tuning approach to classification problems showing the good synergy between this method and some FRBCSs.Our empirical results show that the 2-tuples based genetic tuning increases the performance of FRBCSs in all types of imbalanced data. Furthermore, when the initial Rule Base, built by a fuzzy rule learning methodology, obtains a good behaviour in terms of accuracy, we achieve a higher improvement in performance for the whole model when applying the genetic 2-tuples post-processing step. This enhancement is also obtained in the case of cooperation with a preprocessing stage, proving the necessity of rebalancing the training set before the learning phase when dealing with imbalanced data.