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。     

粗集理论原型系统的集成与实现

粗集理论主要基于集合近似的概念，给出了知识划分和规则提取的一套方法．主要有不可分辨类的数据划分定义、上下近似和相对正区域求解方法、最小决策规则生成等。针对粗集中这些重要理论．文章主要介绍开发粗集理论原型系统的设计要求、系统组成以及实现粗集理论中相关算法理论依据，并包含有通用数据库接口．因此有着一定的应用价值。     

改进的粗集属性约简的启发式算法

提出了一种改进的粗集属性约简的启发式算法。寻找粗集理论的最小属性约简已经被证明是NP难题,一般采用启发式算法来寻找近似最优解,但求得的约简有冗余属性存在的问题。针对一般启发式算法的不完备性,利用粗集理论中的属性依赖度和属性重要度,构造启发式信息,并在算法中增加了消除冗余的二次约简过程,得到一种改进的启发式算法。最后通过实际算例分析,验证了该改进算法的有效性。     

粗集运算的产生式关联规则获取方法

分析了粗集运算的产生式关联规则(知识)获取方法的原理,给出了其关联规则自动获取过程.通过隶属函数的分类定义并求解其分类隶属度,其目的是对数值型数据进行定性化处理,从而形成规范的决策表.研究了数据元组范化的方法、属性归约的具体算法.提出了用多维代表值的求解方法进行元组值约简,并给出了其具体算法.实例表明,通过该方法抽取的关联规则真实、可靠,有效地实现了关联规则的自动获取且其操作的自动化程度高.     

基于粒度的粗集-决策树雷达信号识别模型

通过引入知识粒度的概念,对信息系统中属性的重要度进行了定义,并以属性重要度为启发式信息,进行粗集的属性约简.在构造决策树的过程中,基于粗集的理论运用了加权平均粗糙度的概念,并将其作为选择分离属性的标准.将这种联合粗集与决策树的模型应用到雷达信号识别中,经实验证明,用该方法构造的决策树复杂性低,且能有效提高分类效果.     

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。     

基于WEKA的客户流失预测研究

针对电信企业客户流失问题,提出一种基于Weka平台知识自动获取的客户流失预测模型。针对决策树算法偏向于选择取值较多的属性作为测试属性的缺点,结合OIR算法选择相关属性子集进行分类,降低相关度较小属性与重复属性对分类的影响。通过在Weka平台上使用6个UCI数据集和移动公司客户数据的实验结果表明,优化后的决策树算法克服了决策树算法的取值偏置问题,从而获得比J48算法更高分类准确率。     

连续值属性决策表中的知识获取方法

 提出了一种从连续值属性决策表中获取知识的方法KACVA(Knowledge Acquisition from decision tables containing Continuous-Valued Attributes).该方法将经典粗糙集理论对数据空间的等价划分转换为相似划分,把传统粗糙集理论中正域的表示方法扩充到连续值属性决策表中;通过计算连续值属性决策表中各条件聚类对决策类的分类能力,生成决策规则.不同数据集的实验测试结果表明:对连续值属性决策表中的知识获取,KACVA方法与传统的粗糙集相关知识获取方法及C4.5决策树分类方法相比,有更高的分类准确率.     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

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。     

决策表中加权关联规则挖掘的研究

通过对规则支持高度提出新的定义 ,对现有的模型进行了扩展 ,并由此提出了新的关联规则挖掘算法     

An Intrusion Detection System based on evidence theory and Rough Set Theory

In this paper, we propose a novel Intrusion Detection System (IDS) architecture utilizing both the evidence theory and Rough Set Theory (RST). Evidence theory is an effective tool in dealing with un-certainty question. It relies on the expert knowledge to provide evidences, needing the evidences to be inde-pendent, and this make it difficult in application. To solve this problem, a hybrid system of rough sets and evidence theory is proposed. Firstly, simplification are made based on Variable Precision Rough Set (VPRS) conditional entropy. Thus, the Basic Belief Assignment (BBA) for all evidences can be calculated. Secondly, Dempster’s rule of combination is used, and a decision-making is given. In the proposed approach, the diffi-culties in acquiring the BBAs are solved, the correlativity among the evidences is reduced and the subjectiv-ity of evidences is weakened. An illustrative example in an intrusion detection shows that the two theories combination is feasible and effective.     

Using Rough Set Theory to Recruit and Retain High-Potential Talents for Semiconductor Manufacturing

To recruit and retain high-potential talent is critical for semiconductor companies to maintain competitive advantages in a modern knowledge-based economy. Conventional personnel selection methodologies focusing on static work and job analysis will no longer be appropriate for knowledge workers in high-tech industries. This paper aims to develop an effective data mining approach based on Rough Set Theory to explore and analyze human resource data for personnel selection and human capital enhancement. An empirical study was conducted in a leading semiconductor company in Taiwan to estimate the validity of the proposed approach for predicting work behaviors including performance and resignation. The results showed that latent knowledge can be discovered as a basis to derive specific recruitment and human resource management strategies. In particular, 29 rules have been adopted as references for recruiting the right talent. This paper concludes with discussions of empirical findings and future research directions.     

基于粗糙集和决策树法的认知无线电知识挖掘

对粗糙集、决策树C4.5算法进行了研究,提出用粗糙集和决策树相结合的方法设计CR知识挖掘模型,并通过案例研究其可行性;利用基于MATLAB 802.11a物理层仿真平台收集的数据作为CR感知样值,通过样本值训练决策树序列,构建决策树提取知识,并用混淆矩阵法对设计模型的准确性及性能进行评价。实验结果表明,该方法设计模型的分类准确率高,增强了知识的可解释性,能够初步达到认知无线电知识挖掘和对以往经验学习的目的。     

A Knowledge Reduction Algorithm Based on Conditional Entropy

1　ＩｎｔｒｏｄｕｃｔｉｏｎＳｏｍｅｉｎｄｕｓｔｒｉｅｓ ,ｉｎｃｌｕｄｉｎｇｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄｃｒｅｄｉｔｃａｒｄｓ ,ｈａｖｅｉｎｔｅｒａｃｔｉｖｅｒｅｌａｔｉｏｎｓｈｉｐｗｉｔｈｃｕｓｔｏｍｅｒｓｔｈａｔｇｅｎｅｒａｔｅｍａｎｙｔｒａｎｓａｃｔｉｏｎｒｅｃｏｒｄｓ,ｗｈｉｃｈｍａｋｅｓｄａｔａｔｏｂｅｇｅｎｅｒａｔｅｄａｎｄｃｏｌｌｅｃｔｅｄａｔａｎｕｎｐｒｅｃｅｄｅｎｔｅｄｓｐｅｅｄ .Ｈｏｗｅｖｅｒ,ｔｈｅｓｅｄａｔａｈａｖｅｔｏｂｅｔｕｒｎｅｄｉｎｔｏｋｎｏｗｌｅｄｇ…     

A constraint-based genetic algorithm approach for mining classification rules

Data mining is an information extraction process that aims to discover valuable knowledge in databases. Existing genetic algorithms (GAs) designed for rule induction evaluates the rules as a whole via a fitness function. Major drawbacks of GAs for rule induction include computation inefficiency, accuracy and rule expressiveness. In this paper, we propose a constraint-based genetic algorithm (CBGA) approach to reveal more accurate and significant classification rules. This approach allows constraints to be specified as relationships among attributes according to predefined requirements, user's preferences, or partial knowledge in the form of a constraint network. The constraint-based reasoning is employed to produce valid chromosomes using constraint propagation to ensure the genes to comply with the predefined constraint network. The proposed approach is compared with a regular GA and C4.5 using two UCI repository data sets. Better classification accurate rates from CBGA are demonstrated.     

基于粗糙集属性约简的SVM异常入侵检测方法

文章提出了基于粗糙集属性约简的支持向量异常入侵检测方法。为验证该方法的有效性,对实验数据集KDD99分别用粗糙集属性约简的支持向量分类方法和传统的支持向量分类方法进行实验仿真,并把两者的实验结果进行对比。实验证明,基于粗糙集属性约简的支持向量异常入侵检测方法在检测精度相当的情况下,有效的降低了检测时间并减少了存储空间。     

基于粗糙集-支持向量机理论的过滤误报警方法

为过滤入侵检测系统报警数据中的误报警,根据报警的根源性和时间性总结出了区分真报警和误报警的19个相关属性,并提出了一种基于粗糙集-支持向量机理论的过滤误报警的方法。该方法首先采用粗糙集理论去除相关属性中的冗余属性,然后将具有约简后的10个属性的报警数据集上的误报警过滤问题转化为分类问题,采用支持向量机理论构造分类器以过滤误报警。实验采用由网络入侵检测器Snort监控美国国防部高级研究计划局1999年入侵评测数据(DARPA99)产生的报警数据,结果表明提出的方法在漏报警约增加1.6%的代价下,可过滤掉约98%的误报警。该结果优于文献中使用相同数据、相同入侵检测系统的其它方法的结果。     

粗糙集和支持向量机在复杂电路系统诊断中的应用

为了解决复杂电路系统故障样本少、特征信息冗杂的问题,提出了一种基于粗糙集属性约简理论和支持向量机分类方法相结合的故障诊断方法.首先采用粗糙集约简故障模式库中的冗余特征属性和矛盾样本,然后提取最简故障特征模式作为支持向量机的学习样本,通过样本训练使构建的支持向量机多分类器能够快速实现故障诊断的目的.最后,通过仿真算例验证了该方法在小样本故障识别上的有效性和可行性.     

一种基于粗糙集的安全评估方法

安全评估是指依据多个安全相关指标对复杂信息系统进行评价的过程。为提高信息安全风险评估的客观性和准确性,文章提出利用粗糙集相关理论进行安全评估的方法,并详细阐述了该方法的原理及运用它进行安全评估的基本流程,最后将评估结论落实到安全等级划分中的做法具有较好的现实意义和较强的可操作性。