属性约简在教学质量评估系统中的应用

粗集是一种处理不精确的、不一致的、不完整的各种不完备信息,并从中发现隐含的知识,揭示潜在规律的方法,可以应用于数据挖掘,其中属性约简和核是粗集的核心内容.在教学质量评估系统中,为了得出评价的规律,必须对收集的众多信息指标进行处理,其中有些指标是关键的,获取这些指标有助于提高管理的成效.文中应用粗集理论对教学质量评估指标进行约简,获取最优的指标,在教学管理中有很大的价值.     

属性约简及其在干部考核系统中的应用

Rough集是一种处理不精确的、不一致的和不完整的各种信息,并从中发现隐含的知识,揭示其潜在规律的方法。在干部考核系统中,为了找出评价规律,必须对收集的信息指标进行处理,获取关键的信息指标有助于提高管理的效果。本文利用改进的分明矩阵对考核指标进行约简,找出规则。     

具有成本约束和噪声数据信息表的知识约简方法

知识约简是基于粗集理论进行数据挖掘的重要步骤获取最优知识约简是典型的Np-hard问题.在实际应用中,数据属性往往具有成本约束,并且数据本身含有噪声.本文提出了将粗集理论与遗传算法相结合来求解这种信息表的最优知识约简和近似知识约简的方法实验结果表明该方法具有很强的全局搜索能力,在有限的代数内找到信息表的最优约简:最小基约简集、最小成本约简集.当信息表含有噪声数据时,该方法能找出信息表的近似知识约简.     

基于粗集理论的属性约简改进算法

粗集理论是一种处理不确定,不一致数据的新的数学工具.属性约简是粗集理论研究的重要内容,是在保持信息系统分类能力不变的基础上,删除冗余属性.而求取最优约简是一个NP难题,为了能够有效地获取信息系统的约简,提出一种改进算法.该算法以知识量作为启发式信息,每次删除知识量小的属性,直到找到约简为止.分析及实例表明此算法具有有效性.     

气象信息网络安全风险评估

针对气象信息网络事故的随机性,复杂性和不确定的特点,以及在气象信息网络安全风险评估选取评估指标过程中存在的主观性,通过采用粗糙集改进的属性约简算法对用于评估的指标集进行约简,从而剔除其中的对最终结果不造成影响的指标,并且利用相对约简建立用于气象信息网络安全风险评估的层次指标体系,应用模糊层次分析法对选定的气象信息网络进行安全风险评估,比单纯的依靠专家打分法更具有科学依据和数据支持。     

粗集理论中的容错关系及其构造方法

粗集理论（Rough Sets Theory,RST）在许多领域已得到成功的应用,它在处理不完全、不精确、不确定性智能信息问题中表现出优秀品质。然而在标准RST理论中存在有局限性,比如对等价关系的定义使得知识约简相对复杂化。论文提出了基于RST的容错粗集的概念,给出了容错粗集上的性质,使得在进行知识约简时无需进行量化。从而大大提高了知识发现的效率。     

基于云理论和粗集的教学质量评估模型

结合云理论和粗集在处理不确定信息方面的优点,提出了一种新的教学质量评估模型.本模型通过粗集中的属性重要度来计算评估指标的权重;通过云决策器将评估指标值转化为定性评价.实验证明,该评估模型具有可行性和准确性.     

粗集理论和Rosetta系统在教学质量评价中的应用

基于粗集理论,利用Rosetta系统对高校教学质量评价信息系统进行离散化和属性约简,得到了评价指标体系中的核心指标和决策规则。利用这些规则,测得被评估教师的实际教学水平,客观评价教师的教学质量,为教师教学质量评价提供一种新的分析方法。     

基于容错粗集理论的知识约简

粗集理论(RoughSetsTheory,RST)在处理不完全、不精确、不确定性智能信息问题等许多领域已取得成功的应用。然而RST理论还存在某些局限性,比如对等价关系的定义使得知识约简相对复杂化。该文提出利用容错粗集犤1犦RST的概念,建立属性值之间的容错关系,用容错关系对对象进行分类。该方法首先采用遗传算法求出属性阈值的最优组合,然后分别建立属性和对象的特殊矩阵,最后求出属性的相对约简和对象的相对商集。采用容错粗集进行知识约简减少了量化的过程,从而提高知识约简的有效性。该文最后提供了一个实例表明该方法是可行的。     

一种新的属性约简算法

粗集是一种处理模糊和不确定性数据的工具,属性约简和核是粗集理论的核心内容,经过约简后的数据更有价值,更能准确地获取知识。很多属性约简算法以核为起点,计算繁杂。文中提出并分析了后删除属性约简算法,该算法不需要计算核,节约时间,减少占用空间,简化求解过程。文中以实例验证了算法的正确性。     

决策属性未知下的学生评教粗糙集分析

为实现更为客观合理的学生评教,基于粗糙集方法进行智能化分析。粗糙集方法必然涉及到分析含有决策属性的决策表,而实际学生评教中由于缺乏客观的尺度评定教师的教学质量,造成相应决策属性的未知性。借鉴督导专家评价的优势,基于Kruskal最大树模糊聚类方法对专家评价数据予以划分来获取决策属性,与学生评教数据集组合,构造完整的决策表。基于粗糙集方法从信息熵的角度来客观求取各评教指标的权重值,完成对待评教教师的决策评价分析。实例分析及对比实验证明了方法的有效性和优越性。     

Rough set theory with discriminant analysis in analyzing electricity loads

With the ability to deal with both numeric and nominal information, rough set theory (RST), which can express knowledge in a rule-based form, has been one of the most important techniques in data analysis. However, applications of rough set theory for analyzing electricity loads are not widely discussed. Thus, this investigation employs rough set theory to analyze electricity loads. Additionally, to reduce the time generating reducts by rough set theory, linear discriminant analysis (LDA) is used to generate a reduct for rough set model. Therefore, this study designs a hybrid discriminant analysis and rough set model (DARST) to provide decision rules representing relations in an electric load information system. In this investigation, nine condition factors and variations of electricity loads are employed to examine the feasibility of the hybrid model. Experimental results reveal that the proposed model can efficiently and accurately analyze the relation between condition variables and variations of electricity loads. Consequently, the proposed model is a promising alternative for developing an electric load information system and offers decision rules base for the utility management as well as operations staff.     

基于粗糙集的专业群建设评价指标研究

江苏省高等职业教育重点专业群建设项目评审标准是2012年以来江苏省各职业技术学院进行专业群建设评估的一个指挥棒,常州机电职业技术学院也对应其进行自我评估,得到一个信息系统。使用粗糙集理论,对该信息系统进行建模,获得对应的粗糙集决策规则,实现对该评估指标和评价结果的分析。     

佛职院教务网上评教系统的研究与实现

评教是高职教育教学质量监控体系的重要组成部分,是促进教学质量提高的有效手段。通过评教,可以全面提高教学质量,实现教育结构、效益协调发展;为教师改进教学方法提供可靠的信息,提高教师的教学水平;为教学质量评估提供相对客观的评价依据;为实现教学质量的全面管理提供参考。结合了佛山职业技术学院教务网上评教系统的开发实践,介绍了系统的结构、功能和评价指标体系的设计。     

全粒度粗糙集的不确定性

全粒度粗糙集是一种既能表示显式知识又能表示隐式知识的粗糙集模型, 能更好地表示人类认识的复杂性、多样性和不确定性.文中结合经典粗糙集理论,定义全粒度隶属度、全粒度粗糙度、概念的全粒度属性依赖度、决策系统的全粒度属性依赖度等不确定性指标,探究这些不确定性指标的性质,指出这些不确定指标与全粒度绝对约简、概念的全粒度属性约简、全粒度Pawlak约简的联系,有助于全粒度粗糙集的属性约简和实际应用.     

Updating approximations with dynamic objects based on local multigranulation rough sets in ordered information systems

The main task of local rough set model is to avoid the interference of complicated calculation and invalid information in the formation of approximation space. In this paper, we first present a local rough set model based on dominance relation to make the local rough set theory applicable to the ordered information system, then two kinds of local multigranulation rough set models in the ordered information system are constructed by extending the single granulation environment to a multigranulation case. Moreover, the updating processes of dynamic objects based on global (classical) and local multigranulation rough sets in the ordered information system are analyzed and compared carefully. It is addressed about how the rough approximation spaces of global multigranulation rough set and local multigranulation rough set change when the object set increase or decrease in an ordered information system. The relevant algorithms for updating approximations with dynamic objects on global and local multigranulation rough sets are provided in ordered information systems. To illustrate the superiority and the effectiveness of the proposed dynamic updating approaches in the ordered information system, experimental evaluation is performed using six datasets coming from the University of California-Irvine repository.

     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

广义不完备信息系统中一种拓展粗糙集模型

以同时具有遗漏型和丢失型未知属性值的广义不完备信息系统为研究对象,定义一种用于分类的[α]程度限制优势关系,提出一种基于[α]程度限制优势关系的拓展粗糙集模型,并给出其上、下近似性质。通过一个教师教学质量评估实例,说明这种模型在广义不完备信息系统中处理模糊和不确定知识是有效和可行的。     

An efficient bit-based feature selection method

Feature selection is about finding useful (relevant) features to describe an application domain. Selecting relevant and enough features to effectively represent and index the given dataset is an important task to solve the classification and clustering problems intelligently. This task is, however, quite difficult to carry out since it usually needs a very time-consuming search to get the features desired. This paper proposes a bit-based feature selection method to find the smallest feature set to represent the indexes of a given dataset. The proposed approach originates from the bitmap indexing and rough set techniques. It consists of two-phases. In the first phase, the given dataset is transformed into a bitmap indexing matrix with some additional data information. In the second phase, a set of relevant and enough features are selected and used to represent the classification indexes of the given dataset. After the relevant and enough features are selected, they can be judged by the domain expertise and the final feature set of the given dataset is thus proposed. Finally, the experimental results on different data sets also show the efficiency and accuracy of the proposed approach.