一种SPA集转化Fuzzy集的新方法

结合SPA集,Vague集及Fuzzy集理论分析,在此基础上提出了一种基于SPA集向Fuzzy集转化的新方法,给出了SPA集转化Fuzzy集的相关准则及证明。通过示例验证了该算法的有效性与合理性。     

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.     

面向超图数据的最大独立集算法

超图是普通图的泛化表示, 在许多应用领域都很常见, 包括互联网、生物信息学和社交网络等. 独立集问题是图分析领域的一个基础性研究问题, 传统的独立集算法大多都是针对普通图数据, 如何在超图数据上实现高效的最大独立集挖掘是一个亟待解决的问题. 针对这一问题, 提出一种超图独立集的定义. 首先分析超图独立集搜索的两个特性, 然后提出一种基于贪心策略的基础算法. 接着提出一种超图近似最大独立集搜索的剪枝框架即精确剪枝与近似剪枝相结合, 以精确剪枝策略缩小图的规模, 以近似剪枝策略加快搜索速度. 此外, 还提出4种高效的剪枝策略, 并对每种剪枝策略进行理论证明. 最后, 通过在10个真实超图数据集上进行实验, 结果表明剪枝算法可以高效地搜索到更接近于真实结果的超图最大独立集.     

基于双向搜索的最大频繁项目集挖掘算法

结合自底向上与自顶向下的搜索策略,提出一种快速发现最大频繁项目集的算法.该算法利用非频繁项目集对候选最大频繁项目集进行剪枝和降维,减少了候选最大频繁项目集的数量,缩小了搜索空间,提高了算法的效率.算法分析和实验表明,该算法是一种有效、快速的算法.     

一种分布式全局频繁闭项目集快速挖掘更新算法

在数据挖掘研究中,频繁闭项目集挖掘成为重要的研究方向.目前已有的频繁闭项目集挖掘算法主要针对单机环境,有关分布式环境下的全局频繁闭项目集挖掘算法的研究尚不多见.针对无共享体系结构数据水平分布的情况,提出了一种分布式快速挖掘全局频繁闭项目集增量式更新算法,算法通过对各节点候选频繁项目集进行预处理,有效地降低网络通信量,提高全局频繁闭项目集挖掘算法的效率,该算法充分利用前次挖掘结果来发现新的全局频繁闭项目集,具有较高的效率.理论分析和实验结果表明算法是有效的.     

基于S-粗集的反辐射导弹识别算法研究

针对具有动态特征的信息系统,在S-粗集属性迁移理论基础上,给出了S-粗集上的区分矩阵,提出了一种基于S-粗集区分矩阵的属性约简算法.该算法弥补了Z.Pawlak粗集理论对于动态系统知识发现的局限,通过属性迁移对不完备的信息系统进行动态扩展.约简后生成的规则简单准确.本文的算法具有理论与应用的一般性、广泛性,对于现代战场中的删识别,更显示出了极强的优越性.     

快速挖掘全局频繁项目集

分布式环境中，全局频繁项目集的挖掘是数据挖掘中最重要的研究课题之一．传统的全局频繁项目集挖掘算法采用Apriori算法框架，须多遍扫描数据库并产生大量的候选项目集，且通过传送局部频繁项目集求全局频繁项目集的网络通信代价高．为此，提出了一种分布数据库的全局频繁项目集快速挖掘算法——FMAGF.FMAGF算法采用传送条件频繁模式树或条件模式基来挖掘全局频繁项目集，可有效地减小网络通信量，提高全局频繁项目集挖掘效率．理论分析和实验结果表明提出的算法是有效可行的．     

对象集变化时近似集动态维护的矩阵方法

目前粗糙集模型中概念的上、下近似集的计算方法大多是基于静态信息系统的.而实际的信息系统是随时间动态变化的,通常包括对象集、属性集和属性值3种类型的粒度变化,这些变化必然引起概念近似集的动态变化.如何快速、有效地更新概念的近似集是基于粗糙集的动态知识更新中的热点研究问题之一.而利用既有知识的增量式更新方法是一种有效的近似集动态更新方法.在信息系统动态变化的客观环境下,以矩阵作为表达和运算工具从一个全新的视角研究信息系统的论域随时间变化时,变精度粗糙集模型中概念的上、下近似集的增量式更新方法,并构造出近似集增量式更新的矩阵算法,随后分析了算法的时间复杂度.进一步,在MATLAB平台上开发出增量式更新和非增量式更新近似集的两种矩阵算法的程序,最后在UCI的6个数据集上测试了两种矩阵算法的性能并将实验结果进行比较,结果表明增量式更新的矩阵算法可行、简洁和高效.     

基于粗糙集的无向图最小支配集启发式算法

图的最小支配集在许多领域有广泛应用,但其求解是一个NP问题.针对现有近似求解算法的复杂度和精度有待改进的问题,基于粗糙集理论提出一种低复杂度、高精度的最小支配集启发式求解算法.首先,利用图的邻接矩阵构造诱导决策表,证明了图的最小支配集与其诱导决策表的最小属性约简等价.然后,提出一种启发式的最小支配集近似算法.该方法采用前向和后向搜索机制,有效提高了最小支配集求解的近似精度;采用累积策略计算诱导决策表的正域,有效降低了计算复杂度.最后,在公用数据集上与典型算法进行了实验对比分析,结果表明该算法在运行效率方面具有明显优势,能得到更高精度的近似最小支配集,且输出结果具有较好的稳定性.     

软集决策信息系统的属性约简

粗集和软集在解决不确定的问题的决策分析过程中,属性约简是关键和棘手的问题.与粗集理论相比较,利用软集方法能够有效地简化决策过程.决策信息系统用软集形式表示,用软集处理粗集理论中的等价关系,进行有效的属性约简,给出一个属性真度的概念作为反映条件属性重要性的函数,在此基础上给出一种适合软集属性约简的启发式算法,通过分析和实例证明该软集属性约简方法,简化约简过程,降低运算的复杂度.     

一种关联规则更新算法

针对数据库数据同时删减和增加，文章分阶段解决了关联规则的维护更新问题，其中通过改进PFUP算法，解决了频繁新项集的问题。     

一种基于新的条件信息熵的高效知识约简算法

分析了在知识约简过程中现有条件信息熵的不足,给出一种新的条件信息熵,由此定义新的属性重要性.将其与基于正区域和基于现有条件信息熵的属性重要性进行比较,结果表明新的属性重要性是一种更准确、更全面的启发信息.以新的属性重要性为启发信息设计约简算法,并给出计算新的条件信息熵的高效算法.理论分析和实验结果表明,与基于现有条件信息熵的约简算法相比,该约简算法时间复杂度较低,且在搜索最小或次优约简方面更优.     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法,对用户的安全访问行为的数据作规范化处理并进行约简,从中提取有效的最简规则,降低了安全数据的冗余,减轻了特征码构造的负担。使用Rough集上、下近似集原理,构造了上、下近似Self集,实现了Self的优化和扩展,有效地解决了Self集的自动演化问题。     

The algebraic structures of generalized rough set theory

Rough set theory is an important technique for knowledge discovery in databases, and its algebraic structure is part of the foundation of rough set theory. In this paper, we present the structures of the lower and upper approximations based on arbitrary binary relations. Some existing results concerning the interpretation of belief functions in rough set backgrounds are also extended. Based on the concepts of definable sets in rough set theory, two important Boolean subalgebras in the generalized rough sets are investigated. An algorithm to compute atoms for these two Boolean algebras is presented.     

连通支配集一种集中式近似算法

简单无向图的最小连通支配集问题是NP完全问题,目前还没有成熟解法。提出了一种用有序袁构建独立集求解连通支配集的算法,算法从图中度最大的顶点开始将顶点加入到有序表中,并在加入过程中构建独立集,同时加入其他节点连接独立集使其成为连通集当图中所有节点处理完成,有序表中标记为独立集的节点和连接节点就形成了一个连通支配集。实验表明算法生成的支配集较小,运行时间复杂度比较低。     

部分二值逻辑中Sheffer函数的构造与判定算法

在深入研究部分二值逻辑中Sheffer函数的基础上,根据部分二值逻辑中准完备集的最小覆盖,提出了一种高效地构造部分二值逻辑中Sheffer函数的算法,此算法能够构造出部分二值逻辑中的全部Sheffer函数,在构造算法的基础上,进一步提出了一种部分二值逻辑中Sheffer函数的判定算法,此算法和传统判定算法相比,避免了繁琐的计算,可以说是一种较简单的判定算法。     

基于时态约束的关联规则挖掘算法

分析时态约束关联规则挖掘的TCAR算法,针对其在挖掘频繁时态项集时效率较低的问题,提出一种基于时态约束的关联规则挖掘算法。该算法对源数据库进行处理,缩减存储空间,并在更新挖掘最大频繁项集算法基础上,挖掘最大频繁时态项集。实例分析结果表明,该算法能提高整体挖掘效率。     

一种改进的模糊-统计混合聚类算法研究

本文对模糊-统计混合聚类算法进行了研究。在Woodbury算法的基础上,对似然函数和目标泛函数进行改进。研究表明,改进的算法比Woodbury算法在聚类分析时明显减少迭代次数,从而加快了收敛速度。     

基于属性重要性的逐步约简算法

粗糙集理论研究的重要内容之一是知识约简的有效性计算问题，目前求解知识约简的算法主要有两种：一种是利用辨识矩阵构造区分函数，另外一种是基于属性重要性的启发式算法．这两种算法均能求得决策系统的最小或次小约简，但由于计算的复杂度高，所以当数据量增大时这些算法的计算性能是不能令人满意的．本文在对后一种算法充分研究的基础上设计了基于属性重要性的逐步约简算法，利用在决策系统中己获得的正区域逐步缩小数据处理范围，减少求解时间．本文将该算法与基于属性重要性的算法进行了实验比较并对结果进行了分析．