基于改进粗糙集方法的电力系统数据挖掘

电力系统数据的海量与复杂性,决定了其数据具有多层次性,随机性,同时还存在故障信息不完整等特点。针对此问题,以往多采用粗糙集进行约简,并提取相关规则,而当关键信息丢失时,以往的方法并不能导出正确结论,且耗时长。本文提出一种将粗糙集理论与朴素贝叶斯相结合的数据挖掘方法,通过粗糙集求取最小属性约简集,并在此基础上利用朴素贝叶斯诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行了验证。算例结果表明,该方法能在故障信息不完整甚至丢失核属性的情况下得到较好的诊断结果,提高了系统的容错性。     

基于贝叶斯粗糙集的图像分类方法的应用

基于贝叶斯粗糙集,引入全局增益,以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。     

混合值不完备决策信息系统的粗糙分类方法

针对混合值不完备决策信息系统,提出一种将邻域联系度粗糙集与贝叶斯理论相结合的分类方法。定义了一种新的属性辨识矩阵——同异反辨识矩阵,给出了基于同异反辨识矩阵的t分配约简算法,以及对约简后的决策信息系统建立基于邻域联系度粗糙集的最小错误率贝叶斯决策准则,用于对含有混合属性值以及不完备数据的对象进行分类。实验表明所提出的方法是客观有效的。     

粗糙集属性约简算法在图像分类研究的应用

基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。完善了近似空间的概念。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集方法性能良好,分类准确和高效。     

基于粗集的朴素贝叶斯分类算法及其应用

朴素贝叶斯方法是数据库分类知识挖掘领域一项基本技术,具有广泛的应用。论文针对朴素贝叶斯方法的限制,提出了基于粗集理论的贝叶斯的分类知识挖掘方法。该方法首先基于粗集理论的属性约简能力,根据数据库中条件属性和决策属性之间的依赖关系,进行属性的约简处理,然后基于朴素贝叶斯方法进行分类知识挖掘。实验结果表明,基于粗集理论的贝叶斯分类方法改善了贝叶斯分类方法中属性之间独立的限制,简化了挖掘模型,使挖掘性能具有明显的优化。     

二值决策Bayesian粗糙集模型属性约简研究

Bayesian粗糙集模型作为经典粗糙集理论与Bayesian推理发展的综合模型,其近似区域划分以事件发生的先验概率为基准,可有效处理众多实际问题,如医疗诊断、故障检测、经济预测等.针对二值决策Bayesian粗糙集理论,证明了Slezak和Ziarko属性约简模型等价,并进一步给出了相应分辨矩阵描述,从而经典粗糙集模...     

三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

基于粗集理论的贝叶斯故障诊断方法研究

贝叶斯统计推断方法是故障诊断技术领域一项重要的技术,在统计模式识别领域具有广泛的应用;针对朴素贝叶斯方法的缺点,提出了基于粗集理论的贝叶斯诊断方法,该方法利用历史诊断记录,综合考虑故障征兆和故障原因之间的依赖关系,基于粗集方法进行了故障征兆属性信息的约简,得到了故障征兆和故障原因的最小描述;通过属性约简,改善了贝叶斯方法中要求的属性信息之间的独立性限制,实验结果表明,基于粗集理论的贝叶斯故障诊断方法对于简化诊断模型,减少算法执行时间,提高诊断速度具有重要作用.     

证据理论与熵值融合的知识约简新方法

求解决策表的最小约简已被证明是NP-hard问题,在粗糙集和证据理论的基础上提出了一种知识约简的启发式算法。利用粗糙集等价划分的概念给出属性的信息熵,定义每个属性的熵值重要性并由此确定知识的核。引入二分mass函数对每个属性建立一个证据函数,证据融合得到每个属性的证据重要性。以核为起点,以证据重要性为启发,依次加入属性直至满足约简条件。实例表明,该方法能够快速找到核和相对约简,并且该约简运用到分类上正确率也是较高的。     

前向Beam搜索粗糙集属性约简算法

从属性集互信息的角度分析了粗糙集理论的属性约简问题。粗糙集属性约简通常采用Best-first启发式搜索。本文运用属性集互信息作为属性约简度量，提出了前向Beam搜索粗糙集属性约简算法。实验表明，属性约简算法具有良好的运行效果。     

基于邻域粗糙集下知识划分的信息表降维

Pawlak粗糙集的知识约简包括对决策表的知识约简和对信息表的知识约简。作为Pawlak粗糙集的扩展,邻域粗糙集在针对决策表的属性约简方面应用广泛,而针对信息表的属性约简方面应用鲜少。为了设计一种适用于信息表的属性约简算法,根据Pawlak粗糙集的信息表知识约简标准,首先提出一种邻域粗糙集的信息表知识约简标准,然后根据这种标准,结合贪心思想,进一步提出了一种适用于聚类任务的信息表属性约简算法。与主成分分析(principal component analysis,PCA)算法相比,实验结果表明用该算法对数据集降维后,得到的属性约简集合的属性个数较多,K-means算法根据属性集合进行聚类的精度较高。实验结果证明该算法能有效地应用于信息表的属性约简方面。     

一种优化的贝叶斯分类算法

贝叶斯分类方法因具有严密的数学理论基础,于是成为一种简单而有效的数据挖掘方法;然而,贝叶斯分类器要求——条件独立性假设和每个属性权值为1,这极大降低了贝叶斯分类器的性能;针对贝叶斯分类器的局限性,文章提出了一种优化的贝叶斯分类算法;文中,首先利用粗糙集理论对待分类数据集进行属性约简,删除冗余属性;然后给出了属性权值的计算方法和公式,目的在于更准确地描述数据集的重要性和相关性;同时,通过weka3.6.2工具,以UCI机器学习数据库中的数据集为测试数据,进行了对比测试;实验结果表明:OBCA具有较高的分类准确率。     

一种基于并行遗传算法的粗糙集属性约简

指出现有粗糙集属性约简算法的不足,考虑并行遗传算法在处理大型数据库上的特有优势,将粗糙熵作为粗糙集不确定性的度量,给出一种求解信息系统约简集的三群体并行遗传算法.最后通过实例计算表明该算法能快速有效求解属性约简,而且对大规模数据样本的信息系统效果更为明显.     

基于最优属性约简的中文邮件过滤系统

对朴素贝叶斯理论作为中文邮件过滤技术进行了分析改进,邮件预处理后,对其进行分词处理,利用基于依赖性的粗糙集最优属性约简方法来对邮件集进行特征维数压缩。条件属性的数目大幅减少,提高了分类的效率。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

基于最优属性约简的中文邮件过滤系统

对朴素贝叶斯理论作为中文邮件过滤技术进行了分析改进，邮件预处理后，对其进行分词处理，利用基于依赖性的粗糙集最优属性约简方法来对邮件集进行特征维数压缩。条件属性的数目大幅减少，提高了分类的效率。     

Attribute selection with fuzzy decision reducts

Rough set theory provides a methodology for data analysis based on the approximation of concepts in information systems. It revolves around the notion of discernibility: the ability to distinguish between objects, based on their attribute values. It allows to infer data dependencies that are useful in the fields of feature selection and decision model construction. In many cases, however, it is more natural, and more effective, to consider a gradual notion of discernibility. Therefore, within the context of fuzzy rough set theory, we present a generalization of the classical rough set framework for data-based attribute selection and reduction using fuzzy tolerance relations. The paper unifies existing work in this direction, and introduces the concept of fuzzy decision reducts, dependent on an increasing attribute subset measure. Experimental results demonstrate the potential of fuzzy decision reducts to discover shorter attribute subsets, leading to decision models with a better coverage and with comparable, or even higher accuracy.     

粒矩阵属性约简的启发式算法

属性约简是粗糙集理论一个重要的研究问题.在粗糙集理论上,利用粒计算的思想构建了粒矩阵,提出并定义了粒矩阵相与运算,建立了基于粒矩阵的知识粒化方法,并且给出了粒矩阵属性约简的启发式算法.采用粒矩阵进行属性约简选择最小属性集,跳出了传统属性约简的先求解属性核,再求解最优属性集的方法.理论分析表明了新的算法是可靠有效的,给粒计算属性约简提供一个新的思路,为进一步研究粒计算提供可行的方法.     

一种新的不完备食品信息系统评价属性相对约简算法

本文针对不完备食品信息系统提出了一种基于粗糙集理论的评价属性相对约简方法。本文利用粗糙集等价关系 的扩展,即容差关系为基础提出容差关系相似矩阵的概念。然后通过引入广义决策函数的限制来解决不完备信息系统约 简的不一致性问题,通过容差关系相似矩阵求不完备信息系统的核属性,再利用属性在容差关系相似矩阵中出现的频率 给出了属性重要度的计算公式,利用属性重要度为约简的启发式规则,并运用折半启发式算法减少扩展次数,提高约简 速度。实验表明该方法是简单有效的。     

基于粗糙集理论的客户关系管理

粗糙集理论是一种新型的数据挖掘和决策分析方法,利用粗糙集理论进行决策表的知识约简与决策规则挖掘已经成为研究热点。本文介绍了粗糙集的基本理论,通过决策属性支持度定义的条件属性对决策属性重要性的启发式信息,求取决策表的最小约简。并将该方法用于对企业客户进行分类,为客户关系管理的决策支持提供了新的解决方法。