决策表的一种知识约简与规则获取方法

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。文中介绍了粗糙集的基本理论,在此基础上运用该理论对从决策表中获取最小规则进行了研究,提出了决策表约简的启发式方法,并通过一个具体实例详细说明了决策规则获取过程,实例分析表明了其有效性。     

决策表的一种知识约简与规则获取方法

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。文中介绍了粗糙集的基本理论，在此基础上运用该理论对从决策表中获取最小规则进行了研究，提出了决策表约简的启发式方法，并通过一个具体实例详细说明了决策规则获取过程，实例分析表明了其有效性。     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

基于粗糙集和BP神经网络的文本分类研究

研究文本分类、提高文本检索效率问题,针对文本特征维数过高导致神经网络收敛速度慢、文本分类精度低的难题,结合粗糙集的属性约简和神经网络的文本分类优点,提出了一种粗糙集(RS)结合BP神经网络的文本自动分类算法(RS-BPNN).RS-BPNN首先应用粗糙集理论的属性约简对文本特征预处理,降低向量维数,然后把冗余的属性从决策表中删去,最后利用神经网络进行分类.并在MATLAB环境中进行了仿真实验,仿真结果表明,RS-BPNN方法的识别精度比传统的BP神经网络高4%左右,提高了文本分类的精度和检索效率.     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法.数据挖掘研究的实施对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便.关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点.粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取.该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的.     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

一种基于特征矩阵的一致决策表的规则提取方法

基于粗糙集的数据挖掘方法研究主要集中在决策表的属性约简和决策表的规则提取。该文主要研究了一种基于特征矩阵的一致决策表的规则提取方法。     

基于粗糙集和神经网络结合的鱼病诊断方法

为了实现鱼病的快速和大批量诊断的目的,将粗糙集理论和神经网络紧密结合建立一种新的高效鱼病诊断模型.利用粗糙集进行知识获取,即把鱼病的典型案例作为样本空间形成"症状一疾病"的决策表,然后根据粗糙集的知识简化方法,去掉冗余的属性和样本,利用性能优良的模糊kohonen聚类网络进行聚类分析,最后形成鱼病的分类规则,新的鱼病就可通过此规则进行诊断,该模型充分融合了粗糙集强大的规则提取能力和神经网络优良的分类能力,实验证明模型具有很好的分类效率,可以实现鱼病的快速诊断.     

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。     

一种基于粗糙集与决策树的病毒检测算法

粗糙集在数据挖掘中已有广泛的应用,主要用于对象分类面.首次将粗糙集与决策树算法进行相互融合,对恶意程序与病毒进行分类.该方法在检测病毒上进行应用将有助提高病毒检测算法的智能性.通过粗糙集中的决策系统给出了决策规则和决策表,并由此决策规则作为决策树的分类条件和规则,由决策树来实现病毒的检测和恶意程序的分类.     

Rough sets for adapting wavelet neural networks as a new classifier system

Classification is an important theme in data mining. Rough sets and neural networks are two techniques applied to data mining problems. Wavelet neural networks have recently attracted great interest because of their advantages over conventional neural networks as they are universal approximations and achieve faster convergence. This paper presents a hybrid system to extract efficiently classification rules from decision table. The neurons of such hybrid network instantiate approximate reasoning knowledge gleaned from input data. The new model uses rough set theory to help in decreasing the computational effort needed for building the network structure by using what is called reduct algorithm and a rules set (knowledge) is generated from the decision table. By applying the wavelets, frequencies analysis, rough sets and dynamic scaling in connection with neural network, novel and reliable classifier architecture is obtained and its effectiveness is verified by the experiments comparing with traditional rough set and neural networks approaches.     

基于改进粗糙逼近近似度量的数据挖掘方法

数据挖掘是知识发现领域的一个重要问题,粗糙集理论是一种具有模糊边界的数据挖掘方法,它被广泛应用于决策系统的分类规则提取中。论文在决策表条件属性重要性度量的基础上,根据条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,并用算例验证了算法的合理性和可行性。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

Dimensionality reduction based on rough set theory: A review

A rough set theory is a new mathematical tool to deal with uncertainty and vagueness of decision system and it has been applied successfully in all the fields. It is used to identify the reduct set of the set of all attributes of the decision system. The reduct set is used as preprocessing technique for classification of the decision system in order to bring out the potential patterns or association rules or knowledge through data mining techniques. Several researchers have contributed variety of algorithms for computing the reduct sets by considering different cases like inconsistency, missing attribute values and multiple decision attributes of the decision system. This paper focuses on the review of the techniques for dimensionality reduction under rough set theory environment. Further, the rough sets hybridization with fuzzy sets, neural network and metaheuristic algorithms have also been reviewed. The performance analysis of the algorithms has been discussed in connection with the classification.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

一种粗糙小波网络分类器及应用

提出了一种粗糙小波网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本属性值离散化、属性约简和值约简来构造粗糙小波网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化小波网络的结构,加快网络的训练速度。并详细介绍了该分类器用于入侵数据识别的步骤和仿真实验结果。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．