一种建立粗糙数据模型的监督模糊聚类方法

提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法.该方法将RDM模型的分类质量性能指标与具有良好特性的Gustafson-Kessel(G-K)聚类算法结合在一起,并通过引入数据对模糊类的推定隶属度的概念,给出了将模糊聚类模型转化为粗糙数据模型的方法,从而设计出一种通过迭代计算使目标函数最小的两个必要条件方程来获取RDM模型的有效算法,将Kowalczyk方法的多维搜索过程变为以聚类数目为参数的一维搜索,极大地减少了寻优时间.与传统的粗糙集理论和Kowalczyk方法相比,提出的方法具有更好的数据概括能力和噪声数据处理能力.最后,通过不同的数据集实验测试,结果表明了该方法的有效性.     

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法. 该方法通过自适应G-K聚类实现输入输出积空间的模糊划分, 进而在聚类数和约简属性搜索的基础上, 提取优化的模糊粗糙模型(Fuzzy rough model, FRM), 并在融合神经网络后实现粗神经网络建模. 分类实验表明, FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法, 而且比单纯的FRM模型具有更强的综合决策能力, 和传统的粗逻辑神经网络(Rough logic neural network, RLNN)相比, FRM_RNN_M方法建立的神经网络结构精简, 收敛速度快, 具有更强的泛化能力.     

基于阴影集的粗糙聚类阈值选择

粗糙聚类思想自提出以来,在软划分聚类方面取得了广泛应用,但其阈值参数常主观确定,未能考虑数据集本身的特性.基于阴影集(Shadowed Sets)的优化理论给出了一种客观的阈值选择方法,并将其应用于粗糙模糊C均值聚类算法.人工数据与UCI数据实验结果表明了所提方法的有效性.     

基于K近邻隶属度的聚类算法研究

经典模糊C均值聚类算法（FCM）基于欧氏距离,存在不同规模类簇不能正确聚类问题,针对此问题提出一种基于[K]近邻隶属度的模糊C均值聚类算法（KNN_FCM）。讨论了基于[K]近邻隶属度的粗糙C均值聚类算法（KNN_RCM）和粗糙模糊C均值聚类算法（KNN_RFCM）,此方法避免了传统粗糙C均值聚类算法（RCM）和粗糙模糊C均值聚类算法（RFCM）中阈值选择问题。将KNN_FCM、KNN_RCM、KNN_RFCM分别与FCM、RFM、RFCM在UCI数据集上进行仿真比较,结果表明新方法是可行、有效的。     

模糊粗糙神经网络特征选择方法研究

实际采集的数据中往往存在模糊不确定性和粗糙不确定性,为全面度量数据的不确定性,引入了模糊粗糙集中的模糊粗糙隶属函数概念,并结合容错能力较强的神经网络设计了一种新的模糊粗糙神经网络.该网络不仅训练速度快,且具有较好的分类效果.利用该网络设计了一种新的特征选择算法,根据精度下降指标对输入节点进行结构修剪,实现最优特征子集的搜索.通过UCI数据集实验,并与RBF网络选择结果进行比较,表明该算法具有精度高、速度快、泛化性能好等优点,是有效的.     

基于阴影集的粗糙聚类闭值选择

粗糙聚类思想自提出以来,在软划分聚类方面取得了广泛应用,但其阂值参数常主观确定,未能考虑数据集 本身的特性。基于阴影集((Shadowed Sets)的优化理论给出了一种客观的阂值选择方法,并将其应用于粗糙模糊C均 值聚类算法。人工数据与UCI数据实验结果表明了所提方法的有效性。     

位模式下粗糙函数依赖近似度量的研究

利用粒计算位模式方法对粗糙关系数据库（Rough Relational Database,RRDB）的粗糙函数依赖的度量问题进行研究。首先对粗糙函数依赖、RRDB中粗糙上下近似进行了分析,然后利用位模式表示粗糙关系的属性值,在此基础上给出了位模式利用粒计算方法对粗糙函数依赖进行度量的模型,并研究了其满足的性质。     

应用粗糙模糊度的不完备信息系统属性约简

粗糙集理论能有效地处理不精确、不一致、不完整等不完全数据信息,可以对数据信息进行分析和推理,发掘隐含知识,揭示潜在规律.属性约简是粗糙集理论的重要研究课题.在现实生活中,由于各种条件限制,信息的不完备现象广泛存在,限制了经典Rough集理论在一些实际问题中的应用.文中引入粗糙模糊度度量,定义了一种新的知识熵.在此基础上,提出了一种基于信息观下粗糙模糊度的不完备信息系统属性约简算法.通过仿真实验说明了该算法的有效性和较好的时间优越性.     

基于OSGi 的移动广告平台订单系统

基于组件化构建应用已经成为一种趋势。针对模块划分缺少理论依据和指导,提出了依靠软件数据模型进行细粒度划分基本单元,再根据组件之间的服务交互频度和权值对基本单元的相关性进行分析,最终,利用模糊图的聚类方法,将基本单元聚类成模块的模块划分方法。最后,通过基于OSGi（Open Services Gateway Initiative＇s framework）的移动广告平台订单系统的应用实例表明了该方法的合理性和有效性。该模块划分方法适用于简单的面向数据模型的应用系统。     

粒计算支持的粗糙函数依赖的研究

利用粒计算方法对粗糙关系数据库（Rough Relational Database,RRDB）的粗糙函数依赖进行研究。首先提出了两种类型的粗糙函数依赖及粗糙相似关系的概念,分析了如何利用位模式表示粗糙关系的属性值,在此基础上给出了利用粒计算方法对粗糙关系的属性间的依赖关系的进行判定的算法,实验验证算法是有效可行的。     

数据挖掘与数据融合集成系统模型

介绍了数据挖掘与数据融合集成系统的理论基础,构造了一种粗糙集——模糊神经网络模型以实现该集成系统,给出了系统的原理图和流程图,并对构造模型的算法进行了研究。最后,阐述了集成系统的优势。     

模糊神经网络在数据采掘中的应用研究

提出了一种基于模糊神经网络的数据采掘新方法。该方法首先基于Rough sets思想获取初始规则和训练集，基于采掘属性的数目和分类目标确定网络结构，通过遗传(GA)算法对网络进行优化，通过BP算法实现网络权值的在线调整，最后对所生成的规则进行简化，提取模糊规则。仿真实例结果表明，该方法是行之有效的。     

无人机海量飞行数据快速检索方法研究

对无人机数据库中海量飞行数据进行快速准确的检索,能够为无人机的安全飞行提供可靠的保障;传统的数据检索方法进行海量飞行数据检索的过程中,没有考虑飞行数据之间的联系,在检索的过程中需要频繁扫描数据库,降低了挖掘效率;提出一种基于模糊粗糙集算法的无人机海量飞行数据检索方法;该算法在充分考虑到飞行数据之间的联系的前提下,利用自动标引技术对数据库中的实时飞行数据进行分析,再利用特征向量进行飞行数据的内部描述,计算飞行数据检索的模糊表示的上、下近似集,建立海量飞行数据检索模型,根据模型的输出结果利用布尔逻辑进行模糊匹配,最终检索出与查询的关键词近似的飞行数据,并将检索结果按照相似度进行排序;实验结果表明,该算法能够提高检索的效率,效果令人满意。     

基于模糊加权相似度量的粗糙集数据补齐方法

目前基于粗糙集的数据补齐方法,大多都是通过计算决策信息系统中具有缺失值的对象与无缺失值的对象之间的相似性,选取相似性最大的对象的属性值来补齐缺失的数据。这类算法的问题在于：计算对象之间的相似性时所有条件属性对于决策属性的重要性是相同的,忽略了条件属性间的差异性。鉴于此,引入了模糊加权相似的概念,根据每个条件属性的重要性以及决策属性对条件属性的依赖度,计算对象间的相似性,提出基于模糊加权相似性度量的粗糙集数据补齐方法,并通过实例计算以及与现有算法的比较分析,说明了方法的有效性。     

基于粗糙模糊集的不确定数据流聚类算法??

为解决高维和高不确定级别的数据流聚类问题,提出了一种针对不确定数据流的聚类算法HFMicro。引入粗糙模糊集理论,定义了一种新的不确定数据流模型,并利用隶属程度的上、下近似来描述微簇。根据粗糙模糊集间的相似程度来选择最合适的微簇。使用动态衰减窗口模型提高算法的效率和聚类效果。由于采用了离线聚类模式,使得算法具有较好的实时性。实验结果表明,该算法能够很好地处理高维和高不确定级别的数据流,同时兼容存在级不确定性和属性级不确定性,与现有算法相比效果更好。     

动态模糊关系数据模型研究

数据模型是建立系统的核心、根据我们的研究对象，在我们具体建模时会遇到很多具有动态模糊性的数据存在，基于此，本文给出了一种动态模糊关系数据模型，该模型的建立为人们用计算机处理这类问题提供了理论依据。     

一种基于粗糙集的新的数据预处理算法

数据预处理在数据挖掘项目中有着举足轻重的作用,是数据挖掘整个过程的关键步骤之一。论文根据粗糙集概率模型应用于数据挖掘的特点,提出了一种用于数据预处理的基于信息归纳的概率粗糙集算法SRII;实验证明,SRII结合算法C4.5应用于数据挖掘具有良好的效率与显著改进的挖掘结果。     

动态模糊数据的扩展模型研究

数据模型是建立系统的核心，在我们的对象中，具有动态模糊性的数据是普遍存在的，文献[1]对一般的动态模糊数据模型作了初步研究，基于此，本文作更深入的研究，给出了动态模糊数据的测度理论，动态糊数据的扩展模型，该模型的建立，为人们用计算机处理这类问题提供了理论依据。     

动态模糊数据运算及模型研究

动态模糊数据在人们的研究对象中普遍存在,基于此,给出动态模糊数据运算其动态模糊数据模型及其设计语言。该模型及设计语言的建立,为人们用计算机处理这类数据提供了理论依据。