基于粗集理论的多属性决策分析

针对多人多属性决策问题中多个决策者对同一类对象决策结果不一致的问题,通过对多属性群决策问题的描述,首次提出将不同决策者的不一致决策对象进行合并分析,得到更加直观明确的规则.对规则集进行构成分析,从而解释决策者之间的冲突所在.     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

基于粗集理论与神经网络技术规则提取的研究

为了从大量数据中获取有用的知识,提出了基于粗集与神经网络技术的数据挖掘方法。首先利用粗集理论消除冗余的属性,得到数据集的一些规则,然后利用这些规则构造神经网络,利用神经网络技术完善粗糙规则。文章就这一技术的研究方法作了综述,并提出了改进的粗集约简方法.     

基于粗集理论与神经网络技术规则提取的研究

为了从大量数据中获取有用的知识,提出了基于粗集与神经网络技术的数据挖掘方法.首先利用粗集理论消除冗余的属性,得到数据集的一些规则,然后利用这些规则构造神经网络,利用神经网络技术完善粗糙规则.文章就这一技术的研究方法作了综述,并提出了改进的粗集约简方法.     

基于粗集的目标识别

阐述了基于粗集理论目标识别的整个过程,通过仿真试验比较两种提取信息表条件属性的性能.在属性约减的基础上,根据对分类器性能的要求,提出属性约减表的性能规则描述.在文章的最后,根据仿真试验中遇到的问题,提出了粗集理论在目标识别中的应用难点.     

基于可变精度粗集理论的规则挖掘模型

文章把可变精度粗集理论应用于一个判断地区综合发展程度的系统,利用可变精度粗集理论中的口一约简算法对系统属性进行简化,并对系统的数据进行挖掘,导出隐含在其中的规则,归纳出来的规则既简单又合理,大大简化了原始数据集,以更少的指标表达了同样的知识,同时还实现了抗噪音的干扰。     

一种基于粗集理论的动态近似规则挖掘推理方法

提出一种基于粗集理论的,把属性的重要性和属性值的出现频率综合起来进行规则推理的方法.分析了“激活一个,否则离开”原则的优缺点,指出在近似推理中,大前提中的规则数量应该可变.给出一种根据推理过程中规则的出现频率决定其是否保留,从而实现规则数量的动态变化的方法,证明了动态变化过程中规则的数量不会无限增加.实例表明此法是比较有效的.     

基于粗集的T细胞表位预测方法

T细胞表位预测技术对于减少实验合成重叠肽、研究病原体与机体作用的免疫机制以及深入理解T细胞介导的免疫特异性均有重要意义。为增强T细胞表位预测模型的可理解性,本文在通过肽的预处理构建出存储等长肽段的决策表之后,设计出了一种基于粗集的T细胞表位预测方法。该方法由基于信息熵的属性约简完备算法和基于锚点知识的属性值顺序约简改进算法共同组成。基于HLA-DR4（B10401）编码的MHCII类分子结合肽的实验数据表明,在预测精度与传统神经网络方法大致相当的基础上,本文方法可以提取出用于帮助专家理解MHC分子与抗原肽结合机理的产生式规则。     

粗集理论对目标识别中改进融合效果的讨论

应用于目标识别中的数据融合技术,虽已取得一定的成效,但是仍存在一些问题。粗集理论是一种处理不精确知识的数学工具。基于粗集理论的数据融合应用于目标识别中能改进融合的效果。     

基于粗集的规则提取LBR和LEM3

本文基于粗集理论,提出了一种新的规则提取法LBR(Learning By Rough Sets),并对LBR与另一种已有的规则提取法LEM1,即全局覆盖算法(global covering algorithm)进行了比较和讨论.基于比较的结果,得出了将LEM1改进后的LEM3.LBR不但可用于普通的决策表规则提取,更多地可应用于基于模糊划分的规则提取.LBR的提出,极大地简化和丰富了规则提取算法,在已知数据中可获取更为丰富的信息量.而LEM3的使用,则是在将依赖(depend on)这一概念推广的基础上,更灵活地使用覆盖(covering),扩大了获取规则的范围.LBR和LEM3因其各自不同的优点,在数据挖掘和智能领域均具有广泛的应用前景.     

基于粗集方法入侵检测系统中的安全规则的挖掘

针对入侵检测系统中安全规则提取的困难,该文提出了利用粗集方法从系统日志审计信息中挖掘安全规则,并给出了规则挖掘算法。通过KDD CUP 1999入侵数据测试集中的数据验证了该方法的有效性和可行性,为入侵检测中安全规则的提取提供了一种新方法。     

Rough Set Based Automatic Classification of Musical Instrument Sounds

Automatic classification of audio data arose increasing interest recently. This paper addresses the problem of automatic recognition of musical instrument sounds, applying rough set based techniques as a tool of classification. Instruments representing wind and string families were used in the experiments. Since the main problem in case of audio data is the proper parameterization, we also investigated issues regarding various parameterization methods. Fourier transform and wavelet analysis were applied as parameterization tools. The obtained feature vectors were tested using rough set tools. The analyzed data represent singular sounds of full musical range of 11 musical instruments, played with various articulation techniques. Results of experiments are presented and discussed in this paper. We summarize our paper with conclusions on musical signal representation for timbre classification purposes.     

一种基于粗糙集理论的最简规则挖掘方法

提出了一种基于粗糙集理论的最简规则挖掘方法，它是一个采用基于分类正确度的粗糙集模型进行多概念分类规则挖掘的新方法，能有效处理决策表的不一致性，采用启发式算法，挖掘出满足给定精确度的最简产生式规则知识。用多个UCI数据集对算法进行了测试，并且与著名的Rosetta软件进行实验对比，结果说明此方法大大提高了总的数据约简量，可以有效地简化最终得到的规则知识。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确,不完全与不相容知识的数学方法,从不一致决策表中快速,有效地挖掘出缺省规则是决策规则挖掘研究的一个热点,文中引入了决策规则的相似度概念,并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA）,依据IDRMA算法对决策规则进行合理的分类,可获取用户的兴趣缺省规则。     

基于RS在移动计算中的规则提取与仿真

RS(RoughSet)方法是一种处理不精确或不完整信息的强有力数学工具。该文首先提出了基于RS在移动计算环境中进行数据挖掘的系统模型,并给出了对数据进行规则提取的具体算法,最后给出了仿真程序和应用结果。     

基于Rough集的决策规则提取

通过分析分明矩阵方法进行属性约简时存在的一些弱点，本文提出了分明矩阵方法的简化，并将其应用于数据库中决策规则的提取。在求核集时，该方法不必生成分明矩阵这一环节，从而减少了时空上的不必要开销，提高了属性约简的效率，并通过一个实例详细地说明了具体提取过程，该实例说明了基于Rough集提取决策规则的方法简单易行。     

基于粗糙集的区间值属性决策表的有序规则获取

提出一种基于粗糙集的区间值属性决策表的有序规则获取方法。首先根据区间数之间基于可能度的序关系,将区间值属性决策表转化为二元决策表,然后利用粗糙集理论进行分析并推理出最优规则,最后再将二元决策表的规则转化为区间值属性决策表的有序规则。实验分析表明了该方法的有效性。     

基于模糊粗糙集、数学形态学和分形理论的医学图像分类研究

利用模糊粗糙集约简、数学形态学和分形理论，根据头发灼烧体图像的颜色、多种微量元素的含量以及它的纹理特征和几何特征，提出了一种新的基于模糊粗糙集的医学图像边界提取新方法。     

一种基于粗糙集理论的票据图像识别分类方法

本文根据票据图像的版面特点,选取表格线、背景信息及纹理信息作为主要特征,采用粗糙集理论进行特征属性约简、规则提取及规则约简。并提出了一种基于多规则集的综合决策分类方法,巧妙的利用其分类及拒识的特点,有效地实现了票据图像分类。     

粗糙集理论及其在数据挖掘中的应用

粗糙集理论是一种研究不完整、不确定知识处理的数学工具,近几年来已经在诸多领域得到应用,在机器学习、知识发现、算法研究、决策支持系统以及模式识别等应用中取得了较好的成果.本文在阐述粗糙集理论概念的基础上,介绍了粗糙集理论在数据挖掘中的两个应用.