不完备信息系统下的变精度粗糙集模型及其知识约简算法

1 引言 Z.Pawlak提出的粗糙集理论,提供了一种新的知识获取手段,但是,应用经典粗糙集理论的一个重要前提是它的处理对象必须是完备信息系统。现实中,由于数据采集能力不足等原因又使得大量的信息系统是不完备的,因此需要对经典粗糙集理论进行必要的扩充。目前有两种扩充方法,一是间接处理方法,即先通过一种方式将不完备信息系统转化为完备信息系统,再使用针对完备信息系统的方法对其进行处理;二     

Rough集在软件测试用例选择中的应用

文中首先阐述了软件测试相关的基本概念,然后介绍了粗糙集理论基本概念和基于粗糙集理论的数据约简。并将粗糙集数据约简方法引入到软件测试用例的选择中,在保证不降低测试效果的同时减少了测试用例的属性个数,从而达到了优化测试用例的目的。     

Rough集在软件测试用例选择中的应用

文中首先阐述了软件测试相关的基本概念,然后介绍了粗糙集理论基本概念和基于粗糙集理论的数据约简.并将粗糙集数据约简方法引入到软件测试用例的选择中,在保证不降低测试效果的同时减少了测试用例的属性个数,从而达到了优化测试用例的目的.     

基于容差关系的不完备信息系统的属性约简

粗糙集理论是一种处理不确定性知识的有效工具,属性约简是其核心内容之一,然而对于属性值有缺省的不完备信息系统,基于等价关系的经典粗糙集理论已经不再适用。由于容差关系下的不完备信息系统的属性约简的定义与经典粗糙集的属性约简定义相似,可以用容差关系对粗糙集理论进行扩充。文中通过定义容差关系下的可辨识矩阵,运用可辨识方法,得到了一种属性约简算法;接着分析了算法的不足之处,并且在此基础上提出了增加约简效率的改进型算法;最后通过一个数值例子,说明了该算法是合理的和有效的。     

基于拓展粗糙集的不完备表的规则挖掘及应用

实际应用中常存在缺省属性值的不完备信息系统,如何从不完备信息系统中挖掘有用规则是一个非常有价值的问题。粗糙集理论是一种有效的数据挖掘手段,但经典粗糙集缺乏对不完备信息系统的处理能力。在粗糙集拓展的基础上,设计出从不完备决策表中挖掘出有用规则的算法,并将其应用到银行贷款决策中不完备决策表的实例分析中。     

基于粒计算的多源信息融合方法综述

多源数据是一种综合多个信息源或数据集的复杂数据类型,其主要特点是不同的信息源隐含不同的知识结构,且从不同的角度刻画和描述了样本以及样本之间的关系。如何协同地融合与集成多源数据,并从不同视角快速地为用户挖掘出整体决策知识,成为数据科学领域亟待破解的科学问题。经典粗糙集理论、多粒度方法、证据理论和信息熵是常见的、有效的多源信息融合方法,已取得较为丰硕的成果。本文基于粒计算的角度对多源信息融合工作进行综述研究,介绍了每种信息融合方法的基本概念以及主要研究思路,并提出了多源信息融合领域中存在的若干问题,为该领域的后续研究提供理论参考。     

基于不完备信息系统粗集逼近中的粒度原理

粗糙集是一种新型的处理模糊和不确定知识的数学工具。经典粗糙集理论是建立在完备信息系统基础上的,然而在实际中,不完备信息系统的广泛存在极大地限制了粗糙集理论的应用。文章利用粗集中的精度,结合信息粒度原理,对不完全信息系统利用序列套导出其粒度分层结构和基于相容关系的粗集逼近。     

粗糙集在智能系统知识维护中的应用

在基于知识的智能系统中 ,知识的维护对于提高系统的整体性能具有重要意义 .在一定程度上 ,知识的维护过程可以看成是对系统本身的优化过程 .本文中的漏焊智能检测系统是一个基于知识的智能系统 ,用软计算方法对知识加以处理是当前众多国内处研究人员所关注的热点 .粗糙集理论是近年来出现的处理不精确、模糊、不确定数据的有效数学工具 ,是一种新兴的软计算方法 .使用粗糙集理论处理数据不需要任何先验知识 ,可以最大限度的减少主观因素的影响 ,在这一点上粗糙集理论明显优于模糊集理论、神经网络等其它软计算方法 ,所以在实际中应用粗糙集理论具有极大的潜力 .本文在这方面做了积极的尝试 ,给出了漏焊智能检测系统的知识维护过程中基于粗糙集理论的数据处理方法以及知识维护的具体步骤     

基于遗传算法的不完备信息表约简方法

粗糙集理论是一种较新的处理模糊和不确定知识的软计算工具。针对粗糙集理论中不完备信息系统的容差关系的一种改进模型,结合遗传算法的全局优化和隐含并行性的特性,给出了一种不完备信息系统属性约简方法,经仿真实验知该算法是有效的,能得到不同概念层次的所有相对最小约简。     

粗糙集理论及进展的研究

粗糙集理论是一种较新的软计算方法,是分析和处理不完备信息的一种有效工具。目前已在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了广泛应用。文中描述了粗糙集的基本理论,分析了粗糙集理论研究的最新进展,指出了粗糙集理论研究中存在的问题,并对粗糙集理论研究的发展趋势进行了展望。     

一种基于测试需求约简的测试用例集优化方法

测试用例集优化的目标是用尽可能少的测试用例充分满足给定的测试目标.针对给定的测试目标,获得精简的测试需求集有助于提高测试用例集优化的效率和效果.从测试需求约简的角度考虑测试用例集优化,首先给出可以精确描述测试需求间相互关系的测试需求约简模型;基于此模型,提出一种测试需求约简方法,可以获得精简测试需求集,作为测试用例集生成和约简的基础,从而实现测试用例集优化.实验结果表明,测试需求约简有助于获得规模较小的测试用例集,实现系统、科学、有效的测试.     

基于粗糙集理论的数据挖掘算法及其应用研究

文章对粗糙集理论及其应用进行了讨论，在分析和综合基于粗糙集理论的数据挖掘算法基础上，提出了新的遗传算法挖掘方法，并就应用模型和应用领域及方法问题进行了分析。通过应用实例表明，文章提供的方法和技术是可行的，具有较大的参考价值。     

Entropy Regularized Likelihood Learning on Gaussian Mixture: Two Gradient Implementations for Automatic Model Selection

In Gaussian mixture modeling, it is crucial to select the number of Gaussians or mixture model for a sample data set. Under regularization theory, we aim to solve this kind of model selection problem through implementing entropy regularized likelihood (ERL) learning on Gaussian mixture via a batch gradient learning algorithm. It is demonstrated by the simulation experiments that this gradient ERL learning algorithm can select an appropriate number of Gaussians automatically during the parameter learning on a sample data set and lead to a good estimation of the parameters in the actual Gaussian mixture, even in the cases of two or more actual Gaussians overlapped strongly. We further give an adaptive gradient implementation of the ERL learning on Gaussian mixture followed with theoretic analysis, and find a mechanism of generalized competitive learning implied in the ERL learning.     

改进的基于遗传算法的粗糙聚类方法

传统的聚类算法都是使用硬计算来对数据对象进行划分,然而现实中不同类之间对象通常没有明确的界限。粗糙集理论提供了一种处理边界对象不确定的方法。因此将粗糙理论与k-均值方法相结合。同时,传统的k-均值聚类方法必须事先给定聚类数k,但实际情况下k很难确定;另外虽然传统k-均值算法局部搜索能力强,但容易陷入局部最优。遗传算法能得到全局最优解,但收敛过快。鉴于此,提出了一种改进的基于遗传算法的的粗糙聚类方法。该算法能动态地生成k-均值聚类数,采用最大最小原则生成初始聚类中心,同时结合粗糙集理论的上近似和下近似处理边界对象。最后,用UCI的Iris数据集分别对算法进行实际验证。实验结果表明,该算法具有较高的正确率,综合性能更加稳定。     

基于改进遗传算法的智能组卷方法

组卷问题是一个多约束多目标优化问题。建立了一种新的试卷矩阵数学模型,提出了改进的遗传算法编码方式,并通过改进初始群体的产生方法和遗传算子,有效提高了遗传算法的收敛速度,并较好地避免了局部收敛现象。实验结果表明,在试题库试题数量适中、分布合理的情况下,本算法产生的试卷能够很好满足各项组卷指标。     

基于WNN的两种优化结果在预测控制中的应用*

从优化小波神经网络的角度出发,对两种优化模型从理论上进行建模与推导;根椐预测控制的特点,提出离散小波神经网络模型GA分层优化方法及广义小波神经网络模型优化方法与预测控制相结合的新的应用途径.仿真结果证明了该方法的有效性和可行性,能使实际工程中的预测控制结果得到优化.     

积分水平集的多目标规划

给出了一种基于积分水平集的求解多目标规划的概念性算法。用数论中确定性的一致分布的数值积分来逼近水平值和水平集,从而得到了实现性算法和算法终止准则。最后给出数值例子证明了算法的有效性。     

一种路径覆盖自动生成的改进方法

路径覆盖是考察软件测试充分性的一种重要准则，它使程序的每个分支至少执行一次。该文通过对DDGRAPH图的定义及相关概念的分析，对构建DDGRAPH图及支配树、蕴含树、非限制弧的方法进行了改进。通过具体的应用实例对比了改进前后的方法，改进后的方法可以减少生成的路径数，用更少的测试用例发现更多的错误。     

不完备信息系统中集对粗糙集模型

粗糙集理论在数据挖掘中的成功应用已成为近来人工智能领域研究的热点,人们将经典粗糙集中的等价关系放宽后使粗糙集理论的运用更加广泛,但在不完备信息系统中的运用仍受到限制。在已有的集对粗糙集模型的基础上,提出了针对不完备系统更加有效的集对粗糙集模型,通过实例说明了这种模型的可行性和有效性,使粗糙集模型在一定程度上得到了推广。     

基于粗集理论的证据加权组合方法及其应用

对于证据理论中不同来源的证据具有不同的重要性,在信息融合过程中,若能把不同重要性的证据准确表达出来就可以提高融合精度.为此,提出了一种基于粗集理论的加权证据多源信息融合方法,在证据理论中引入证据权的概念,根据粗集理论和证据理论的基本关系,利用粗集理论进行不同信息源证据权的发现.应用柴油机状态评估实例进行验证,研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,并且融合过程更有逻辑性.