基于粗糙集理论的规则提取算法研究

粗糙集理论作为一种新的软计算方法已经在许多领域得到了广泛的应用。文章主要研究基于粗糙集理论的信息系统的约简,给出了基于粗糙集理论的规则提取算法.     

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。     

基于粗糙集规则提取算法的研究及应用

针对中医胸痹(即冠心病)诊断规则的获取,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,生成基于决策的知识表达系统.然后利用属性约简的改进算法对决策表进行属性约简,找出诊断结果的核属性,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.本算法并用VC++和SQL Server 2000实现.     

基于粗糙集理论的规则提取及约简

给出了一种基于粗糙集理论的规则提取和约简方法.采用模糊C均值方法对实际数据进行聚类分析,提取初始决策表,然后用粗糙集理论方法对该决策表进行约简,得到极小决策表.采用了一个实际决策对象,对算法进行演示和验证.     

基于粗糙集的Web用户的识别与规则提取

主要研究对象是电子商务中的用户行为。首先分析了电子商务中的顾客行为,从中提取最有效表达用户的有效特征集,包括条件特征与决策特征,然后利用了粗糙集的方法进行分析,提取用户的行为特征和交易结果之间的规则。这种规则反映了用户的某种偏好与兴趣。实例分析结果证明,该方法比较切实可行。     

基于粗糙集的变电站故障诊断规则提取方法研究

运用粗糙集理论研究了变电站故障诊断规则提取,提出了基于属性重要度和分辨矩阵的诊断规则提取算法.通过改进基于属性重要度的粗糙集属性约简算法,得到决策表的一个最小约简,然后将分辨矩阵引入值约筒中得到决策规则.采用该算法对变电站故障决策表进行属性约简和值约简,抽取出变电站故障诊断的精确规则库进行故障诊断.实验结果表明了该方法的有效性.     

一种基于粗糙集理论的分类规则提取算法

给出了一组关于分类问题的自足而严密的形式化描述,并运用精确和覆盖两种准则,将类的特征明确划分为充分特征和必要特征。在此基础上,结合“约简”方法和“聚焦”机制,提出了一种新的分类规则提取算法。使用该算法,能从分类信息系统中提取出明确的分类规则。这些规则不仅包含了分类信息系统中类的某些潜在的充分特征和必要特征,而且比传统的归纳法所提取的规则更能反映专家的“聚焦”思维方式。最后给出了运用该算法的示例。     

基于粗糙集理论的控制规则提取方法

介绍了粗糙集理论的基本概念 ,重点是依据属性的相对重要性从知识中提取规则的方法 ,然后结合具体的控制实例说明控制规则的提取方法     

基于粗糙集理论的异常行为规则的提取

异常检测是数据挖掘技术研究方向之一。利用粗糙集理论挖掘出的高质量的决策规则集,具有广泛的适应性和简明清晰的特点。通过对规则的支持度和置信度的度量,提取那些支持度很低,但置信度非常高的规则。在某些如银行欺诈、入侵检测、青少年犯罪和学生心理问题等领域,研究这些小概率、置信度低的事件却有特别的重要意义,对于人们发现异常情况进行决策非常有益。     

基于粗糙集理论的异常行为规则的提取

异常检测是数据挖掘技术研究方向之一。利用粗糙集理论挖掘出的高质量的决策规则集,具有广泛的适应性和简明清晰的特点。通过对规则的支持度和置信度的度量,提取那些支持度很低,但置信度非常高的规则。在某些如银行欺诈、入侵检测、青少年犯罪和学生心理问题等领域,研究这些小概率、置信度低的事件却有特别的重要意义,对于人们发现异常情况进行决策非常有益。     

基于非对称相似粗糙集的规则获取算法

针对目前应用粗糙集相似关系理论与LEM2算法进行规则推理时获取规则较少以及规则简化程度不高的问题,提出了粗糙集非对称相似关系与近似集的计算方法,并对现有LEM2算法获取规则的过程进行了改进与补充,形成了一种新的基于非对称相似粗糙集的规则获取算法,以便从不完整信息中获取更多潜在规则.最后以实际算例对两种算法分别进行了测试并给出了结果对比分析,仿真结果表明新的规则获取算法在不改变原有信息集结构与内容的基础上具有更好的优化性能,能获得更好的优化结果.     

医疗健康数据的模糊粗糙集规则挖掘方法研究

医疗健康数据通常属性较多,且存在连续型、离散型并存的混合数据,这在很大程度上限制了知识发现方法对医疗健康数据的挖掘效率。以模糊粗糙集理论为基础,研究混合数据上的分类规则挖掘方法,通过引入规则获取算法的泛化阈值,来控制获取规则集的大小和复杂程度,提高粗糙集知识发现方法在医疗健康数据上的分类效率。最后通过对比实验验证了该算法在医疗决策表上挖掘规则的有效性。     

基于最大粒的悲观邻域多粒度粗糙集规则获取算法*

基于粒计算的规则获取在一定程度上弥补规则获取算法的缺陷,然而大多数算法仅适用于处理名词型数据.为了从多粒度、多层次的角度处理数值型或混合型数据,基于邻域多粒度粗糙集模型,通过计算邻域多粒度条件粒与决策粒,分析条件粒在规则获取过程中的冗余关系,进而通过剪枝规则获取过程中的冗余条件粒.在此基础上,设计较高效的基于最大粒的悲观邻域多粒度粗糙集规则获取算法.通过理论分析与实例对比验证算法的有效性和优越性.     

基于Rough Set的规则自动抽取设计方案

知识获取是专家系统的重要研究领域，而Rough Set理论以理论的独特之处成为这一领域的有效工具。文章针对一具体专家系统－OTCA－ES专家系统－在知识获取方面能力的不足，简要介绍其知识表示和知识获取的方法后，提出了一种基于Rough Set理论的规则自动抽取的设计方案。     

一种基于粗糙集理论的规则提取方法

规则提取是实现智能信息系统的重要环节,也是一个难点。针对信息系统中的规则提取问题,提出了一种基于粗糙集的研究方法,并对规则提取涉及到的属性约简、属性值约简等问题进行了研究。根据粗糙集中的不可分辨关系建立了可辫识向量,以利用可辨识向量的加法法则运算求得核属性以及属性重要性,然后以核属性为基础、属性重要性为启发信息,求得信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值来完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效、可行的。     

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。     

基于一般二元关系下的粗糙Vague集

本文研究了一般关系下Vague集合的近似问题,建立了一般关系下粗糙Vague近似的框架。在分析经典的粗集理论、模糊集理论、Vague集理论三者关系的基础上,提出了一般关系下粗糙Vague集的概念,并定义了粗糙Vague近似算子,讨论了粗糙Vague的性质。本文的结果对进一步开展粗糙集Vague集的研究具有一定的意义。     

基于粗糙集的改进K—Modes聚类算法

传统的K-Modes算法采用简单匹配的方法来计算对象之间的距离,并没有充分考虑同一属性下的两个不同值之间的相似性.基于粗糙集中的上、下近似,提出了一种新的距离度量,并重新定义了类中心,对传统K-Modes算法进行了改进.与其他改进K-Modes算法进行了比较,实验结果表明,基于粗糙集的改进K-Modes算法有效地提高了聚类精度.     

基于差别矩阵的不一致决策表规则获取算法

针对传统基于差别矩阵的不一致决策表规则获取算法效率不理想的情况,提出了一种快速的基于差别矩阵的规则获取算法.算法首先引入简化决策表思想,删除决策表中可能存在的许多重复对象;然后基于简化决策表构造不同决策类之间的子差别矩阵,以有效地解决对象分布的非平衡性问题和缩小算法的求解空间;且采用启发式向后贪心搜索策略求解相对最小属性约简;并根据规则可信度获取有效的决策规则,可信度可动态设置,使算法具有较好的适应性.最后通过算例分析和实验比较验证了算法能获取有效的决策规则.     

基于覆盖的粗糙模糊集的粗糙熵

覆盖约简是研究覆盖去冗余问题的一种有效方法。本文在基于最简覆盖的粗糙集模型的基础上,将粗糙度和粗糙熵的概念引入基于最简覆盖的粗糙模糊集,用来度量其不确定性程度;讨论了它们的一些性质,并通过实例说明粗糙熵比粗糙度更能精确地反映基于最简覆盖的粗糙模糊集的不确定性程度。