一种基于Rough集理论的数据过滤方法

Ｒｏｕｔｈ集理论是一种处理不确定模糊知识的重要工具,在对Ｒｏｕｇｈ集理论进行深入研究的基础上,提出了一种基于Ｒｏｕｇｈ集理论的这滤算法。该处 工硒思想是基于Ｐ－确定的等价类的合并,算法直观,计算简便,理论和实验表明,该算法能够减低信息系统中信息的粒度,在保持规则近似质量不变的前提下,有效地提高规则的统计意义和预测强度。     

一种基于布尔矩阵的属性约简方法

简单介绍了Rough理论及相关概念,分析了A.Skowrond的分明矩阵法以及改进方法。提出了一种基于布尔矩阵的属性约简方法,本方法用布尔矩阵来保存由信息系统直接生成的邻域分明全合取范式,减少了存储空间,提高了计算效率。     

基于Rough集方法的数据约简与机器学习

用一种新的增加属性值的方法进行数据约简，并把这种方法用于机器学习和机器研究，提出了完全分明，分明度等新概念，使数据约简和机器学习完全统一。     

基于Rough集的数据约简算法研究综述

介绍基于Rough集的数据约简的理论和它在应用理论研究上的新进展，综述基于Rough集的数据约简算法研究应用成果，并指出其应用前景和存在的问题。     

一种Rough集相对约简的计算方法

本文引入邻域分明合取项集概念,讨论了邻域分明合取项集的计算方法。在此基础上,利用约简集 RED_Q(U—{x_o},P)计算约简集 RED_Q(U,P)的思想,给出了相对约简的判定定理,从而提出了一种相对约简的计算方法。由于该方法不用计算分明矩阵的中间环节,节省了空间和时间,提高了运行效率。实验结果表明,该约简算法在效率上较现有的约简算法有一定提高。     

基于小生境遗传算法的知识约简方法

提出基于小生境遗传算法的知识约简算法,利用遗传算法的搜索寻优技术,可以得到多种约简属性集。实验证明,该算法是有效的,它可以解决启发式算法不能解决的部分问题,并能求解出知识系统中存在的不同约简,从而为特征提取、决策支持和数据挖掘等提供更多的信息。     

一种基于遗传算法的属性约简算法

在基于Rough集理论的知识发现过程中,减小属性约简复杂度问题是重要研究内容之一。该文分析了基于遗传算法的约简算法,提出了一种在优化初始群体基础上提高算法性能的遗传约简算法。     

一种基于新的条件信息熵的高效知识约简算法

分析了在知识约简过程中现有条件信息熵的不足,给出一种新的条件信息熵,由此定义新的属性重要性.将其与基于正区域和基于现有条件信息熵的属性重要性进行比较,结果表明新的属性重要性是一种更准确、更全面的启发信息.以新的属性重要性为启发信息设计约简算法,并给出计算新的条件信息熵的高效算法.理论分析和实验结果表明,与基于现有条件信息熵的约简算法相比,该约简算法时间复杂度较低,且在搜索最小或次优约简方面更优.     

一种属性与值约简简化算法

Rough Set理论是处理不确定性知识、不完整数据的重要工具，在Rough Set中属性最小约简与规则提取NP—hard的．本文针对现有属性约简与值约简算法的问题，分析了区分矩阵的特性，在此基础上，提出了属性与值约简的简化算法，并用实例作了验证．     

基于二进制可辨矩阵的肝功能检测数据约简方法

基于二进制可辨矩阵的数据约简方法具有直观性和可操作性的特点,因而在实际应用中受到开发人员的青睐。但已有的此类方法通常是在扫描数据集的过程中不加“削减”地直接产生大规模的二进制可辨矩阵,这导致较大的时间和空间开销。为此,利用对行的吸收律和逻辑和实现了对二进制可辨矩阵的规模进行有效缩减,构造一种新的基于二进制可辨矩阵的数据约简算法。它具有更好的可操作性,易于编程实现,其时间和空间复杂度都得到了较大的改善。在与某医院合作开发的项目中,该算法的应用已经进入测试阶段,可以较好完成了对肝功能检测数据（定性的数据）的约简,结果令人满意。     

一种基于布尔矩阵的新的属性约简完备算法

属性约简是粗糙集理论研究的核心问题之一。现已有学者证明属性约简在布尔矩阵和代数两种不同表示下是等价的,且布尔矩阵表示更加直观。基于此理论本文提出了一种基于布尔矩阵的新的属性约简完备算法,并在此基础上加了一个反向删除过程,直到不能再删为止,保证了算法的完备性。最后通过实例分析证实了其有效性。     

一种基于粗糙集和神经规则法的数据挖掘新方法

确立了结合粗糙集理论和神经规则法进行数据挖掘的方法.首先通过粗糙集对需要挖掘的数据进行预处理,实现属性的约简,然后应用神经规则法进行网络剪枝和规则提取.通过实例计算表明,在结果置信度降低不多的情况下,可以得到简单明确的关联规则,并有效地提高数据挖掘的效率.     

基于简化差别矩阵的完备属性约简算法

由于基于老差别矩阵的属性约简的定义与基于正区域的属性约简的定义是不一致的,给出一个简化差别矩阵和相应的属性约简的定义,并证明了该定义与基于正区域的属性约简的定义是一致的。由于在简化差别矩阵中,要先求出IND(C),故设计了一个较好的求IND(C)的算法,其复杂度被降为O(｜C‖U｜)。在此基础上设计了一个完备属性约简算法,其时间复杂度和空间复杂度分别被降为max｛O(｜C｜2(｜U′pos‖U/C｜)),O(｜C‖U｜)｝和max｛O(｜U｜),O(｜C｜(｜U′pos‖U/C｜))｝。     

一种改进的基于差别矩阵的属性约简方法

粗糙集理论作为一种新型的软计算方法,在数据挖掘方面的应用越来越被人们所重视。利用粗糙集理论进行数据挖掘,得到知识规则,最重要的一点就是基于粗糙集的属性约简。文中在区分矩阵的基础上,改进了计算信息系统属性约简的方法,使属性约简计算量大幅度减小,可以快速得到给定要求下的属性约简。     

一种基于分辨矩阵的新的属性约简算法

属性约简是粗糙集理论中的重要研究内容之一．但属性约简是一个NP难题,需要通过启发式知识实四。文中提出利用分辨矩阵求不同的条件属性组合相对于决策属性的正域的方法,并给出新的求核属性的方法。在此基础上,提出了一种利用分辨矩阵实现属性约简的新算法,该算法能快速求最少属性且实现简单,并实现了属性约简与规则提取的同步．最后通过实例证明了其正确性。     

大规模复杂数据集的约简方法

对样本点数量巨大、用于刻画对象特征的指标众多、带有时空动态特性、包含大量噪声等特点的大规模复杂数据集进行定义。针对大规模复杂数据集的挖掘要求,结合统计分析、粗糙集、模糊集理论中的数据约简思想和方法,提出一种基于样本模糊聚类和粗糙集属性约简的大规模复杂数据集约简方法。     

一种新的属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出了一种新的基于相对差异比较表的属性约简算法。该算法给出了一种将信息表转化为相对差异比较表的方法,且该方法对于不相容决策表也是可行的,进而就将求解最小属性约简问题转化为求解一个0-1整数规划问题,并分别采用一般求解规划问题的方法和遗传算法两种方法来求解这个0-1整数规划问题。实验结果证明该算法结合遗传算法能够更加快速有效地进行属性约简。     

基于粗糙集的约简算法及规则融合方法的研究

从不同的角度分析了属性约简的两种重要方法:区分矩阵法和基于属性重要性。根据数据集的实际情况提出了一种基于粗糙集的区分矩阵和属性重要性相结合的启发式算法,并获得了属性约简集。在约简集的基础上分析了静态决策推理规则及算法。在相容决策系统中利用集合向量包含度构造了规则融合的方法,从而得到动态条件规则的极大近似决策值。在知识满足分类质量要求的前提下,根据规则融合方法,对任意给定的样本知识可以判别知识的实际归属类。     

入侵检测中的数据约简研究

为解决入侵检测中的数据约简问题,提出一种基于粗糙集的入侵检测数据约简算法,其中包括特征选择与属性值约简。特征选择部分采用互信息的方法消除冗余特征,属性值约简部分采用归纳值约简算法消除冗余属性值。实验结果表明,该方法不仅能缩短训练及检测时间,减小数据存储代价,还能提高分类精确度。     

基于动态区分矩阵的属性约简算法

在分析基于静态区分矩阵的属性约简算法基础上,提出一种基于动态区分矩阵的属性约简算法。该算法采用2种不同的区分矩阵调整方案,使其能客观及时地反映出当前的约简以及剩余条件属性对信息系统的影响。实验结果表明,该算法不仅能找到信息系统的属性约简,还能有效减少计算属性约简的计算量,提高计算效率。