基于粗糙集理论的数据挖掘算法研究

本文提出一种基于粗糙集理论的数据挖掘模型，从实际数据出发，运用不同简化层次的算法，导出每个层次上的信息集，最后得到规则集，在进行推理和决策分析时，按照一定算法进行匹配得出结论。还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

基于粗糙集理论的关联规则挖掘模型

提出了一个基于粗糙集理论的关联规则挖掘模型。介绍了该规则挖掘模型的主要步骤，模型中应用了属性约简和规则约简技术，并给出了该两个技术的算法。     

基于粗糙集理论的数据挖掘的应用

在粗糙集理论的基本思想及其特点的基础上说明它是数据挖掘的一种工具,并对其广泛的应用作了描述。介绍了常见的粗糙集理论的应用工具软件（如Rosetta),并给出了一个应用粗糙集技术来实现数据挖掘的实例系统（电力系统中操作点的分类）。     

粗糙集理论的研究与应用

对粗糙集的基本理论进行了讲解,同时给出了基于加权平均和频度的双向选择约简算法。     

基于粗糙集的规则的挖掘

随着计算机技术的发展，急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念，是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本理论进行了讨论，在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究。并通过一个实例详细地说明了具体挖掘过程，该实例说明了基于粗糙集进行规则的挖掘是较简单的。     

基于粗糙集理论的煤磨故障诊断模型

针对水泥煤磨系统的常见故障,将基于粗糙集理论的数据挖掘技术应用于水泥煤磨故障诊断。结合具体的数据,采用粗糙集的方式,建立了故障诊断系统,通过该系统对识别数据进行故障诊断实验,表明该系统能有效地对煤磨堵仓和钢球小故障进行诊断。诊断结果的精度可以满足现场应用的要求。     

基于粗糙集理论的遗传挖掘在教学质量评估中的应用

本文提出了一种基于粗糙集理论和遗传算法的方法,即对样本数据的属性集进行约简后通过遗传算法对约简后数据进行数据挖掘,并将该方法应用在教学质量评估中.通过实例验证了该方法使得评估结果更加科学、客观,具有实用性和可行性.     

基于粗糙集理论的控制规则生成方法

该文提出了一种基于粗糙集理论的控制规则自动生成方法。此方法在RSI引导算法基础上进行了改进,能够得到更精确的控制规则,这些规则即使在数据不完整、不精确的情况下也可以自动产生。通过对工程实例的分析,表明此方法是有效的。     

基于粗糙集理论的关联规则挖掘研究及应用

提出了一种基于粗糙集理论的关联规则算法,使用粗糙集理论对数据进行预处理,同时使用属性限制避免挖掘无用的关联规则,挖掘出来的关联规则是分类规则,可以对未知数据进行分类;使用规则过滤去除冗余规则,只保留本质的、一般的规则。通过对网络安全审计数据的分析的试验表明,该方法是行之有效的。     

基于Oracle的高校研究生招生系统设计与实现

Oracle数据库是当今世界流行的数据库管理系统之一,在大中型应用中被广泛的采用。基于Oracle 9i设计和实现的某高校研究生招生系统能通过Oracle中的PL/SQL程序对考生的成绩数据和录取情况进行较全面处理。     

基于数据库操作的粗糙集的规则生成

提出了基于数据库操作的粗糙集（RS）的一种新模型,大部分传统的RS方法没有与数据库系统结合起来,使得RS理论在很多领域中受到限制,并提出了一组基于数据库操作的计算核、约简,规则生成的算法, 与传统RS模型相比,新的模型非常有效且可扩展。     

基于容错粗集理论的知识约简

粗集理论(RoughSetsTheory,RST)在处理不完全、不精确、不确定性智能信息问题等许多领域已取得成功的应用。然而RST理论还存在某些局限性,比如对等价关系的定义使得知识约简相对复杂化。该文提出利用容错粗集犤1犦RST的概念,建立属性值之间的容错关系,用容错关系对对象进行分类。该方法首先采用遗传算法求出属性阈值的最优组合,然后分别建立属性和对象的特殊矩阵,最后求出属性的相对约简和对象的相对商集。采用容错粗集进行知识约简减少了量化的过程,从而提高知识约简的有效性。该文最后提供了一个实例表明该方法是可行的。     

用粗糙集理论建立决策树的一种方法

在数据挖掘中，分期是一个很重要的问题，有很多流行的分类器可以创建决策树木产生类模型。本文介绍了通过信息增益或熵的比较来构造一棵决策树的数桩挖掘算法思想，给出了用粗糙集理论构造决策树的一种方法，并用曲面造型方面的实例说明了决策树的生成过程。通过与ID3方法的比较，该种方法可以降低决策树的复杂性，优化决策树的结构，能挖掘较好的规则信息。     

粗集理论中的容错关系及其构造方法

粗集理论（Rough Sets Theory,RST）在许多领域已得到成功的应用,它在处理不完全、不精确、不确定性智能信息问题中表现出优秀品质。然而在标准RST理论中存在有局限性,比如对等价关系的定义使得知识约简相对复杂化。论文提出了基于RST的容错粗集的概念,给出了容错粗集上的性质,使得在进行知识约简时无需进行量化。从而大大提高了知识发现的效率。     

基于粗糙集的数据聚类方法研究

RoughSets理论是一种新型的处理含糊和不确定性知识的数学工具,将RoughSets理论应用于知识发现中的聚类分析,给出了信息系统的约简、信息系统的可辨识属性矩阵和信息系统的辨识公式等定义,在此基础上提出了基于粗糙集的数据聚类算法RSDC,实验结果验证了该算法的可行性,并且对符号属性和数值属性数据都具有良好的聚类效果。     

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.     

一种基于粗糙集理论的智能故障诊断新方法

论文针对基于规则的故障源分离与定位方法中的一个关键问题,即诊断规则的获取,利用粗糙集的基本原理构造出了一种用于规则提取的新方法,其中包括了用于对故障决策表,即故障字典,进行属性约简的改进算法和属性值的顺序约简算法。该方法能够迅速从故障字典中提取出诊断规则,并揭示出故障信息内在的冗余性。最后实例应用的结果表明了该方法的有效性,尤其是在不完全信息情况下的有效性。     

A New Method of Selection and Reduction of System Feature in Pattern Recognition Based on Rough Sets

A new method of selection and reduction of system feature in pattern recognition based on rough sets is proposed in this paper. Its basic idea is that the classification ability of system feature is evaluated with the classification affection introduced by removing some redundant feature or unimportant feature in the system and comparing the final classification result to find out useful feature in pattern recognition. Eventually, reduction and optimum combination of feature sets are performed by this method. An example of selection and reduction of system feature in pattern recognition based on rough sets shows the correctness and effectiveness of the method.     

A Novel Fuzzy Rough Sets Theory Based CF Recommendation System

Collaborative Filtering (CF) is one of the popular methodology in recommender systems. It suffers from the data sparsity problem, recommendation inaccuracyand big-error in predictions. In this paper, the efficient advisory tool is implemented for the younger generation to choose their right career based on theirknowledge. It acquires the notions of indiscernible relation from Fuzzy Rough Sets Theory (FRST) and propose a novel algorithm named as Fuzzy RoughSet Theory Based Collaborative Filtering Algorithm (FRSTBCF). To evaluate the model, data is prepared using the cross validation method. Based on that,ratings are evaluated by calculating the MAE (mean average error), MSE (means squared error) and RMSE (root means squared error) values. Further thecorrectness of the model is measured by finding rates like Accuracy, Specificity, Sensitivity, Precision & False Positive Rate. The proposed FRSTBCF algorithmis compared with the traditional algorithms experiment results such as Item Based Collaborative Filtering using the cosine similarity (IBCF-COS), IBCF usingthe pearson correlation (IBCF-COR), IBCF using the Jaccard similarity (IBCF-JAC) and Singular Value Decomposition approximation (SVD). The proposedalgorithm gives better error rate and its precision value is comparatively identical with the existing system.