集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能, 提出了基于广义粗集的集成特征选择方法. 为在集成特征选择的同时获取各特征空间中的多类模式可分性信息, 研究并提出了关于多决策表的相对优势决策约简, 给出了关于集成特征选择的集成属性约简 (Ensemble attribute reduction,EAR) 方法, 结合基于知识发现的 KD-DWV 算法进行了高光谱遥感图像植被分类比较实验. 结果表明, EAR 方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.     

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.     

基于粗集的多准则决策分析

多准则决策分析(MCDA)用于解决分类、分级、选择、排序和描述问题,随着现实世界正变得由数据所驱动,传统的 MCDA 方法面临着更多的挑战.粗集方法是 MCDA 的有用工具,在多准则决策问题的分类框架下,从二元关系的角度对粗集方法的研究现状进行了评述,包括二元关系的建立、定义粗糙近似、导出决策规则和规则应用,并通过文献研究得出了基于粗集的 MCDA 方法的发展动态.     

利用核心集粗化的多层聚类算法

粗化是多层聚类算法中的关键步骤.经典的多层聚类算法,如METIS(multilevel scheme for partitioning irregular graphs)、Graclus等,利用顶点和边权的若干准则合并顶点和边,实现粗化,其缺点是粗化之后的小规模数据集无法准确表述原数据集的全局信息和结构.提出了核心集粗化(core-sets coarsening)的方法,通过定义“多层核心集”,逐层保留数据集的全局信息.同时,顶层核心点的个数与聚类个数相同,其每个核心点对应一个单独的类,因此不需要一般多层聚类中的划分过程.实验结果表明了该算法的有效性.     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论,针对知识表达系统提出了一种新的归纳学习方法,对该方法中条件属性的简化进行了详细的讨论,并给出了一种具体的属性约简算法,其特点是简单,容易实现,考虑了属性值代表范围的合理性。     

基于专家域的多层分类器融合

论文提出了一种基于专家域的多层分类器融合模型,专家指不同专长之单分类器。模型思想来自医院诊断流程,模型首先训练n个专家,之后将样本空间按专家专长划分专家域。对于待测样本,先将样本指派到合适的专家域,然后再由指定的专家对样本进行分类。用这种算法对UCI的标准数据集进行分类,实验结果显示,该算法得到比其他算法更低的分类误差,显著提高了分类器的性能。     

智能决策支持系统中的知识表示及基于粗集的推理

探讨了在智能决策支持系统中的知识表达系统以及数据粗集理论分析处理海量信息中信息的有用特征,通过分析、推理产生最小决策规则。最后以EDUDSS中农村小学布局决策为例作实例分析。     

基于二元决策系统的粗集知识获取方法研究

提出一种新的粗集知识获取方法,首先将事例集表示成二元决策系统,然后奖其分解成一系列单一二元决策子系统。利用粗集理论对每一子系统进行分析,推理出最优规则。在对决策系统进行条件属性和规则简化时,提出了概率最佳简约准则和概率最小规则准则,按照这两种最优准则可以获得概率意义上数目最小规则集。通过实例分析,具体说明了该方法的实现步骤,结果表明该方法具有明显的优越性。     

集值信息下的粗集与知识获取

在复杂的决策环境中,集值信息是不可避免的。在此情况下,专家往往也能给出满意的决策。从集值信息系统中提取有用的规则,用于增强智能系统的知识库,具有实际意义。粗集是处理不确定信息的有效方法,但它通常适用于完全决策表。本文对粗集理论在集值信息下进行了初步的拓展,为从集值决策表中挖掘知识提供一定的理论基础。     

基于类FP-tree的多层关联分类器

针对传统多层关联分类挖掘产生大量冗余规则而影响分类效率的问题,提出了一种基于类FP-tree的多层关联分类器MACCF(Multi-level Associative Classifier based on Class FP-tree)。该分类器依据事务的类标号划分训练集,采用闭频繁模式(CLOSET+)产生完全候选项目集,通过设计适当的类内规则剪枝策略和类间规则剪枝策略,减少了大量冗余的分类规则,提高了分类的准确率;采用交又关联规则方法,解决了交叉层数据的分类问题,实验结果表明了算法的高效性。     

基于粗糙集的分布式网络入侵检测系统设计及实现

随着计算机网络的迅猛发展,单一的集中式的入侵检测系统已不能满足网络安全发展的需要,分布式入侵检测系统应运而生。应用智能代理技术和粗糙集算法,提出一种分布式网络监控系统结构,并进行了形式化分析和实现。系统实验结果表明,所开发的网络入侵检测系统可以稳定地工作在网络环境下,能够及时发现入侵行为,增强了入侵检测系统的检测能力,具备了良好的网络入侵检测性能。     

Dominance-based Rough Set Classifier without Induction of Decision Rules

Rough Sets Theory is often applied to the task of classification and prediction, in which objects are assigned to some pre-defined decision classes. When the classes are preference-ordered, the process of classification is referred to as sorting. To deal with the specificity of sorting problems an extension of the Classic Rough Sets Approach, called the Dominance-based Rough Sets Approach, was introduced. The final result of the analysis is a set of decision rules induced from what is called rough approximations of decision classes. The main role of the induced decision rules is to discover regularities in the analyzed data set, but the same rules, when combined with a particular classification method, may also be used to classify/sort new objects (i.e. to assign the objects to appropriate classes). There exist many different rule induction strategies, including induction of an exhaustive set of rules. This strategy produces the most comprehensive knowledge base on the analyzed data set, but it requires a considerable amount of computing time, as the complexity of the process is exponential. In this paper we present a shortcut that allows classifying new objects without generating the rules. The presented approach bears some resemblance to the idea of lazy learning.     

基于Rough Set的属性约简及应用研究

设计简洁的切实可行的基于Rough Set的属性约简的算法.通过基于Rough Set的属性约简方法对两个实际应用说明了如何利用该方法计算条件属性相对于决策属性的重要度,去除冗余属性,形成新的精简的知识发现属性集,从而提高数据挖掘效率.     

基于粗糙集的并行协作模块化神经网络模式分类器

该文提出了基于粗糙集的K类模式分类器的体系结构(RSPCMNNC),基于粗糙集理论提出了三个预处理算法,简化了分类器的结构,降低了学习难度,有效地避免产生过多的子网。样本空间基于最大均衡的策略来划分,保证BP算法在学习过程中的有效性。实验结果表明,该文提出的RSPCMNNC分类器显示出更高的识别率,对于实际应用中多特征模式的识别问题,具有很大的实用价值。     

基于粗糙集理论的计算机图像识别系统

为解决专家系统较难获取完备知识的瓶颈问题,设计了一种基于粗糙集理论的诊断系统。研究历史数据所形成的决策表,运用粗糙集理论进行约简,构建专家系统知识库模型。通过计算诊断规则粗糙度,确定诊断规则的置信程度。利用推理机,实现对知识库的动态维护。结合诊断的特点,建立基于粗糙集理论的专家诊断系统模型,快速准确地实现诊断的目标。实例表明,该专家诊断系统有效、实用,具有很好的学习能力。     

基于粗糙集的一类彩色验证码识别研究

文章根据一类图片验证码的字符颜色、大小、字符间位置关系,使用粗糙集的方法将验证码图片中的字符分割出来,再使用AdaBoost算法进行训练,将分割得到的字符识别出来。经实验证明,该算法对该类彩色验证码,无需很高的训练样本,即具有很高的识别率和速率,基本可以满足实时应用、、     

基于Rough集方法的RS-MAXNET网络分类器模型

Rough集（RS）理论中如何补偿或拓展Rs约简的局部决策规则使之更加接近全局规则是一个重要的议题。本文提出RS与MAXNET网络结合拓展建立盼MAXNET全局网络分类器模型。基于上述模型进行的脱机手写模式识别算法说明了其有效性。     

改进集对粗集模型

粗糙集理论在数据挖掘中的成功应用已成为近来研究的热点,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了限制。论文在文犤1犦的基础上利用集对联系度定义了不完备信息系统中集合的上、下近似运算,并得到比文犤1犦定义的近似运算更为完善的一些基本性质;通过实例说明了这种方法是可行的,在一定程度上将粗集用于研究不完备信息系统方面进行了推广。     

Rough Set on Trademark Images for Neural Network Classifier

Rough set theory (RS), introduced by Zdzislaw Pawlak in the early 1980s, is a methodology that concerned with the classificatory analysis of imprecise, uncertain or incomplete information or knowledge expressed in terms of data acquired from experiences or observations. It has the ability to distinguish between object and reason about the objects in the universe in which objects are perceived through the information that is available about them through the values for a predetermined set of attribute. The main advantage of RS is that it requires no additional information to the data represented in table. On the other hand, Supervised Neural Network learns by abstracting a mapping function from the training data for classification purposes. However the drawback of using a supervised neural network is that a large amount of training data must be provided for it to obtain an accurate mapping function. The problem is further aggravated if the data are in the continuous form (real values). Thus, in this paper we overcome the problem by transforming the training data in the continuous form into discrete values using Rough Sets theory and Boolean Reasoning technique. Here, global shape features are chosen to represent the logo images. The invariant features representing logo images are obtained by using the Geometric Invariant Moment Technique (Hu, 1962). The classification results prove that discretization using Rough Sets and Boolean Reasoning can reduce the training cycle and significantly increase the accuracy of the classification of logo images.     

精度与程度的逻辑或粗糙集模型

精度与程度是两个重要的量化研究指标.文中目的是结合精度与程度,探索粗糙集拓展模型.通过研究变精度近似与程度近似的关系,得到两者的转化公式.基于精度与程度的逻辑或需求,提出精度与程度的逻辑或粗糙集模型,提出粗糙集区域,更精确地分划论域.在精度与程度的逻辑或粗糙集模型中,得到粗糙集区域的基本结构,提出计算粗糙集区域的常规算法和结构算法,并进行算法分析与比较.精度与程度的逻辑或粗糙集模型拓展了变精度粗糙集模型、程度粗糙集模型、经典粗糙集模型,并在这些模型中得到相应的粗糙集区域结构.