基于Rough Set的一种决策树的确定算法

决策树是一种有效用于分类的数据采掘方法，通常是通过信息熵的计算去选择分枝属性，计算量大而复杂。文章利用粗集理论中相对正域的概念，找到另一种信息熵的等效表示方法，只要通过简单的集合运算，便可对协调和非协调决策表得到相应的确定和非确定性决策树，从而得到分类规则。     

粗集中的粒计算模型

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,不相容决策表是粗集理论研究的一个重点,而粗集中的等价关系可以用来刻化等价粒.结合粒计算的处理方法给出了决策表信息系统的粒表示、粒运算规则和粒分解算法,同时结合粗集中的属性核计算方法,提出了决策表信息系统在粒表示下属性核的获取方法.     

基于粗集理论和证据理论的多源信息融合方法

本文针对多源信息融合问题，首先利用基于Kohonen网络的离散化算法和粗集理论对样本信息进行离散化和约简，形成了待决策问题的经验决策表．在此基础上，利用经验决策表以及粗集理论和证据理论的关系，计算了待决策信息的有关证据的基本概率指派和条件概率指派．最后，按照合成规则对上述条件概率指派进行了合成，并根据决策规则进行决策．实例研究表明，该方法实验结果令人满意．     

基于因果关系的决策表约简算法

文章指出了目前基于粗糙集理论的决策表属性约简计算方法的局限性,即对多集决策表无法确定核属性及核值,提出了一种应用逻辑因果关系理论及表处理的解决方法.它以逻辑变量对逻辑函数的化简强度从多集优选出单集决策表,由该表确定部分逻辑函数值,未能确定的部分形成二次多集决策表,递归上述方法直至确定全部逻辑函数值.实践表明该方法有效地解决了决策规则的准确性和简捷度问题.     

知识获取的粗分析方法

粗分析方法是从决策表中挖掘规则,克服知识获取瓶颈的一种有效方法。基于粗糙集理论,文章讨论了粗分析获取规则的几个问题,提出了相应的解决方法。如实用中决策表的约简会导致部分信息丢失,而规则适当的冗余可以解决这个问题。其次,研究了不完全决策表的规则粗分析,为不完全决策提供了基础。     

一种基于Rough集的属性值约简算法

文章将Rough集理论应用于不同类型的决策表(一致决策表和不一致决策表)的约简,给出了广义决策、决策规则的一致程度、属性值重要性等定义,在此基础上提出了一种基于Rough集的属性值约简算法。该算法不仅能得到更为简洁的决策规则,而且能保持决策规则的一致程度不变。实例分析表明该算法是可行的。     

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。     

关于对象排序的研究

排序和分类是人类的两种基本的知识,一般文献中讨论的都是关于分类规则的挖掘,分类规则是一种刚提出的新思想,文章对犤3犦犤4犦提出的挖掘排序规则的算法作了更为全面深入的探讨和改进,所做的工作包括:比较可用于比较对象优劣的基于支配关系(dominancerelations)的扩充粗集理论的算法犤1,2犦和直接挖掘有序规则的算法犤3,4犦,分析各自的优缺点;指出犤3犦犤4犦中的算法存在两种情况下的对决策表的过分匹配;用定量翻译决策表的方法和翻译后的决策表的对称性改进犤3犦犤4犦的算法;针对翻译后的决策表基数往往很大和在扩充的粗集理论下是对联合(union)而不是对决策类求规则造成的时间复杂度高的问题,提出了一种启发式的寻找最小规则的算法。     

连续不确定决策系统及其扩展Rough集分析

连续不确定决策表可视为一种多值表元决策表。利用Fuzzy集理论可将多值表元决策表转换为带有隶属度的单一表元决策表;并在此基础上,给出了扩展信息表和决策表的定义,提出了对多值表元决策表中决策概念下近似及边界的计算方法,为利用规则推导算法产生知识提供了确定的输入。     

一种基于粗集理论的增量式学习改进算法

增量式学习中,当向决策表中增加一个新例子时,为了获得极小决策规则集,一般方法是对决策表中的所有数据重新计算。但这种方法显然效率很低,而且也是不必要的。论文从粗集理论出发,提出了一种最小重新计算的标准,并在此基础上,给出了一个增量式学习的改进算法。该算法在一定程度上优于传统的增量式学习算法。     

用于机器人信息融合的RS智能系统

粗集理论是一种处理不精确知识的数学工具.该文提出了一种将粗集理论与人工神经 网络、模糊聚类结合起来的信息融合方法,用于装配机器人的工件识别与分类.实验结果表明, 该方法在优选属性、分类正确率方面具有优越性.     

Rough sets for adapting wavelet neural networks as a new classifier system

Classification is an important theme in data mining. Rough sets and neural networks are two techniques applied to data mining problems. Wavelet neural networks have recently attracted great interest because of their advantages over conventional neural networks as they are universal approximations and achieve faster convergence. This paper presents a hybrid system to extract efficiently classification rules from decision table. The neurons of such hybrid network instantiate approximate reasoning knowledge gleaned from input data. The new model uses rough set theory to help in decreasing the computational effort needed for building the network structure by using what is called reduct algorithm and a rules set (knowledge) is generated from the decision table. By applying the wavelets, frequencies analysis, rough sets and dynamic scaling in connection with neural network, novel and reliable classifier architecture is obtained and its effectiveness is verified by the experiments comparing with traditional rough set and neural networks approaches.     

基于Rough集的规则学习研究

Rough Sets方法是一种处理不确定或模糊知识的重要工具,本文在对Rough Sets理论进行深入研究的基础上,提出了一种基于Rough Sets的自增量学习算法,该算法利用简化的差异矩阵和置信度,能较好地进行确定性规则和非确定性规则的学习。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

地理信息知识获取Rough-NN模型研究

提出了一种粗糙集结合神经网络的粗糙集神经网络模型，对具有高度自相关性的地理信息进行知识获取．主要思想是利用辨别矩阵形成约简算法，得到最简的if-then规则；然后构造三层神经网络模拟最简规则，其中网络的输入输出由本文提出的参数训练方法确定．本文利用VB实现该模型，并对松花江流域的洪涝干旱灾情进行了仿真实验，结果表明该模型可以快速地获取最简的if-then规则，得到正确的决策结果．     

Rough set feature selection and rule induction for prediction of malignancy degree in brain glioma

The degree of malignancy in brain glioma is assessed based on magnetic resonance imaging (MRI) findings and clinical data before operation. These data contain irrelevant features, while uncertainties and missing values also exist. Rough set theory can deal with vagueness and uncertainty in data analysis, and can efficiently remove redundant information. In this paper, a rough set method is applied to predict the degree of malignancy. As feature selection can improve the classification accuracy effectively, rough set feature selection algorithms are employed to select features. The selected feature subsets are used to generate decision rules for the classification task. A rough set attribute reduction algorithm that employs a search method based on particle swarm optimization (PSO) is proposed in this paper and compared with other rough set reduction algorithms. Experimental results show that reducts found by the proposed algorithm are more efficient and can generate decision rules with better classification performance. The rough set rule-based method can achieve higher classification accuracy than other intelligent analysis methods such as neural networks, decision trees and a fuzzy rule extraction algorithm based on Fuzzy Min-Max Neural Networks (FRE-FMMNN). Moreover, the decision rules induced by rough set rule induction algorithm can reveal regular and interpretable patterns of the relations between glioma MRI features and the degree of malignancy, which are helpful for medical experts.     

粗神经网络及其在图像融合中的应用研究

粗集理论能够优选数据,但容错性与推广能力比较弱;而神经网络具有较强的自组织、容错以及推理能力,却不能优选数据。把这两种理论结合起来,使之发挥各自优势,然后把它们用于图像融合之中,并提出了一种基于粗神经网络的图像融合方法,该方法使用遗传算法作为神经网络的训练算法。通过仿真实验表明,在对融合来自同一景物的多幅带噪声图像的应用中,该方法取得了很好的效果。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

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.