基于粗糙集的快速车牌字符识别技术

为了解决传统识别技术在车牌字符识别时效率低的问题,本文提出了一种基于粗糙集高效属性约简算法的快速车牌识别技术,该方法首先根据训练样本集的特征向量建立决策表并对决策表进行二次离散化处理,然后应用粗糙集理论对决策表进行高效属性约简,最后从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效地压缩了图像的特征数,并简化了规则匹配算法,提高了字符识别率及识别速度,在车牌字符识别中取得了较好的识别效果。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

粗糙集理论研究的新进展

首先在粗糙集特点和优点的基础上,介绍粗糙集理论的概念和理论基础,并回顾了粗糙集理论自创建以来的发展历程。接着阐述粗糙集理论的理论研究和应用研究方向。最后,分析粗糙集理论存在的不足和缺点,并指出粗糙集理论研究的发展趋势。     

基于粗糙集理论的票据打印字符识别系统

票据打印字符识别有着广泛的应用前景.但南于票据打印字符本身所具有多噪声、字体及字符大小多变等特点,导致了票据打印字符识别始终是一项技术难题.提出了一种基丁粗糙集理论的票据打印字符识别系统,首先采集打印数字字符构成训练样奉集,提取训练样本的特征向量,建立样本集的特征矩阵.然后基于粗糙集理论,采用一种有效的属性集约简方法和一种新的规则提取方法,从中导出三个规则集合,基于该三个规则集对测试样本分别进行决策,最后对决策结果进行决策级融合.将该方案应用于纸制飞机票上打印数字字符的识别上,实验证明了该方法的可行性及有效性.     

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）。     

光学字符识别技术与展望

光学字符识别技术在人机交互中，发挥了界面友好的作用。根据识别时所提取具体特征的不同，字符识别通常可以分为：统计字符识别、结构字符识别和神经网络字符识别技术3种。该文分析了文字识别中的典型方法，并结合模式识别领域取得的理论成果，介绍了模糊技术识别、基于语义理解的识别等发展中的识别技术。光学字符识别为大量数据的自动录入提供了一条有效的途径，在文档自动分析、图像检索、人机交互方面有广阔的发展空间。     

粗糙集理论在心脏病诊断中的应用

简要介绍了粗糙集理论的基本原理和主要方法，给出了一个基于粗糙集理论设计的Rosetta软件对心脏病进行诊断的应用实例。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法.数据挖掘研究的实施对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便.关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点.粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取.该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的.     

粗糙集理论的新进展及其在智能信息处理中的应用

主要总结了近年来粗糙集理论的研究和进展,介绍了广义粗糙集模型研究的一些主要方面和最新成果,从逼近算子和粗糙隶属函数的角度,讨论了广义粗糙集模型的各种类型,并着重分析了粗集理论在智能信息处理中的应用情况。     

基于粗糙集定权法的雷达信号模糊模式识别

信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中关键性的一个环节.为解决雷达信号的智能识别问题,研究了将粗糙集和模糊模式识别法紧密结合的雷达信号识别模型,即先用粗糙集属性重要性定义了雷达信号各特征参数的识别权重,再结合模糊模式识别的方法对雷达信号进行匹配识别.该方法既充分运用了原始数据又体现出雷达信号自身的特点,通过实例验证并分析了此法的实用性和有效性.     

无指针式仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.首先利用数字图像预处理技术处理图像,并利用特征提取方法提取数字图像特征;然后利用粗糙集理论进行特征约简;最后将约简后的信息输入到训练好的神经网络进行识别.实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,实用价值较高.     

基于粗糙集和神经网络的分类器及其在LPR中的应用

粗糙集和神经网络在模式识别中都可用于分类,但是都有局限性。虽然两者没有太多的共同点,将它们结合起来却能相互补充,起到比单个理论更好的分类效果。本文从理论上给出了用粗糙集约简算法减少BP网络中的一个神经元或连接时网络输出能产生的最大误差。接着将粗糙集和BP网络结合起来设计分类器,并通过车牌数字识别验证了该分类器的有效性。实验说明该分类器比单独用粗糙集和神经网络设计的分类器识别率高、识别时间短。     

An efficient accelerator for attribute reduction from incomplete data in rough set framework

Feature selection (attribute reduction) from large-scale incomplete data is a challenging problem in areas such as pattern recognition, machine learning and data mining. In rough set theory, feature selection from incomplete data aims to retain the discriminatory power of original features. To address this issue, many feature selection algorithms have been proposed, however, these algorithms are often computationally time-consuming. To overcome this shortcoming, we introduce in this paper a theoretic framework based on rough set theory, which is called positive approximation and can be used to accelerate a heuristic process for feature selection from incomplete data. As an application of the proposed accelerator, a general feature selection algorithm is designed. By integrating the accelerator into a heuristic algorithm, we obtain several modified representative heuristic feature selection algorithms in rough set theory. Experiments show that these modified algorithms outperform their original counterparts. It is worth noting that the performance of the modified algorithms becomes more visible when dealing with larger data sets.     

基于Rough集理论的车牌汉字特征提取

车牌首位汉字特征提取和识别是一个难点。传统的车牌汉字的特征提取方法是在具有先验知识的情况下进行的,先验知识的好坏对结果有着非常重要的影响。Rough集,理论上可以从数据集中直接提取特征,不依靠先验知识。先用Rough集理论提取待识别汉字的特征,再用这些特征进行模板匹配。实验结果表明该方法有比较好的识别效果。     

基于Rough集理论的车牌汉字特征提取

车牌首位汉字特征提取和识别是一个难点。传统的车牌汉字的特征提取方法是在具有先验知识的情况下进行的,先验知识的好坏对结果有着非常重要的影响。Rough集,理论上可以从数据集中直接提取特征,不依靠先验知识。先用Rough集理论提取待识别汉字的特征,再用这些特征进行模板匹配。实验结果表明该方法有比较好的识别效果。     

应用粗糙集提取柴油机故障数据特征

根据柴油机故障数据的特点,采用粗糙集理论对其进行特征提取研究。由于实际测量的参数大多为连续数据,而粗糙集只能处理离散数据,提出了一种适用于粗糙集的SOM网络离散化方法;给出一种基于简化差别矩阵的快速属性约简算法;以6135D型柴油机故障诊断数据为例进行特征提取,成功地将原始8个属性约简为3个,为后续研究工作打下了基础。     

基于核属性依赖的属性约简算法研究

数据库中的数据往往含有大量冗余或不必要的属性,严重降低了数据挖掘算法的时间效率和算法质量,因此删除数据的冗余属性和无关属性即属性约简就成了数据预处理过程中的主要任务,而粗糙集理论是处理属性约简的一个非常实用的理论工具.在深入研究粗糙集理论的基础上,结合数据库操作知识给出了基于核属性依赖的属性约简新方法.该算法能过滤掉属性集合中的无关属性和冗余属性,从而得到满意的属性约简,该算法复杂度较小.实验结果证明了该算法有效.     

Exploring the boundary region of tolerance rough sets for feature selection

Of all of the challenges which face the effective application of computational intelligence technologies for pattern recognition, dataset dimensionality is undoubtedly one of the primary impediments. In order for pattern classifiers to be efficient, a dimensionality reduction stage is usually performed prior to classification. Much use has been made of rough set theory for this purpose as it is completely data-driven and no other information is required; most other methods require some additional knowledge. However, traditional rough set-based methods in the literature are restricted to the requirement that all data must be discrete. It is therefore not possible to consider real-valued or noisy data. This is usually addressed by employing a discretisation method, which can result in information loss. This paper proposes a new approach based on the tolerance rough set model, which has the ability to deal with real-valued data whilst simultaneously retaining dataset semantics. More significantly, this paper describes the underlying mechanism for this new approach to utilise the information contained within the boundary region or region of uncertainty. The use of this information can result in the discovery of more compact feature subsets and improved classification accuracy. These results are supported by an experimental evaluation which compares the proposed approach with a number of existing feature selection techniques.     

新型灰狼算法的粗糙集属性约简及应用

粗糙集理论是模式识别和机器学习的重要内容,属性约简是粗糙集理论中核心步骤。然而传统的粗糙集理论对数据集进行属性约简,计算复杂度高,容易陷入局部最优解。提出了一种新型灰狼优化算法的粗糙集属性约简技术,可以很好地解决传统粗糙集理论出现的弊端。同时为了验证算法的可行性,采用国际通用UCI数据库进行验证,与两种传统的属性约简方法进行对比分析。实验结果表明,该方法属性约简个数少,识别精度高,证明该方法切实可行,操作简单。