不完备信息系统下的不确定性度量方法

在不完备信息系统中,不确定性度量是Rough Set理论中的一个难题。文中通过分析现有完备信息系统的不确定度量方法以及不完备信息系统的特性,提出了广义相似关系,并以之为基础给出了一个直接度量不完备信息系统不确定性的方法。通过实例分析,验证了该方法的有效性。     

不完备信息系统规则获取的矩阵算法

对象信息的不完备性是从实例中归纳学习的最大障碍.本文定义了限制非对称相似关系,并将经典的可辨识关系矩阵加以扩充,定义了限制非对称相似关系下的可辨识关系矩阵,采用布尔推理方法,直接从不完备决策系统中提取规则而无需改变初始不完备信息系统的结构.实验结果表明,所获得的决策规则简洁、高效,与缺省值无关.     

不完备信息系统中知识获取算法

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具.应用粗糙集理论,可以将隐藏在系统的知识能够以决策规则的形式表达出来.根据粗糙集上下近似的概念,决策规则能够分成确定性规则和可能性规则两种.本文将介绍从不完备信息系统中知识获取的算法,通过这些算法能够从不完备决策表中生成一种确定性的规则和两种可能性的规则,同时也介绍了不完备决策表中描述约简的算法.     

基于粗糙集的不完备信息系统规则推理算法

定义了非对称相似关系的近似集概念，提出了一种利用非对称相似关系下近似集和属性值对的基于粗糙集的确定规则推理算法．该算法无需改变初始不完备信息系统的结构，能直接处理缺省数据．实验结果表明，所获得的确定决策规则简洁、高效，与缺省值无关．     

不完备信息系统的规则提取研究*

粗糙集理论和D-S证据理论都是重要的不确定性推理方法,两者各有优缺点.现实生活中,不完备信息系统广泛存在.研究了将两种理论结合用于不完备信息系统以进行规则提取,并用实例进行了验证.     

不完备信息系统的属性约简算法

根据不完备信息系统的定义和特点,建立基于集合容差关系的粗糙集模型,构造条件属性的可辨识矩阵,分析决策属性的重要性。阐述并比较3种属性约简方法,对同一个不完备信息表的处理结果表明,3种方法可以得到基本一致的约简结果,验证了其有效性。     

不完备信息系统中一种新的不确定性度量方法

不确定性度量是智能计算等领域中一个重要的研究问题。在不完备信息系统中,为了融合众多不确定性度量方法的优点,引入近似粗糙度度量方法,由于该度量方法存在一定的缺陷,接着在近似粗糙度中融合知识粒度度量,提出一种新的不确定性度量方法,同时在所提出度量方法的基础上加入了一个平滑因子,以提高该度量方法在不确定性度量时的适用性。实验结果表明所提出的方法具有更好的不确定性度量效果。     

扩展不完备信息系统及知识依赖度量

对不完备信息系统进行扩充，考虑不同对象可能具有不同的重要性，引入了对象重要性函数．使得知识表达系统可以融入主观偏好和领域先验知识等因素。在此基础上，根据一般二元关系新定义了粗糙集的近似精度、粗糙熵、知识的粗糙熵的概念，证明了扩展不完备信息系统中不确定因素的变化与度量强度之间的重要关系。对于知识依赖进行了深入探讨，研究了由知识动态变化所引起的知识依赖度量程度的变化，进行了相关定理的证明。     

不完备信息系统的粗糙集分解方法

针对处理不完备信息系统时利用完备化方法会引起不同程度的知识失真等缺点,提出了一种不完备信息系统分解方法。该方法不需事先对系统进行完备化,而是基于粗糙集模板评价函数选择模板,利用模板逐层从不完备系统中提取完备子集。结合粗糙集理论来构造中间变量,依据中间变量分解不完备信息系统以简化规则集。对得到的规则集逐层进行推理和决策分析。以汽轮发电机组的振动故障诊断数据为实例给出了该方法的具体实现过程,验证了该算法在处理不完备信息系统时的有效性。     

不完备信息系统中集对粗糙集模型

粗糙集理论在数据挖掘中的成功应用已成为近来人工智能领域研究的热点,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限制。在已有的集对粗糙集模型的基础上,提出了针对不完备系统更加有效的集对粗糙集模型,通过实例说明了这种模型的可行性和有效性,使粗糙集模型在一定程度上得到了推广。     

不完备信息系统的一种属性相对约简算法

经典粗糙集理论是建立在完备信息基础上的,然而现实中,由于各种原因,很多的信息系统是不完备的。该文分析了不完备信息系统下的粗糙集模型,引入了一种构造广义决策表的方法,提出了一种基于广义决策表直接求取不完备信息系统属性相对约简的算法。通过实例计算,说明了算法的简单性和有效性。     

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。     

不完备目标信息系统中基于描述子的知识约简

以具有遗漏型未知属性值的不完备目标信息系统为研究对象,根据描述子的定义和基于描述子的粗糙集模型,讨论了知识约简问题.给出了求得描述子所有约简的具体操作方法.根据描述于的支持集与决策类之间的关系,提出了描述子的下、上近似相对约简概念,并给出这两种约简的判定定理及区分函数,为从不完备信息系统中获取简化的决策规则提供了新的理论基础与操作手段.     

形式概念分析在不完备信息系统中的知识获取

在实际应用中,信息系统通常不满足完备性,直接采用经典粗糙集无法进行有效求解。针对该问题,在粗糙集中引入形式概念分析,通过探讨二者之间的关系,在不完备信息系统中提出了两大理论融合下的知识获取模型。在该模型中,首先将不完备信息系统转换为单值形式背景,提出了相容概念和相容概念格,然后基于相容概念对不完备信息系统中的一些常见问题(如上下近似算子、核、约简等)的求解进行了研究,最后探讨了相容概念在不完备决策表中的应用。该模型不仅对两种理论之间的融合研究进行了有益探索,而且为不完备信息系统中的一些基本问题求解提供了一种新的思路。     

不完备模糊目标信息系统粗集模型与知识约简

在不完备信息系统和模糊目标信息系统的基础上,将不完备近似空间和模糊目标信息系统有机地结台起来,提出了不完备模糊目标信息系统的概念;同时还给出了不完备模糊目标信息系统的粗糙集模型,该模型是完备模糊目标信息系统和经典目标信息系统粗糙集模型的推广。还给出了系统知识约简的一些相关概念及其辨识矩阵的知识约简方法。     

基于粒计算的不完备信息系统的缺失值估计算法

将粒计算引入到不完备信息系统中,提出了粒域、粗糙粒域、邻近粒域的概念。由对象的粒域得到的邻近粒域估计缺失值,使缺失值与横向(属性)和纵向(对象)相联系,提高了估计值的可信度。     

基于局部可调节多粒度粗糙集的属性约简

经典的多粒度粗糙集模型采用多个等价关系(多粒度结构)来逼近目标集.根据乐观和悲观策略,常见的多粒度粗糙集分为两种类型:乐观多粒度粗糙集和悲观多粒度粗糙集.然而,这两个模型缺乏实用性,一个过于严格,另一个过于宽松.此外,多粒度粗糙集模型由于在逼近一个概念时需要遍历所有的对象,因此非常耗时.为了弥补这一缺点,进而扩大多粒度...     

不完备模糊决策信息系统的粗集模型与精度约简

在不完备信息系统和模糊决策信息系统概念及其粗集模型的基础上,本文提出了不完备模糊决策信息系统的概念,给出了不完备模糊决策信息系统的粗糙集模型,它既不同于不完备近似空间上的信息系统又不同于完备空间上的模糊决策信息系统。该模型是完备模糊决策信息系统和经典决策信息系统粗糙集模型的推广。文中还给出了系统的精度约简概念及其约简算法。     

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.