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。     

基于Rough和Granularity的聚类方法研究

当前大多数的聚类方法是针对单一属性类型的。要开发出能同时处理多种属性类型的聚类方法来适应当今大型的复杂数据库，这在现实应用中是至关重要的。本文提出了基于粗集和粒度思想的多属性类型的聚类算法。该算法能够满足同时处理混合属性的要求．以达到聚类的目的。此外，文中也通过一个具体实例来演示算法的可行性和有效性。结果表明，基于粗集和粒度思想的多属性类型的聚类算法简单有效、易于操作．而且能够清晰方便地对粒度结果进行分析。     

基于Rough和Granularity的聚类方法研究

当前大多数的聚类方法是针对单一属性类型的。要开发出能同时处理多种属性类型的聚类方法来适应当今大型的复杂数据库,这在现实应用中是至关重要的。本文提出了基于粗集和粒度思想的多属性类型的聚类算法。该算法能够满足同时处理混合属性的要求,以达到聚类的目的。此外,文中也通过一个具体实例来演示算法的可行性和有效性。结果表明,基于粗集和粒度思想的多属性类型的聚类算法简单有效、易于操作,而且能够清晰方便地对粒度结果进行分析。     

一种基于SVD和Rough集的信息过滤方法

论文提出了一种信息过滤方法,即在奇异值分解(SVD)的基础上,运用粗糙集(Rough Sets)理论进行信息过滤。通过对词语×文档矩阵进行奇异值分解得出近似矩阵,改变了一些词语在相应文档中的重要性,从而使得词语更好地体现文档内容。然后运用粗糙集理论中决策表上的规则推理方法,生成人们感兴趣信息的规则库,将未知文档的条件属性与规则库中的规则进行相似匹配,进行信息过滤。实验表明,该方法在准确度方面比传统的VSM和LSI要好。     

基于粗糙集理论的研究生招生预测

本文首先介绍了应用粗糙集解决实际问题的过程，然后按照数据挖掘应用的一般实施步骤，用粗糙集方法对某校的研究生招生报名数据库进行分析研究，得出了一些有益的结论，为拓展粗糙集的应用领域做出了有益的探索。     

Enhancement of Mahalanobis–Taguchi System via Rough Sets based Feature Selection

The current research presents a methodology for classification based on Mahalanobis Distance (MD) and Association Mining using Rough Sets Theory (RST). MD has been used in Mahalanobis Taguchi System (MTS) to develop classification scheme for systems having dichotomous states or categories. In MTS, selection of important features or variables to improve classification accuracy is done using Signal-to-Noise (S/N) ratios and Orthogonal Arrays (OAs). OAs has been reviewed for limitations in handling large number of variables. Secondly, penalty for over-fitting or regularization is not included in the feature selection process for the MTS classifier. Besides, there is scope to enhance the utility of MTS to a classification-cum-causality analysis method by adding comprehensive information about the underlying process which generated the data. This paper proposes to select variables based on maximization of degree-of-dependency between Subset of System Variables (SSVs) and system classes or categories (R). Degree-of-dependency, which reflects goodness-of-model and hence goodness of the SSV, is measured by conditional probability of system states on subset of variables. Moreover, a suitable regularization factor equivalent to L₀ norm is introduced in an optimization problem which jointly maximizes goodness-of-model and effect of regularization. Dependency between SSVs and R is modeled via the equivalent sets of Rough Set Theory. Two new variants of MTS classifier are developed and their performance in terms of accuracy of classification is evaluated on test datasets from five case studies. The proposed variants of MTS are observed to be performing better than existing MTS methods and other classification techniques found in literature.     

基于自适应鲸鱼优化算法和容错邻域粗糙集的特征选择算法

针对传统鲸鱼优化算法(WOA)不能有效处理连续型数据、邻域粗糙集对噪声数据的容错性较差等问题,文中提出基于自适应WOA和容错邻域粗糙集的特征选择算法.首先,为了避免WOA过早陷入局部最优,基于迭代周期构建分段式动态惯性权重,改进WOA的收缩包围和螺旋捕食行为,设计自适应WOA.然后,为了解决邻域粗糙集对噪声数据缺乏容错性的问题,引入邻域内相同决策特征所占的比例,定义容错邻域上下近似集、容错近似精度和近似粗糙度、容错依赖度及容错近似条件熵.最后,基于容错邻域粗糙集构造适应度函数,使用自适应WOA,不断迭代以获取最优子群.高维数据集上采用费雪评分算法进行初步降维,降低算法的时间复杂度.在8个低维UCI数据集和6个高维基因数据集上的实验表明,文中算法可有效选择特征个数较少且分类精度较高的特征子集.     

基于记录过滤的粗糙集属性约简算法研究

文章介绍了目前粗糙集属性约简的主要算法,分析总结了属性约简过程中的四种性质,提出了基于记录过滤的粗糙集属性约简新型算法,并结合农业数据库从不同角度进行测试比较,证实了新算法在处理较大型数据库知识发现的约简记录规模和约简速度改善方面具有较好的优越性。     

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。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

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。     

粗糙集中若干新的模糊度计算公式

依据模糊集的模糊度和贴近度的公理化定义,基于粗糙集的模糊度和贴近度的基本概念,进一步研究粗糙集的模糊性度量方法,给出了文[3]中模糊度公式的等价形式;同时讨论了粗糙集中由贴近度诱导的模糊度,给出了粗糙集中若干新的模糊度计算公式。     

一种基于粗糙集的多层次、逐步求精的发掘算法

数据量的巨大和高维、用户交互与先验知识的利用等等是KDD（数据库中知识发现与数据发掘）面对的问题和难点,该文针对这些问题提出了一种基于概念普遍化和粗糙集的多层次、逐步求精的发掘算法CRCG。该算法利用概念普遍化和粗糙集对数据进行压缩和维数精简的特长,达到高效发掘感兴趣模式的目的。     

基于粗糙集和改进鲸鱼优化算法的特征选择方法

随着互联网和物联网技术的发展,数据的收集变得越发容易。但是,高维数据中包含了很多冗余和不相关的特征,直接使用会徒增模型的计算量,甚至会降低模型的表现性能,故很有必要对高维数据进行降维处理。特征选择可以通过减少特征维度来降低计算开销和去除冗余特征,以提高机器学习模型的性能,并保留了数据的原始特征,具有良好的可解释性。特征选择已经成为机器学习领域中重要的数据预处理步骤之一。粗糙集理论是一种可用于特征选择的有效方法,它可以通过去除冗余信息来保留原始特征的特性。然而,由于计算所有的特征子集组合的开销较大,传统的基于粗糙集的特征选择方法很难找到全局最优的特征子集。针对上述问题,文中提出了一种基于粗糙集和改进鲸鱼优化算法的特征选择方法。为避免鲸鱼算法陷入局部优化,文中提出了种群优化和扰动策略的改进鲸鱼算法。该算法首先随机初始化一系列特征子集,然后用基于粗糙集属性依赖度的目标函数来评价各子集的优劣,最后使用改进鲸鱼优化算法,通过不断迭代找到可接受的近似最优特征子集。在UCI数据集上的实验结果表明,当以支持向量机为评价所用的分类器时,文中提出的算法能找到具有较少信息损失的特征子集,且具有较高的分类精度...     

一种悲观多粒度粗糙集中的粒度约简算法

多粒度粗糙集方法是近年来粗糙集理论的一个发展方向,它是一种基于多个粒空间的粗糙数据建模方法。 文中针对悲观多粒度粗糙集模型,引入分布约简的概念,分析多个粒空间中的粒度选择问题。基于给出的粒度重要度提出悲观多粒度粗糙集中的粒度约简算法,并通过实例验证该方法的有效性。结论表明该方法得到的结果更加符合实际决策。     

基于粗糙集属性约减和神经网络集成的人脸识别技术*

提出了一种基于粗糙集的属性约简方法对经由PCA处理后的人脸特征进行提取,随后使用一种神经网络集成的方法对约简后的人脸数据进行识别。实验结果表明,使用该方法约简后的数据与使用仅由PCA处理后的数据相比,两者获得的识别精度基本相同,而前者的数据属性维数远小于后者,从而大大降低了识别过程的复杂程度。     

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.     

基于粗糙集约简的特征选择神经网络集成技术

为了提升集成网络的泛化性能,在Boosting或Bagging算法对样本进行扰动的基础上,通过粗糙集约简实现特征属性选择,将样本扰动和输入属性扰动结合起来,提出了Rough_Boosting和Rough_Bagging算法.该算法通过生成精确度高且差异度大的个体网络,提高了集成的泛化能力.实验结果表明,该算法泛化能力明显优于Boosting和Bagging算法,且生成的个体网络差异度更大,与同类算法相比,具有相近或相当的性能.     

基于粗糙集的属性约简在数据挖掘中的应用研究

属性约简是粗糙集理论知识获取中的关键问题之一。先利用差别矩阵求得核属性,再利用属性的重要度作为启发式去求约简,可取得合理的属性组合,避免了基于代数方法与基于信息熵方法的复杂运算。最后通过实例分析验证了算法的有效性与可行性。