基于Rough集的信息约简方法

本文主要针对Rough集理论本身以及基于Rough集理论的信息表的约简方法进行研究。并在原有的Rough集理论关于信息表约简方法的基础上提出了一种新的信息表约简的方法-简单相异矩阵法。     

冗余数据约简的研究与设计

Z. Pawlak于1982年提出的Rough集理论有效地分析了不确定、不精确、不一致等各种不完备信息，其优点是无需任何关于数据的初始的或附加的信息，如统计学中的概率分布。该文介绍了Rough集的基本理论在数据约简中的应用。在分析基于信息系统的粗糙集理论的基础上，描述了一种基于核与重要度的约简算法，从降低约简算法计算复杂度角度出发，修改了属性约简算法，计算了算法修改前后的复杂度。实验结果表明，修改后的算法在降低时间复杂度的同时得出了次优属性集的约简。     

基于粗糙集理论与灰色理论的属性约简算法

约简是粗集理论的重要概念,由定义计算约简是一个典型的NP问题且由于约简的不唯一,在面对大数据集或高维数据集问题时获得的属性集往往并非是最小的属性约简集。文中针对Rough sets理论的属性约简进行了研究。研究了通过可辨识矩阵求得属性约简集,利用Rough sets与灰色理论相结合,提出一种属性约简的启发式算法,拟合结果表明本约简算法合有效。     

基于粗糙集理论与灰色理论的属性约简算法

约简是粗集理论的重要概念,由定义计算约简是一个典型的NP问题且由于约简的不唯一,在面对大数据集或高维数据集问题时获得的属性集往往并非是最小的属性约简集.文中针对Rough sets理论的属性约简进行了研究.研究了通过可辨识矩阵求得属性约简集,利用Rough sets与灰色理论相结合,提出一种属性约简的启发式算法,拟合结果表明本约简算法合有效.     

一种连续值属性约简方法ReCA

属性约简是Rough集理论的主要应用和研究内容之一．现有的各种属性约简方法大多适用于离散值属性．对于连续值属性的数据处理，通常做法是先对其进行离散化．这种先期对数据进行的处理会丢失一些信息，易于使约简产生错误．针对连续值信息系统，提出了一种新的属性约简方法ReCA，该方法将连续值属性离散化与属性约简过程融为一体，以基于信息熵的不确定性度量作为适应度函数。通过进化计算同时得到约简属性集合和离散化的断点集合．实验表明，该方法不仅可以有效地进行属性约简，而且与Rough集及C4．5两种方法相比，得到的属性数目少、测试精度较高．     

一种新的基于粗糙集的值约简算法

对粗糙集（Rough Set)理论中属性约简和值约简算法进行了研究，提出了一种新的基于粗糙集的值约简算法，实验表明，该算法所得结果比目前通用的基于粗糙集的值约简算法更简化和有效，它可以应用到各种与值约简相关的实际问题中。     

基于属性约简的粗糙集海量数据分割算法研究

结合Rough Set理论研究了分布式处理海量数据中的关键同题,即分割海量数据集的问题.经典的Rough Set算法要求数据常驻内存,因此不能有效地处理海量数据.为了能够直接处理海量数据集,根据最佳分割的定义,结合属性约简的思想,提出基于属性约简的粗糙集海量数据分割算法(Mass Data Partition for Rough Set on Attribute Reduction,MDPRS-AR).通过实验表明,MDPRS-AR算法的分割效率比传统的算法约高70%,而且与处理整个数据集的算法相比,正确性损失不大.     

增量式的高效属性约简算法

属性约简是Rough集理论的核心内容之一，计算所有的属性约简已经被证明是NP完全问题．在深入研究Rough集理论的基础上，仔细分析了对象集的增加与属性约简的关系，给出了增量式属性约简的判定定理，从而提供了计算所有属性约简的增量式算法，分析了算法的时间复杂度．理论分析和实验结果表明，该约简算法在效率上较现有的算法有显著提高．     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法，对用户的安全访问行为的数据作规范化处理并进行约简，从中提取有效的最简规则，降低了安全数据的冗余，减轻了特征码构造的负担。使用Rough集上、下近似集原理，构造了上、下近似Self集，实现了Self的优化和扩展，有效地解决了Self集的自动演化问题。     

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。     

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。     

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。     

数据挖掘中属性约简算法的研究

本文就粗糙集理论及其在数据挖掘中的应用方法进行了较为深入系统地研究。重点研究了扩展粗糙集模型;基于连续属性的粗糙集模型及其约简算法;不完备信息系统下粗糙集模型及其约简算法;以及更一般的集值信息系统及其约简算法。     

数据挖掘中属性约简算法的研究

本文就粗糙集理论及其在数据挖掘中的应用方法进行了较为深入系统地研究。重点研究了扩展粗糙集模型;基于连续属性的粗糙集模型及其约简算法;不完备信息系统下粗糙集模型及其约简算法;以及更一般的集值信息系统及其约简算法。     

基于粗糙集理论的属性约简算法的VB实现

粗糙集理论成为近年来数据挖掘领域的研究热点,基于粗糙集理论的属性约简算法具有重要的研究意义,开发一套用于研究粗糙集理论属性约简算法的软件将是有效的辅助工具。论文首先对粗糙集理论基本概念及属性约简问题进行介绍,接着介绍该软件的设计和结构功能,举例说明该软件的应用,并提出该软件有待进一步扩展的功能。     

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。     

二型模糊粗糙属性约简模型

属性约简是粗糙集理论的重要应用之一,其目的是在保持分类能力不变的前提下去掉冗余的属性,从而简化信息系统。由于经典粗糙集等价关系的要求过于严格,为了更好地解决实际问题,将粗糙集与二型模糊集结合,得到二型模糊粗糙集。利用论域和特征空间的积空间上的两个一型模糊集来构造论域的一个二型模糊划分,将模糊粗糙集属性约简的模型推广到二型模糊粗糙集框架中,得到了一个二型模糊粗糙属性约简的模型,并举例说明了用此模型进行属性约简的方法。     

基于最优近似粗糙集的属性约简

为了更好地获取由边界域产生的不确定性规则知识,提出最优近似粗糙集的属性约简方法,为此给出了近似空间上粗糙集最优近似集的判定与计算,引入最优近似分布协调集、最优近似分布约简概念.讨论了Pawlak属性约简、分布约简、最优近似分布约简之间关系,得到在协调决策表中它们是等价的,在不协调决策表中最优近似分布约简是分布约简子集.最后通过实例进行了验证与说明     

基于最小集合覆盖的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要的意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一。在对属性约简算法充分研究的基础上提出一种基于最小覆盖集的粗糙集属性约简算法,即通过构造知识系统的一种改进的相关矩阵将属性约简简化为最小覆盖问题。将该算法与文献[7]中的算法进行实验比较并对结果进行分析,实验结果表明,当随着数据量增大时该算法具有更小的时间复杂度。     

基于分形维数的非常规决策表的属性约简

属性约简是粗糙集的一个核心研究课题,但经典属性约简及其延伸算法是基于有决策属性的决策表的属性约简算法,它们对无决策属性的非常规决策表的属性约简无能为力。以粗糙集理论为基础,对无决策属性的非常规决策表从分形维数方面进行研究,提出了一种适用于无决策属性的决策表的启发式属性约简算法。该算法在一定程度上能够解决非常规决策表的属性约简问题,进一步扩展了粗糙集理论的应用范围。实例表明该算法是有效可行的。