基于属性重要性的Rough集属性约简方法

介绍了属性约简的原理,在此基础上提出了基于重要性的约简方法,它是利用属性重要性原理,求取核属性和最简属性约简。并举例与传统的方法进行比较。     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

基于属性集值不完备信息系统的Rough集方法

论文使用基于一般关系的Rough集理论和方法,研究了具有“属性集值”的不完备信息系统。通过研究由属性集值产生的不完备信息系统上的三种基本关系相容关系、非对称相似关系和拟序关系,建立了相应Rough近似集合的某种“单调”关系。在此基础上,讨论了系统属性约简及其实现算法。     

Rough集理论在多值信息系统中的扩充

Pawlak所提出的经典Rough集理论主要是针对完备信息系统的,利用不可分辨关系这种等价关系来对对象进行上近似和下近似分类.对于不完备信息系统的处理,需要对经典Rough集理论进行扩充,主要是对不可分辨关系进行扩充.对多值信息系统而言,目前有相似关系,但相似关系存在一定程度的局限性,为此提出一种基于类相似关系的扩充Rough集模型,并对该模型和相似关系模型之间的性能进行了比较,实例表明该模型具有较好的应用前景.     

集值Rough扩展模型知识约简

基于吴鹏等提出的k度限制相容关系模型,讨论在集值不完备信息系统上的约简,给出集值不完备信息系统属性约简的判定定理和辨识矩阵,得到集值不完备信息系统知识约简的具体操作方法。     

基于Rough集的数据约简算法研究综述

介绍基于Rough集的数据约简的理论和它在应用理论研究上的新进展，综述基于Rough集的数据约简算法研究应用成果，并指出其应用前景和存在的问题。     

基于布尔函数的Rough集差别矩阵属性约简方法

Rough集理论是对大型数据库进行知识发现的主要方法之一。根据属性集核和相对等价类的概念,对数据库属性集中的属性进行约简,提取相应的规则(知识),是用Rough集知识发现的精髓。该文基于Rough集差别矩阵,提出了属性集的布尔函数的构造方法,并应用吸收律、分配律和等幂律对属性集布尔函数化简。论文证明了属性集布尔函数的化简与属性集的差别矩阵约简等价,同时给出了求相对决策属性基本集的算法和IRIS提供的数据仿真实验结果。     

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。     

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。     

基于Rough集的近似最优决策树生成算法

数据挖掘是一种重要的数据分析方法,决策树是数据挖掘中的一种主要技术,如何构造出最优决策树是许多研究者关心的问题。本文通过Rough集方法对决策表进行属性约简和属性值约简,去除决策表中与决策无关的冗余信息。在简化的决策表基础上构造近似最优决策树,本文给出了近似最优决策树的生成算法,并通过实例说明。     

基于粗集的模糊属性值信息系统的知识获取

文章研究了一类属性取模糊值的不完备信息系统的知识获取方法。首先给出了信息系统的一种表示方法,同时采用模糊集思想,构造了这类系统的模糊不可分辨关系,并研究了这类信息系统的知识获取算法,并以一个实例,说明了这种算法的有效性。     

粗集中不可分辨类算法求解实现

从原始信息系统出发,用不可分辨类的思想求解系统的核属性和约简是粗集理论的精华。因此,如何在计算机上实现这种思想关系到读者对粗集理论抽象概念的理解。文中利用MATLAB语言编程实现了不可分辨类算法。考虑该语言的特点,首先将原始信息系统转换为数字型矩阵,然后自定义用户函数attvalist,并结合MATLAB语言中丰富的矩阵与向量运算函数,不经复杂的编程完成了样本分类。     

基于覆盖广义粗集的模糊性

本文定义了基于覆盖广义粗集的模糊性度量,给出一种度量表示并讨论此种模糊性度量的性质;定义了正负域覆盖广义粗集的模糊度,并通过一个具体实例给出直观解释。     

基于奇异粗集的中医辨证诊治知识支持系统

文章基于奇异粗集及其元素迁移,研究了其在中医药辨证诊治过程,中药方加减中的应用,举例说明,设计了一个基于双向S-粗集的中医药辨证诊治知识支持系统,为人工智能技术在中医药诊治领域中的应用开辟了一个新的思路。     

基于模糊粗集的不完备信息表属性约简新算法

模糊粗糙集结合了粗集和模糊集的优点,是一种有效的数据处理理论,尤其在不完备信息表数据处理中。论文对Krysckiewcz容差关系模型加以改进,充分考虑信息表中属性取值的规律,构造模糊的二元不可分辨关系,运用模糊粗糙集理论,推广属性依赖性度量概念,给出了属性约简算法,并通过一个实例验证了它的有效性,为不完备信息表的数据处理提供了一些解决问题的思路。     

Consistency and Completeness in Rough Sets

Consistency and completeness are defined in the context of rough set theory and shown to be related to the lower approximation and upper approximation, respectively. A member of a composed set (union of elementary sets) that is consistent with respect to a concept, surely belongs to the concept. An element that is not a member of a composed set that is complete with respect to a concept, surely does not belong to the concept. A consistent rule and a complete rule are useful in addition to any other rules learnt to describe a concept. When an element satisfies the consistent rule, it surely belongs to the concept, and when it does not satisfy the complete rule, it surely does not belong to the concept. In other cases, the other learnt rules are used. The results in the finite universe are extended to the infinite universe, thus introducing a rough set model for the learning from examples paradigm. The results in this paper have application in knowledge discovery or learning from database environments that are inconsistent, but at the same time demand accurate and definite knowledge. This study of consistency and completeness in rough sets also lays the foundation for related work at the intersection of rough set theory and inductive logic programming.     

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．     

基于模糊容差关系粗糙集的分解及其在信息检索中的应用

基于容差关系粗糙集的提出扩大了粗集的应用范围。本文在容差关系扩展为模糊容差关系的基础上引入支配关系对模糊容差关系的容差类进行进一步分解,分为模糊纯容差类、模糊正容差类、模糊负容差类,并分别定义上下近似集,进而提出了模糊容差关系粗糙集的分解。该方法能有效地处理连续属性,并用信息检索的例子证明了其应用价值。     

Using Rough Sets with Heuristics for Feature Selection

Practical machine learning algorithms are known to degrade in performance (prediction accuracy) when faced with many features (sometimes attribute is used instead of feature) that are not necessary for rule discovery. To cope with this problem, many methods for selecting a subset of features have been proposed. Among such methods, the filter approach that selects a feature subset using a preprocessing step, and the wrapper approach that selects an optimal feature subset from the space of possible subsets of features using the induction algorithm itself as a part of the evaluation function, are two typical ones. Although the filter approach is a faster one, it has some blindness and the performance of induction is not considered. On the other hand, the optimal feature subsets can be obtained by using the wrapper approach, but it is not easy to use because of the complexity of time and space. In this paper, we propose an algorithm which is using rough set theory with greedy heuristics for feature selection. Selecting features is similar to the filter approach, but the evaluation criterion is related to the performance of induction. That is, we select the features that do not damage the performance of induction.     

信息熵在粗糙集中衍生的几个概念

随着对粗糙集理论研究的的深入,基于信息论的信息熵陆续被引入到粗糙集研究中,陆续产生了一些如条件熵、联合熵、知识熵、决策熵、知识粗糙熵、粗集粗糙熵等新的概念,尽管丰富了粗糙集理论和应用,但使用中存在语义不统一的地方,甚至缺乏必要的说明和证明。对这些有价值的新概念作了系统的、严格的、规范的定义及阐述,给出了它们的公式表示,同时,通过相关熵的运算揭示彼此间的关系,最后指出这些熵的应用范畴,以便研究人员在清楚概念的基础上作进一步研究。