基于粗糙集理论的规则提取及约简

给出了一种基于粗糙集理论的规则提取和约简方法.采用模糊C均值方法对实际数据进行聚类分析,提取初始决策表,然后用粗糙集理论方法对该决策表进行约简,得到极小决策表.采用了一个实际决策对象,对算法进行演示和验证.     

粗糙集在客户分类中的应用研究

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。设计了一个基于粗糙集的客户分类模型,并利用粗糙集的知识约简和决策规则提取算法对超市客户进行了分析。通过决策表约简,剔除冗余属性、消除过剩规则。最后得出了属性约简的最小化结果以及决策规则。     

不相容决策表的属性约简与规则提取算法

决策表属性约简与规则提取是粗糙集理论中的重要问题。本文引入一种改进的决策表广义信息表的方法来求解属性核与相对约简,并在此基础上提出一种不相容决策表的规则提取算法。     

基于粗糙集的变电站故障诊断规则提取方法研究

运用粗糙集理论研究了变电站故障诊断规则提取,提出了基于属性重要度和分辨矩阵的诊断规则提取算法.通过改进基于属性重要度的粗糙集属性约简算法,得到决策表的一个最小约简,然后将分辨矩阵引入值约筒中得到决策规则.采用该算法对变电站故障决策表进行属性约简和值约简,抽取出变电站故障诊断的精确规则库进行故障诊断.实验结果表明了该方法的有效性.     

基于粗糙集神经网络的信息安全等保测评方法

文章提出了一种基于粗糙集神经网络的信息安全等级保护测评方法。在该方法中,首先利用模糊理论,在安全领域专家的帮助下建立测评指标的量化决策表,然后利用粗糙集属性约简算法对决策表中数据进行预处理,最后利用经过属性约简后的数据样例进行B-P神经网络的训练,完成训练的神经网络即可以作为测评模型应用于实际的信息安全等级保护测评中。     

粗糙集在QAR数据中的应用研究

通过研究飞机快速存取记录器（Quick Access Recorders,QAR）数据和粗糙集理论的特点,结合信息决策表的相关知识,对QAR数据中的异常数据进行检测挖掘,以辅助飞机故障检测及排除。主要工作是：应用粗糙集理论特点对QAR数据进行离散化,并建立离散化后数据的决策表,然后对决策表进行属性约简和规则提取。根据QAR数据的特殊性,给出了数据离散化和决策表属性约简的改进算法。最后通过对比项目实验及专家给出的数据证明了其可行性和有效性,提高了飞机排故效率,具有很重要的现实意义。     

基于BP神经网络与粗糙集理论的分类挖掘方法

分类是数据挖掘中重要的课题,为协调决策分类,提出了一种基于粗糙集理论和BP神经网络的数据挖掘的方法。在此方法中首先用粗糙集约简决策表中的冗余属性,然后用BP神经网络进行噪声过滤,最后由粗糙集从约简的决策表中产生规则集。此方法不仅避免了从训练神经网络中提取规则的复杂性,而且有效的提高了分类的精确度。     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

规则分层约简算法

针对传统粗糙集方法处理问题时所遇到的离散化以及属性约简的NP难题,将粗糙集中下近似概念与分层思想相结合,提出一种新的粗糙集数据处理方法——规则分层约简算法HRR．该算法直接从决策表中提取规则,利用对规则进行约简来代替属性约简,以避开NP难题,同时针对传统离散化算法对不同离散化区间采取不同编码的局限,实现了不同区间的聚类编码,并在此基础上提出等价决策表的概念．实例表明,HRR算法在计算量以及性能上具有非常明显的优势．     

带权决策表的属性约简

属性约简是粗糙集理论的重要应用。考虑将决策表中的每行都作为一条决策规则时，若把表中出现相同决策规则的次数作为权，可得到带权决策表。提出了关于带权决策表的正域约简相应的辨识矩阵并给出了证明，从而得到了约简算法。相比于决策表中的正域约简时发现，通过将决策表转化为带权决策表后，再利用算法1进行约简时，其在一定程度上优于前者。提出了近似分类精度约简相应的辨识矩阵并给出了证明。对于2个算法，在选取的UCI数据集上进行了实验验证。通过实验进一步说明了所提出算法的可行性和有效性。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

基于DM的网络教学资源的反馈跟踪系统

网络教学资源的反馈跟踪系统是促进教学质量不断提高的重要手段,从以学生为主体的理念出发。研究设计了网络教学资源的反馈跟踪系统。该系统采用DM（Data Mining,数据挖掘）技术中的粗糙集和关联规则对学生在线学习等行为特征数据进行数据收集、数据预处理、构造决策表、基于粗糙集的关联规则的提取,最终得出跟踪反馈的结果,对于推进教学现代化,提高教材质量有重要的意义。     

一种基于CHI值特征选取的粗糙集文本分类规则抽取方法

结合文本分类规则抽取的特点,给出了近似规则的定义。该方法首先利用CHI值进行特征选取并为下一步特征选取提供特征重要性信息,然后使用粗糙集对离散决策表继续进行特征选取,最后用粗糙集抽取出精确规则或近似规则。该方法将CHI值特征选取和粗糙集理论充分结合,避免了用粗糙集对大规模决策表进行特征约简,同时避免了决策表的离散化。该方法提高了文本规则抽取的效率,并使其更趋实用化。实验结果表明了这种方法的有效性和实用性。     

Rough sets for adapting wavelet neural networks as a new classifier system

Classification is an important theme in data mining. Rough sets and neural networks are two techniques applied to data mining problems. Wavelet neural networks have recently attracted great interest because of their advantages over conventional neural networks as they are universal approximations and achieve faster convergence. This paper presents a hybrid system to extract efficiently classification rules from decision table. The neurons of such hybrid network instantiate approximate reasoning knowledge gleaned from input data. The new model uses rough set theory to help in decreasing the computational effort needed for building the network structure by using what is called reduct algorithm and a rules set (knowledge) is generated from the decision table. By applying the wavelets, frequencies analysis, rough sets and dynamic scaling in connection with neural network, novel and reliable classifier architecture is obtained and its effectiveness is verified by the experiments comparing with traditional rough set and neural networks approaches.     

基于神经网络和粗糙集规则的提取方法

在利用粗糙集对连续性数据进行分类规则挖掘时，需要对数据进行离散化处理，但是离散结果往往会破坏原有数据的隐含信息，提取的分类规则质量难以保证。该文设计了一种基于自组织人工神经网络与粗糙集理论的分类规则提取方法，利用神经网络自动分类的功能，对离散前后的数据进行分类，比较两次分类结果是否一致，当达到一致性结果后，再利用粗糙集理论对数据约简，进行规则提取，有效地解决了原始数据信息丢失的问题，通过实例证明了该方法的合理性。     

基于粗糙集神经网络的网络故障诊断新方法

摘要针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷，综合运用神经网络方法和粗糙集理论，提出了RSNN算法，实现不一致情况下的规则获取和学习样本的净化处理．该算法具有简化样本、适应性强、容错性高和不易陷入局部最小点等特点，能有效处理网络故障诊断中噪声或不相容的信息．实验表明，利用该方法实现的系统与同类的其他方法相比，提高了诊断准确率和诊断速度．     

The integrated methodology of rough set theory and artificial neural network for business failure prediction

This paper proposes a hybrid intelligent system that predicts the failure of firms based on the past financial performance data, combining rough set approach and neural network. We can get reduced information table, which implies that the number of evaluation criteria such as financial ratios and qualitative variables is reduced with no information loss through rough set approach. And then, this reduced information is used to develop classification rules and train neural network to infer appropriate parameters. The rules developed by rough set analysis show the best prediction accuracy if a case does match any of the rules. The rationale of our hybrid system is using rules developed by rough sets for an object that matches any of the rules and neural network for one that does not match any of them. The effectiveness of our methodology was verified by experiments comparing traditional discriminant analysis and neural network approach with our hybrid approach. For the experiment, the financial data of 2400 Korean firms during the period 1994–1997 were selected, and for the validation, k-fold validation was used.     

改进的不完备决策表最优规则提取方法

不完备信息系统中的规则提取是粗糙集理论研究的关键问题之一。针对不完备决策表,通过引入广义决策函数,提出了一种不完备决策表的最优规则提取方法。实验结果表明该算法具有良好的求解能力,所获得的决策规则简洁,与缺省值无关。