粗糙集属性约简算法在图像分类研究的应用

基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。完善了近似空间的概念。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集方法性能良好,分类准确和高效。     

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。     

医疗健康数据的模糊粗糙集规则挖掘方法研究

医疗健康数据通常属性较多,且存在连续型、离散型并存的混合数据,这在很大程度上限制了知识发现方法对医疗健康数据的挖掘效率。以模糊粗糙集理论为基础,研究混合数据上的分类规则挖掘方法,通过引入规则获取算法的泛化阈值,来控制获取规则集的大小和复杂程度,提高粗糙集知识发现方法在医疗健康数据上的分类效率。最后通过对比实验验证了该算法在医疗决策表上挖掘规则的有效性。     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

粗糙集在销售决策系统中的应用

在销售决策支持系统中,存在着大量的信息和很多不确定的因素,这使得做出科学合理的决策变得很困难。粗糙集理论是处理不确定性知识与不完整数据的有效工具,因此可以根据粗糙集理论通过分析推理找出销售数据中存在的有用的知识。依据粗糙集理论实现了一种对销售决策表知识简化的方法,采用粗集理论处理大量销售信息,从中提取有用规则,通过分析和推理产生最小决策规则。通过实例分析,验证了粗糙集理论与销售决策支持系统相结合方法的可行性。该方法有效地解决了智能销售决策支持系统中决策规则的获取与理解等问题。     

基于粗糙集的规则的挖掘

随着计算机技术的发展,急剧产生海量的数据.如何从这些数据中提取有用的信息是一个重要的问题.一种新的数据分析方法--粗糙集理论被提出.该理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具.文中首先对近年兴起的粗糙集的基本理论进行了讨论,在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究.并通过一个实例详细地说明了具体挖掘过程,该实例说明了基于粗糙集进行规则的挖掘是较简单的.     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

一种基于粗糙集的图像分类方法

提出一种基于图像内容的颜色特征并利用粗糙集进行分类的模型。粗糙集理论在数据分类应用中的主要思想是保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的。实验结果表明在图像分类方面,粗糙集方法性能良好,相对于贝叶斯方法更加准确和高效。     

基于视觉和粗糙集理论的跟踪系统研究

在分析粗糙集理论的基础上,研究了基于视觉和粗糙集的特定目标检测和跟踪技术.提出了一种基于RGB和HSV两种色彩系统混合实现图像分割,然后采用基于粗糙集理论的控制决策策略,通过实施约简处理得到最小决策规则表指导摄像机实现对目标跟踪的方法.实验结果表明基于该方法的视觉系统具有高效性和鲁棒性.     

概念层次中基于粗糙集的优化可信规则获取

随着系统中数据量剧增,规则太多以及不同决策者对规则有不同层次需求等问题,概念层次提供了一种解决方法。讨论条件属性具有概念层次的情况下,利用粗糙集理论分析属性在不同层次组合下的正域和规则关系,自顶向下提出了概念层次中基于粗糙集的优化可信规则获取的算法。该算法改进了现有的属性约简策略,借助描述子实现属性约简并获取优化可信规则。考虑到层次上正域为空和正域没有新增对象的特殊情况,提高了规则获取的效率。最后通过实例分析说明该算法的可行性。     

不完备系统中基于多粒度的变精度粗糙集方法

多粒度方法是近年来新兴起的一种数据处理模型。为了使多粒度方法适用于不完备信息系统,借鉴非对称相似关系和可变精度的基本思想,提出了基于多粒度的变精度粗糙集模型,其分别包括乐观和悲观两种不同的形式。对这些模型的基本性质进行了讨论,并在多粒度框架下,将变精度方法与严格包含的方法进行了对比分析,最后通过实例分析,说明了如何在不完备信息系统中根据所提出的多粒度变精度粗糙集模型来获取“或”决策规则。     

基于粗糙集的网络安全评估规则提取

给出了基于粗糙集的网络安全评估指标的约简方法。提出了一种利用粗糙集理论提取网络安全评估规则,进而利 用评估规则构建网络安全评估决策系统的算法。利用一个简化的网络安全评估数据集,验证了本文提出的决策规则提取 方法是有效的。     

基于变精度粗糙直觉模糊集的决策规则获取

以直觉模糊目标信息系统为研究对象,以粗糙集和直觉模糊集为工具,以知识发现为目的,给出了从直觉模糊决策表中获取决策规则的一种有效方法。即通过对Pawlak粗糙隶属函数的定义进行推广,给出粗糙直觉模糊隶属函数,利用新的粗糙隶属函数,建立了变精度粗糙直觉模糊集模型。在此模型基础上定义了变精度粗糙直觉模糊集的近似质量和近似约简,由近似约简导出概率决策规则集,从而给出了直觉模糊决策表的概率决策规则获取方法。最后,以实例说明了这一方法的有效性。关键词：     

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具,对基于Rough集理论的缺省规则挖掘算法进行研究,在引入规则支持度概念后,提出了一种基于Rough集的缺省规则挖掘算法MDRBR。实验结果表明,该算法能较好地过滤噪音,提高规则的挖掘效率。     

一种基于粗糙集和神经规则法的数据挖掘新方法

确立了结合粗糙集理论和神经规则法进行数据挖掘的方法.首先通过粗糙集对需要挖掘的数据进行预处理,实现属性的约简,然后应用神经规则法进行网络剪枝和规则提取.通过实例计算表明,在结果置信度降低不多的情况下,可以得到简单明确的关联规则,并有效地提高数据挖掘的效率.     

基于粗糙集理论和神经网络的图像分割方法

提出一种基于粗糙集理论和神经网络的图像分割方法。首先利用粗糙集理论对图像属性进行约简,提取规则,抽取关键成份作为神经网络的输入;然后根据这些规则确定神经网络隐层的神经元个数并根据粗糙集理论中的属性重要性来修正神经网络的权值。实验结果表明,该方法抗噪能力强且有效地解决了仅用神经网络进行图像分割时出现的神经元“死点”、网络结构复杂、收敛速度过慢等问题,在大大缩短网络训练时间的同时改善了分割效果。     

基于粗糙集联系度的数据挖掘算法及应用研究

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。将集对分析中的联系度概念应用于粗糙集中，说明了粗糙集联系度与下近似集和上近似集的值化的关系。文中分析了专家系统中规则抽取中存在的困难，用粗糙集理论和集对分析理论解决专家系统中规则的抽取和过滤问题，提出了一种新的规则提取方法，并给出了一个应用实例。     

基于粗糙集和神经网络集成的贷款风险5级分类

建立了粗糙集与神经网络集成的贷款风险5级分类评价模型,该模型首先利用自组织映射神经网络离散化财务数据并应用遗传算法约简评价指标;基于最小约简指标提取贷款风险5级分类判别规则以及对BP神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本风险等级,使用神经网络判别不与规则库任何规则匹配的检验样本风险等级.利用贷款企业数据库698家5级分类样本进行实证研究,结果表明,粗糙集与神经网络集成的判别模型预测准确率达到82.07%,是一种有效的贷款风险5级分类评价工具.