基于群体智能算法的粗糙集约简方法研究

随着粗糙集理论的应用越来越广泛,寻找一个适当的方法进行粗糙集约简已成为一个关键问题,同时这也成为研究粗糙集理论的瓶颈。粒子群优化算法（PSO）起源对简单社会系统的模拟,对解决这个问题具有特别的优势。同时该文用遗传算法（GA）来评价提出来的粒子群优化的成效,结果发现,在解决某些粗糙集约简问题上,PSO更具优势。     

基于图表法的粗糙集约简

在文[1]由差别矩阵计算信息系统核的基础上得到未定差别项组,提出了基于表格因子图的图解法。利用该方法能准确地求出信息系统中所有的最小子集,且计算量少于由定义来约简。举例说明了该方法的有效性。     

基于群体智能算法的粗糙集约简方法研究

随着粗糙集理论的应用越来越广泛,寻找一个适当的方法进行粗糙集约简已成为一个关键问题,同时这也成为研究粗糙集理论的瓶颈。粒子群优化算法(PSO)起源对简单社会系统的模拟,对解决这个问题具有特别的优势。同时该文用遗传算法(GA)来评价提出来的粒子群优化的成效,结果发现,在解决某些粗糙集约简问题上,PSO更具优势。     

基于粗糙集约简的决策林构建方法

针对如何提高决策林的分类精度问题,提出一种基于粗糙集约简构建决策林的技术,包括基于逐次数据约筒构建粗糙决策林和基于遗传算法构建粗糙决策林。对3个UCI数据集的验证表明,基于遗传算法构建的粗糙决策林获得了更好的分类效果。     

基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

基于关系数据库的粗糙集约简改进算法

以粗糙集约简和关系数据库为研究对象,提出了一种带有数据预处理和新启发式信息值的粗糙集约简改进算法.通过应用了该改进算法的DBRuduct工具进行实验,实验数据表明决策表的对象个数和约简计算时间之间成近似线性的关系;以Rosetta中的遗传算法求得的约简作为实验参照,该算法不但可以在含有不一致数据的情况下获得正确的核属性,而且还使约简算法求得的约简更加趋向于最小约简.     

粗糙集约简的神经网络遥感分类应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。但是该方法不能降低维数、时间开销大,针对这些不足提出一种基于粗糙集约简的神经网络方法。本文对RapidEye影像进行分析并提取纹理特征,利用粗糙集理论对纹理特征与光谱特征属性进行约简,得到的约简属性作为输入属性,利用神经网络法对影像分类。结果表明该方法具有较好的分类精度。     

基于粗糙集约简的进程系统调用序列异常检测方法研究

提出了一种基于粗糙集约简的系统调用序列异常检测方法,其基本思想是利用粗糙集约简来对第k个系统调用位置进行预测,把前k-1个位置视为条件属性集,第k个位置视为决策属性,通过Rough集约简方法得到一组预测第k个系统调用位置的最小规则集,进而可用于对实际进程的异常检测。基于合成的UNM sendmail系统调用数据的实验结果表明,本文所提出的异常检测算法性能好于Forrest等人的tide方法,与Wenke Lee等人的数据挖掘算法检测精度相当。但在选择较大的阈值时,漏报率更低。     

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.     

一种基于关联规则挖掘的粗糙集约简算法

针对粗糙集理论中的约简这个重要问题进行了研究,引入关联规则挖掘中的支持度和置信度概念,提出一种基于关联规则挖掘算法思想的约简算法,从而得到更有效的约简。     

一种基于粗糙集文本自动分类的改进算法

自动文本分类的效果在很大程度上依赖于属性特征的选择。针对传统基于频率阈值过滤的特征选择方法会导致有效信息丢失,影响分类精度的不足,提出了一种基于粗糙集的文本自动分类算法。该方法对加权后的特征属性进行离散化,建立一个决策表;根据基于依赖度的属性重要度对决策表中条件属性进行适当的筛选;采用基于条件信息熵的启发式算法实现文本属性特征的约简。实验结果表明,该方法能约简大量冗余的特征属性,在不降低分类精度的同时,提高文本分类的运行效率。     

多重粗糙模糊集模型

为了充分揭示知识颗粒间的重叠性、对象的重要度差别及其多态性,基于多重集合,对Dubois粗糙模糊集意义下的粗糙模糊集模型的论域进行了扩展,提出了基于多重集的粗糙模糊集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重粗糙模糊近似集、近似精度和可定义集的定义及其各种性质的证明、多重集意义下的粗糙模糊近似算子之间的关系及其与Dubois意义下的粗糙模糊近似算子之间的关系等。多重粗糙模糊集可用于从具有一对多依赖性关系的且具有模糊特性的数据中挖掘知识。     

多重概率粗糙集模型

基于多重集合;对Z.Pawlak粗集意义下的概率粗糙集模型的论域进行了扩展;提出了基于多重集的概率粗糙集模型;即多重概率粗糙集模型;给出了该模型的完整定义、相关定理和重要性质;其中包括多重论域定义、多重概率粗糙近似集的定义及其各种性质的证明、多重概率粗糙集的近似精度定义、可定义集与属性约简的定义、多重集意义下的粗糙近似算子之间的关系及其与Z.Pawlak意义下的粗糙近似算子之间的关系等。多重概率粗糙集可充分反映知识颗粒间的重叠性;对象的重要度差别及其多态性;这样有利于用粗糙集理论从保存在关系数据库中的具有一对多、多对多依赖性的且具有不完全性或存在统计性的数据中挖掘知识。
     

基于粗糙集的蛋白质结构分类属性筛选

为了对蛋白质结构进行正确分类,提出了一种基于粗糙集理论的蛋白质结构分类属性筛选方法。通过多结构比对工具MAMMOTH-mult获得条件属性值,针对分辨矩阵中元素特点提出了分辨矩阵简化方法和改进的属性约简方法。实验以SCOP 1.71数据库中结构信息完整的35个家族数据集为研究对象,采用本方法得到%STRCTCORE和%LOOSECORE两个蛋白质分类属性,并通过两个属性的d1a0fa1与35个蛋白质家族、46 626家族与35个结构比对结果散点图可以看出,将这两个分类属性作为蛋白质结构分类标准,基本上可以对蛋白质结构进行客观正确的分类。     

基于粗糙集的决策表属性约简方法的研究

求核和属性约简是粗糙集理论研究的一个核心问题。文中主要针对现有的一些决策表属性约简算法存在的不足,尤其是基于信息熵的属性约简算法在较大数据集上效率不高的问题提出改进。主要通过结合粗糙集的相关理论来改进原有的属性约简算法在求核中的约束条件,进而在原有算法的基础上提出了一种改进算法。在求约简属性集时,利用新提出的约简算法,使计算复杂度降低,同时保持了高效的决策准确率。实验结果表明改进后的决策表属性约简方法能够更加快速有效地找到约简集。     

变精度粗糙集模型属性约简分析

分析了变精度粗糙集模型属性约简过程出现跳跃的原因,并给出消除跳跃现象的方法。探讨了基于分类质量、相对正域和决策类下近似的属性约简定义,并采用属性添加法对条件属性进行约简,约简过程反映了分类能力的变化。     

基于RS_Adaboost的入侵检测方法

针对入侵检测系统存在的对入侵事件高漏报率和误报率,提出了一种将粗糙集(RS)方法与自适应增强(Adaboost)算法相结合的入侵检测方法。利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少Adaboost训练数据,提高处理速度。Adaboost是一种构建准确分类器的学习算法,它将一族弱学习算法通过一定规则结合成为一个强学习算法,从而通过样本训练得到一个识别准确率理想的分类器。实验表明,该方法具有较高的检测率和检测效率。     

不完备知识系统非对称相似关系的最小简式

在实际决策时,人们所面临的往往是大量的数据,因此知识约简很重要,已经证明：在知识系统中求解最小简式是NP完全问题。对于完备知识系统,已有很多方法来求解最小简式,而对于不完备知识系统,这方面的研究较少,处理也更困难。对于不完备的知识系统,可以采用一些补齐算法先进行完备化处理,然后再对所得到的完备知识系统采用一些常用的约简算法如分辨矩阵法等进行处理。但是,补齐处理只是以主观估计值,将未知值补齐,不一定完全符合客观事实。因此,需要保持知识系统的原始信息不发生变化的前提下进行约简。设计了二进制矩阵,和不完备知识系统的非对称相似关系结合,证明了一个定理,并提出了一种基于非对称相似关系的遗传算法,求解不完备知识系统中的最小简式。算法的适应度函数较为简单,可以有效求出最小简式子。实验结果显示了算法的有效性。     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

多重变精度粗糙集模型

为了解决Zaike变精度粗糙集模型的论域划分不能重叠的问题,基于多重集合,对Zaike变精度粗糙集模型的论域进行了扩展,提出了基于多重集的多重变精度粗糙集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重论域定义、多重变精度近似集的定义及其性质的证明、与Zaike变精度粗糙集的关系等。这些定义、定理和性质与Zaike变精度粗糙集既有区别又有联系。多重变精度粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,这样有利于用粗糙集理论从保存在关系数据库中的具有一对多、多对多依赖性的且认为不相关的数据中发现相关知识。