一种基于特征矩阵的一致决策表的规则提取方法

基于粗糙集的数据挖掘方法研究主要集中在决策表的属性约简和决策表的规则提取。该文主要研究了一种基于特征矩阵的一致决策表的规则提取方法。     

一种属性与值约简及规则提取算法

本文提出了一种属性与值约简及规则提取算法。该算法无需求出分明矩阵,而是从决策表中直接提出关于属性值分明的属性构造分明函数,并且可以同时求出属性约简和属性值约简。在此基础上提取规则不仅节约了空间,而且提高了效率,并通过实例进行了验证。     

不一致决策表的值约简方法

对目前求不一致决策表最简规则方法存在的问题进行了分析,提出了一种构造区分矩阵的方法,能更好地适用于多决策属性存在的决策表中.借助区分矩阵进行值约简,提出了一种新的规则提取算法.利用属性的重要度来描述条件属性所提供的知识对决策表的影响程度,引入规则准确度来衡量算法是否造成决策表的新的不一致规则.该算法不会破坏决策系统中一致规则和不一致规则所蕴含的信息量,保持约简前后规则的准确度不变.     

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.     

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。     

基于粗集理论的决策表知识获取方法研究

对决策表各条件分类和决策分类集合之间的关系进行了研究，提出了直接从各分类中计算决策表核及属性约简方法：依据属性约简，创建了一个多变量决策树；在此基础上，阐述了提取决策表中蕴含规则的方法，从而省去了在约简后的决策表中计算值约简步骤；通过实例，验证了这些方法的有效性。     

基于粗糙集和图论的电力系统故障诊断方法

将粗糙集与图论相结合处理电力系统故障诊断,提出了故障决策表图的新概念,得到一种基于粗糙集和图论的电力系统故障诊断方法,并进一步提出了故障信息覆盖度和故障诊断规则分级的概念.利用故障决策表图及其邻接矩阵,得到了快速识别决策表核属性和属性约简的方法,并将规则分级应用于故障规则提取.利用所提出的方法对具体实例进行处理,仿真结果表明,该方法能有效地减少时间和空间复杂度,可根据设定的阈值提取诊断规则.     

基于粗糙集的不完全相容的关联规则挖掘

设定结论域对于关联规则的挖掘具有重要意义,文章提出一种带结论域不完全相容的关联规则挖掘模型,采用将决策表分解为完全相容与完全不相容的决策表,通过条件属性约简和规则约简,实现关联规则的极小化。     

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。     

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．     

基于矩阵的最简决策规则获取

获取决策表规则时,通常需要进行属性约简和属性值约简。该文分析属性值约简,针对协调决策表提出一种通过构造决策矩阵直接获取最简规则的方法。将原来考虑条件属性集和决策属性集决定的等价类之间的关系,转变为仅考虑决策矩阵同行元素之间的代数关系。通过实例验证了该方法的可行性。     

一种基于决策规则支持度的值约简算法

基于决策规则的条件属性支持度和规则支持度,结合Apriori算法思想,本文提出了一种利用决策规则支持度对粗糙集中决策表进行值约简的算法。实例表明该算法可以有效地对决策表进行值约简。     

一种基于扩展差别矩阵的规则获取方法

本文对Skowron差别矩阵[1]进行扩展,提出了一种不求决策表属性约简,直接获取决策规则的方法.此外,该方法只需根据同一决策类中扩展差别矩阵元素来提取规则,且不会造成规则冲突,适合于分布规则提取.     

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。     

基于属性约简的恒星光谱数据分类规则挖掘系统研究

知识约简与决策规则的提取是粗糙集理论研完的核心内容。本文针对新加入对象相对于原来的极小决策算法而言是全新的这一情况,提出了一种基于粗糙逻辑的增量式属性约简算法,从而避免每次从庞大的原始决策表开始约简,提高了效率。在此基础上,采用VC^ 和Oracle9i为开发工具,设计与实现了基于属性约简的恒星光谱数据分类规则挖掘系统,从而为实现恒星光谱数据的自动分类提供了一种有效途径。     

基于新的条件熵的决策树规则提取方法

分析了知识约简过程中现有信息熵反映决策表“决策能力”的局限性，定义了一种新的条件熵，以弥补现有信息熵的不足；然后对传统启发式方法中选择属性的标准进行改进，由此给出了新的属性重要性定义；以新的属性重要性为启发式信息设计决策树规则提取方法。该方法的优点在于构造决策树及提取决策规则前不进行属性约简，计算直观，时间复杂度较低。应用实例分析的结果表明，该方法能提取更为简洁有效的决策规则。     

基于二进制可辨矩阵的决策规则约简算法

决策规则的约简是利用决策逻辑分别消去每一条决策规则中的冗余属性值,是粗糙集理论知识约简的重要内容,一般是在属性约简之后采用启发式信息实现决策规则的约简。基于二进制可辨矩阵给出一个简单的直接求取决策规则核的方法,并提出一种决策规则的约简算法。所给算法简单直观,不但适用于相容决策表,也适用于不相容的决策表。     

一种基于分布约简的规则获取方法*

基于决策表分布约简定义规则的分布核与分布约简概念,提出一种基于分布约简的规则获取方法.首先确定条件类的分布核,进而采用启发式算法计算其分布约简,挖掘出最简产生式规则.该方法能适应决策表的不一致情形,且运用此方法所提取的规则集能够保持与原信息系统一致.     

一种新的完全决策表属性约简的高效算法

属性约简是粗糙集理论的核心问题之一,也是粗糙集有效算法研究的焦点。为获得最简明的规则集,通常希望能找出最小的属性约简集,但得到最优解是NP-hard的问题,通常采取启发式的算法得到近似最优解。文中研究了不完全决策表的属性约简,提出一种衡量不完全决策表属性重要性的标准,依此给出了一种新的进行属性约简启发式算法。对寻找对象的相似类的步骤则在排序和二分查找的基础上提出了一种新的高效的算法,这样就相应地使得属性约简的效率得到提高。此算法较好地解决了不完全决策表的属性约简问题。     

一种对应约束的决策表属性约简算法

决策表属性约简是粗糙集理论中的重要问题,经典决策表属性约简方法从保持论域划分能力的角度出发,选择最优条件属性约简集.从决策属性与条件属性的相关性角度出发,将决策表属性约简思想与传统统计学中的对应分析方法相结合,提出了一种量化决策属性与条件属性之间依赖关系的度量,称为投影区分度,并基于此发展了一种决策表属性约简算法.最后用简单实例说明了该方法的正确性.