基于模糊粗糙依赖度的连续值属性约简

针对传统的离散化技术所造成的信息丢失问题,提出了利用模糊粗糙集理论来进行属性约简的方法。描述了模糊等价关系下的粗糙集模型,定义了正域、依赖度等概念,提出了基于模糊粗糙依赖度的属性约简算法,该方法比传统属性约简方法具有更好的时间复杂性,并用实例证明了该算法的可行性。     

不完备信息系统的一种属性约简

条件属性的重要性存在差异,通过引入差异度,对不完备信息系统中属性的重要性进行了定义,提出了一种基于权重联系度的属性约简算法。通过实例说明该算法能得到不完备决策表的最小相对约简。     

一种论域递减式计算正区域方法

正区域的计算在粗糙集的应用中十分重要。在深入研究粗糙集基本理论的基础上,围绕不可分辨关系,得到了一种计算正区域的等价方法,提出了一种论域递减式的计算正区域的算法。该算法对论域中的样本进行分步分类,同时判断其是否属于正区域,而后将其从论域中删除,从而减轻计算量。理论分析和实例结果验证了该算法的有效性和可行性。     

基于信息熵的二进制差别矩阵属性约简算法

给出一个简化的二进制差别矩阵的属性约简定义,并证明该属性约简的定义与基于信息熵的属性约简的定义是等价的。为求出简化的二进制差别矩阵,设计了一个快速求简化决策表的算法,其时间复杂度为O（|C||U|）。在此基础上,设计了基于信息熵的简化二进制差别矩阵的快速属性约简算法,其时间复杂度和空间复杂度分别为max{O（|C||U|）,O（|C|²|U/C|²）}和max{O（|C||U/C|²）,O（|U|）},最后用一个实例说明了新算法的高效性。     

知识包含度及其在粗糙集理论中的应用

提出一种新的集合包含度,并用新的集合包含度定义粗糙集理论中的知识包含度。研究了知识包含度的几个基本性质,给出了粗糙集理论中基于知识包含度的属性约简算法,通过一个汽车性能决策表的实例来表明算法的有效性。     

采用布尔矩阵不完备信息系统的属性约简

对于不完备信息系统完备化问题,现在常采用的方法是数据补齐法和扩充法,在研究和分析了其优劣后,提出一种完全依据信息系统提供的信息来产生布尔可辨矩阵的方法。给出一个基于对布尔可辨矩阵进行化简的求属性约简（或最小属性约简）的高效算法。     

相容关系下集值信息系统的粗糙熵

熵理论是信息系统中不确定性研究的有效工具之一。首先给出了集值信息系统的相容关系,在此基础上引入了粗糙熵。讨论了粗糙熵的最大、最小值,并证明了粗糙熵的单调性。     

基于粗糙集的混合属性数据聚类算法

传统聚类方法将对象严格地划分到某一类,但是很多时候边界对象不能被严格地划分。基于粗糙集的k-means聚类算法和基于粗糙集的leader聚类算法,利用粗糙集理论将数据对象划分到一个簇的上近似集或下近似集当中,提供了一种新的处理不确定性的视角,很好地解决了这种边界不确定问题。但其缺点是不能处理混合属性数据,聚类结果对初值有明显的依赖性。针对这些算法存在的不足,给出了一种适用于混合属性数据的距离定义,对初始值的选取提出了改进办法,提出了一种基于粗糙集的混合属性数据聚类算法。仿真实验证明,在不确定聚类簇数的情况下,该算法的聚类准确率比传统k-means算法明显提高。     

双论域上的S-粗集及应用

原始从单论域出发讨论动态系统的知识发现和规则挖掘,其应用范围受到极大限制。通过构造性方法对原始的Ｓ-粗集粗糙集模型进行推广,提出双论域上的Ｓ-粗集模型。分析了S-粗集与Z.Pawlak 粗集、以及单论域Ｓ-粗集与双论域Ｓ-粗集的关系。并讨论了双论域Ｓ-粗集一些相关性质及在疾病诊断上的应用。     

面向Windows Native API调用的入侵防御模型

为了提高基于Windows操作系统的入侵防御系统的检测效率、实时性和智能性,引入嵌入式汇编语言来简化对Windows Native API的监控,将数据集划分为一组基本相对独立的变长序列模式,利用粗糙集理论对每种长度的序列集进行简约,建立了较小规模的Native API短序列的防御模型,并应用于sendmail调用序列检测。实验结果表明,模型的检测率达到96.08%,误报率降低到1.93%。与其他检测模型的比较结果表明,模型在检测率、实时性和智能性方面有更优的性能。