基于逻辑或的双量化粗糙集模型的计算分析与属性约简

双量化具有完备刻画粗糙集近似空间的重要功能,而精度与程度的逻辑或粗糙集模型则是一类基本的双量化扩张模型.针对该模型进行深入的计算分析,进而探讨其在近似空间中的属性约简.利用区域结构,分析计算公式,在此基础上构建宏观算法和结构算法,算法的分析和比较结果说明结构算法具有较好的计算复杂性.基于近似空间讨论关于4区保持的基本性质,提出区域保持的属性约简,得到经典定性约简的一类扩张量化约简.该研究为双量化粗糙集模型的优化计算与约简应用提供泛化思路.     

专家寄语

波兰科学院院士Pawlak在研究关系型数据库推理10余年的基础上,于1982年提出了粗糙集理论(Rough Set Theory),它是一种关于不精确、不确定、不一致数据分析与推理的强有力的模型与理论.粗糙集理论的提出立刻引起了国际人工智能领域专家学者的重视;20世纪90年代国内从事人工智能研究的专家学者开始重视粗糙集理论与应用的研究.随着Internet技术特别是WWW技术的飞速发展,Internet已经变成一个庞大的、分布式的、异构的数据库与计算平台.传统的数据库和文本的理论、方法、技术很难应用于Web 的处理,在这样的背景下,华人专家钟宁、刘际明和姚一豫教授于2000年提出了网络智能(Web Intelligence).     

基于相容关系的基因选择方法

有效的基因选择是对基因表达数据进行分析的重要内容。粗糙集作为一种软计算方法能够保持在数据集分类能力不变的基础上,对属性进行约简。由于基因表达数据的连续性,为了避免运用粗糙集方法所必需的离散化过程带来的信息丢失,将相容粗糙集应用于基因的特征选取,提出了基于相容关系的基因选择方法。首先,通过i检验对基因表达数据进行排列,选择评分靠前的若干基因;然后,通过相容粗糙集对这些基因进一步约简。在两个标准的基因表达数据上进行了实验,结果表明该方法是可行性和有效性的。     

知识的划分粒度表示法

对知识的分类能力给予量化,提出一种知识表示法——划分粒度表示法,利用划分粒度可定量表示知识的分类能力.首先给出粗糙集理论中主要概念的代数表示,其次定义知识的划分粒度并研究它的性质,最后证明知识的代数表示与划分粒度表示是等价的.     

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法.改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重.不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响.     

基于模糊粗糙集的知识系统证据推理

针对Dubois模糊粗糙集、Radzikowska模糊粗糙集、双论域上的模糊粗糙集,分别定义各自对应的模糊信任(似然)函数,证明模糊信任(似然)函数等于其对应的模糊集的下(上)近似质量,据此建立模糊决策表的证据推理模型.实例表明,该模型是行之有效的.     

基于粗糙性度量的彩色图像分割方法

彩色图像分割技术是现代图像处理和图像分析领域的重要研究议题. 结合粗糙集理论, 利用像素邻域的空间信息, 可以构造图像色彩分布的上下近似以及量化粗糙性表示, 并据此设计基于量化粗糙信息的分割方法: QR measure, 该方法依据数据分布获取自适应阈值进行峰值选定和区域合并. 实验采用UC Berkeley开放的图像分割测试集, 通过比较基于多种统计信息的分割方法, 验证提出的优化算法可以取得更好的分割效果.     

动态粗糙模糊集及其在模糊规则提取中的应用

基于粗糙模糊集的规则提取方法通常分为两步:首先利用粗糙模糊集进行属性约简,然后采用提取模糊规则的方法提取规则.在规则提取的预处理阶段通过属性约简某种程度上可以缩短规则提取的时间,但其固有的不足导致不利于产生良好的规则.在模糊规则产生过程中避开属性约简,可以提高规则提取方法的适用性,降低计算复杂度.本文提出了动态粗糙模糊集的概念,基于此的规则提取算法不再依赖于属性约简,而是基于粒度序和逐步缩小的论域.首先,通过两种不同方式定义了动态粗糙模糊集并得到一些重要性质;在此基础上提出一种新的模糊规则提取算法;最后通过对比实验说明了算法的有效性.     

用神经网络启发式算法求解最大独立集问题

本文提出一种求解最大独立集问题(MIS)的启发式神经网络算法.该算法基于MIS问题的特点,有效地限制神经网络初始点的选择范围,并利用神经网络快速收敛能力获得问题的解.与标准神经网络算法相比,该算法显示了较高的全局优化性态与计算效率.模拟计算实例表明了该算法的有效性.     

粒度计算的基本问题和可能解决的方案设计

1粒度计算的研究动机 人工智能自1956年问世以来,在知识表示、问题求解、机器学习及专家系统等方面尽管取得了一些成果,但还远未形成完整的理论体系,而且面对复杂的系统设计及模糊的、不精确的、不完整的和海量的信息处理,传统理论和方法遇到了前所未有的困难.众所周知,智能模拟是获得人工智能、实现智能控制的重要途径.