基于条件信息熵的决策表约简

Rough集理论是近年来发展起来的一种有效地处理不精确、不确定、含糊信息的数学理论方法，在机器学习、数据挖掘、智能数据分析、控制算法获取等领域取得了很大的成功。研究者从不同的角度对这个理论进行研究。本文将从信息论观点出发对Rough集理论的基本概念和主要运算进行分析讨论，通过与Rough集理论的代数观点进行比较分析，得到这两种观点下的一些等价性质和不同的特性，并基于条件信息熵提出决策表的约简算法。  

Rough集理论在不完备信息系统中的扩充

Pawlak教授所提出的经典Rough集理论主要是针对完备信息系统的，利用了不可分辨关系这种等价关系来对对象进行了近拟和下近似分类，对于不完备信息系统的处理，需要对经典Rough集理论进行扩充，主要是对不可分辨关系进行扩充，目前已经有了基于容差关系，相似关系和量化容差关系等的扩充Rough集理论，但是，这些扩充也还存在一些局限性，将提出一种基于限制容差关系的扩充Rough集模型，并比较分析这些扩充Rough集模型之间的性能。  

决策表核属性的计算方法

针对决策表核属性的计算问题，对前人的一些理论观点进行讨论，在认识这些理论观点缺陷的基础上，探讨Rough集理论代数观和信息观这两种形式的关系，发现它们在核属性和约简上的差异，提出决策表核属性的计算方法．  

一种基于Rough Set理论的属性约简及规则提取方法

该文针对Rough Set理论中属性约简和值约简这两个重要问题进行了研究，提出了一种借助于可辨识矩阵（discernibility matrix）和数学逻辑运算得到最佳属性约简的新方法.同时，借助该矩阵还可以方便地构造基于Rough Set理论的多变量决策树.另外,对目前广泛采用的一种值约简策略进行了改进，最终使得到的规则进一步简化.  

粗糙集理论中的离散化问题

一引言数据分析及数据挖掘,是一个重要的正在迅速发展的研究课题。波兰科学家Z.Pawlak于1982年提出的粗糙集(Rough Set)理论正是解决这一问题的新理论,它可用于处理决策信息表中的不确定知识,并用规则的形式表达,是一种有效的知识获取工具。在Roughset中,数据约简是非常重要的,包括属性约简和值约简。运用粗糙集理论处理决策表时,要求决策表中各值  

一种高效的属性核计算方法

属性核的确定对解决粗集理论中的属性约简问题具有重要的意义．但文献对属性核的求解方法鲜有讨论，基本上都是直接引用Hu X．H．提出的基于分辨矩阵的方法，该方法具有较高的空间复杂度和时间复杂度．本文基于决策系统的一致性，定义概念“关键属性”。并证明关键属性集合与属性核之间的等价性．在此基础上，提出一种新的计算属性核的算法，该算法不需要建立分辨矩阵。其时间复杂度和空间复杂度显著地低于Hu X．H．提出的方法．  

一种不确定性条件下的自主式知识学习模型

在没有领域先验知识条件下的不确定知识主动式学习是机器学习领域中的一个难题.通过研究决策表和决策规则的不确定性,建立基于粗集表示、度量和处理不确定性信息和知识的理论,并且结合Skowron的缺省规则获取算法,提出一种不确定性条件下的数据自主式学习模型和方法,以解决这一问题.通过仿真实验,验证了该自主式学习方法的有效性.  

粗糙集理论与应用研究综述

在阐释粗糙集理论基本体系结构的基础上,从多个角度探讨粗糙集模型的研究思路,分析粗糙集理论与模糊集、证据理论、粒计算、形式概念分析、知识空间等其它理论之间的联系,介绍国内外关于粗糙集理论研究的主要方向和发展状况,讨论当前粗糙集理论研究的热点研究领域以及将来需要重点研究的主要问题.  

不同知识粒度下粗糙集的不确定性研究

粗糙集的不确定性度量方法,目前主要包括粗糙集的粗糙度、粗糙熵、模糊度和模糊熵.在不同知识粒度下,从属性的角度,给出了分层递阶的知识空间链,发现在分层递阶的知识粒度下部分文献中定义的粗糙集的粗糙熵和模糊度随知识粒度的变化规律不一定符合人们的认识规律.从信息熵的角度提出了一种粗糙集不确定性的模糊度度量方法,证明了这种模糊度随知识粒度的减小而单调递减,弥补了现有粗糙熵和模糊度度量粗糙集不确定性的不足.最后,分析了在不同知识粒度下粗糙度和模糊度的变化关系.  

基于粗集理论的数据离散化方法

对后继阶段的机器学习或数据挖掘过程而言，决策系统中连续属性值的离散化具有非常重要的意义。本文系统地研究了基于粗集理论的数据离散化方法：提出一种计算候选断点集合的算法；定义概念“选择概率”来合理、有效地度量和区分候选断点的相对重要性；最后基于这一概念提出一种确定结果断点子集的启发式算法,理论分析及仿真结果表明，算法的综舍性能优于文献报道的同类算法．