知识约简的一种启发式算法

知识约简是Ｒｏｕｇｈ Ｓｅｔ理论研究中的核心内容之一，现已证明了寻找决策表的最小约简是ＮＰ－ｈａｒｄ问题，文中首先从信息的角度，对决策表中属性的重要性给出度量；在此基础上，提出了一种基于互信息的知识相对约简的启发式算法，并指出算法的复杂性是多项式的；最后，通过  

基于Rough Set理论的"数据浓缩"

本文了基于ＲｏｕｇｈＳｅｔ（ＲＳ）理论数据浓缩的几个问题。  

粗糙集理论中概念与运算的信息表示*

粗糙集理论对知识进行了形式化定义,为知识处理提供了一套严密的分析工具,但在代数表示下,粗糙集理论的本质不易被理解,并且,尚无高效的知识约简算法.该文首先建立了知识与信息之间的关系;然后,在此基础上给出了粗糙集理论中概念与运算的信息表示;最后,证明了知识约简在信息和代数两种不同表示下是等价的.这些结论有助于人们深刻理解粗糙集理论的本质,同时,为寻找高效的知识约简算法奠定了基础.  

Rough Set理论中连续属性的离散化方法

Rough Set(RS)理论是一种新的处理不精确、不完全与不相容知识的数学工具.传 统的RS理论只能对数据库中的离散属性进行处理,而绝大多数现实的数据库既包含了离散 属性,又包含了连续属性.文中针对传统RS理论的这一缺陷,利用决策表相容性的反馈信 息,提出了一种领域独立的基于动态层次聚类的连续属性离散化算法.该方法为RS理论处 理离散与连续属性提供了一种统一的框架,从而极大地拓广了RS理论的应用范围.通过一 些例子将本算法与现有方法进行了比较分析,得到了令人鼓舞的结果.  

基于粗糙集的多变量决策树构造方法

本文利用粗糙集理论中条件属性相对于决策属性的核，解决多变量检验中属性的选择问题．另外，定义了２个等价关系相对泛化的概念，并将它用于解决多变量检验的构造问题．通过一个例子，对本文提出的多变量决策树方法与著名的单变量决策树（ＩＤ３）方法进行了比较，结果表明前者比后者更简单．同时，对几种多变量决策树方法做了初步的对比分析．  

二进制可辨矩阵的变换及高效属性约简算法的构造

This paper dose a lot of mathematics transformation to Binary Disernibility Matrix,it is called BDM too.Though these transformations,we may both decrease a lot of memory space of BDM and contribute to make high efficiency attributes reduction algorithms.Based on BDM,we also give three algorithms which are in turn used to reduce BDM,attribute‘‘‘‘s reduction and judge reduction.Finally,ew give three examples to illuminate the feasibility of three algorithms and analyze the complexity of algorithms.  

交通信息网格的研究

交通信息网格通过异构计算机的整合，实现更高程度的资源共享，能够提供更强的计算能力，是解决交通问题的有效手段，交通信息网格原型系统根据城市交通与网格具有相似的特征，融合信息网格技术，以解决智能交通系统中的瓶颈，它主要体现了最优出行方案的选择，利用网格来实现资源共享和提高计算效率。同时，它也是实践和应用信息网格技术的示范，能够促进信息网格技术的进一步的研究与发展。  

粒度计算研究综述

粒度计算GrC（Granular Computing）是信息处理的一种新的概念和计算范式,覆盖了所有有关粒度的理论、方法、技术和工具的研究.它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集,也是软计算科学的一个分支,已成为模糊的、不完整的、不精确的及海量的信息处理的重要工具和人工智能研究领域的热点之一.本文综述了粒度计算的发展动机、研究现状及发展趋势,着重介绍了粒度计算的主要理论模型与方法及其在不同领域的应用,对存在的问题进行了分析,并提出了进一步研究的方向.  

数据挖掘中聚类算法比较研究

聚类算法是数据挖掘的核心技术，本文结合提出了评价聚类算法好坏的5个标准，基于这5个标准，对数据挖掘中常用聚类算法作了比较分析，以便于人们更容易，更快捷地找到一种适用于特定问题的聚类算法。  

基于覆盖的粗糙模糊集模型研究

在研究覆盖粗糙集模型中，发现对覆盖粗糙集上近似的定义并不一致．简述了各个模型的区别，并在一个较合理的覆盖粗糙集上近似定义上，结合覆盖约简理论，重新定义了基于覆盖的粗糙集模型。讨论了它的一些性质．另外，将模型进行推广，定义了基于覆盖的粗糙模糊集模型，证明了它具有一些较好的性质。