一种广义粗糙集精度的新度量

在粗糙集理论中,精度是量化由粗糙集边界引起的不精确性的一种重要数字特征,但传统精度没有考虑到由关系覆盖导出的颗粒大小。本文通过引入独立邻域集的概念,给出一种新的广义粗糙集精度的度量。     

基于多层Markov网络的信息检索模型

随着信息检索技术的不断发展,挖掘更加有效的信息来提高检索精度成为研究热点,已有的研究表明在检索过程中有效地融合各种信息将得到更好的检索效果。对一个具体查询而言,可以充分利用与已有查询的相关性、词语相关性和文档相关性等信息进行查询扩展和重构。基于这种思路,该文分别构造查询网络、词网络和文档网络,提出了多层Markov网络的信息检索模型,模型可以融合词间关系、文档间关系和查询间关系,为了有效降低计算量,给出了基于团计算模型。在标准数据集上的实验表明该文的模型能够有效融合三类信息,并较大幅度地提高检索效果。     

基于知识划分相似性的属性约简

信息系统的属性约简是粗糙集理论的重要内容之一。除正区域、差别矩阵、信息熵之外,运用模糊T的性质提出了一种基于t-范数的划分,基于知识的划分,给出了相似性的概念,提出了若干相似性的性质,并将该相似性的度量运用到属性约简中,给出了一个新的属性约简算法,从而对属性约简进行改进。通过一个数据模型的验证,新的算法同样可以有效地滤除冗余属性,保留关键属性,充分说明了该方法的可行性。     

一种特殊相关证据的合成方法

Dempster-Shafer证据理论的合成方法只适用于独立的情况,相关证据的合成则比较复杂,本文认为两个相关证据是由两个独立源证据和一个相关性源证据通过正交和合成所得。相关证据的合成则为这三个源证据的正交和,因此必须从相关证据中分离出独立部分和相关部分。针对相关证据的BPA为可分离mass函数的情形,给出了具体明确的合成方法。     

基于TBM的自适应模糊k-NN分类器

针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN（k-Nearest Neighbor）分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。     

一种定义粗糙集精度的改进方法

在粗糙集理论中,精度是量化由粗糙集边界引起的不精确性的一种重要数字特征。但传统精度没有考虑到由等价关系导出的划分的颗粒大小。该文在分析传统精度和由Xu Baowen 等人提出的精度的基础上,提出一种新的精度定义。给出了其一些好的性质,通过例子说明了     

基于证据推理模型的k-NN分类

本对基于证据理论的k-NN分类方法进行了修正，得到了基于证据推理模型的k-NN分类方法，使分类结果更加精确。并且通过例子进行了计算机模拟实验，取得了较好的效果。     

基于证据推理模型的k-NN分类

本文对基于证据理论的k-NN分类方法进行了修正,得到了基于证据推理模型的k-NN分类方法,使分类结果更加精确.并且通过例子进行了计算机模拟实验,取得了较好的效果.     

基于信息增益的最优组合因子Fisher判别法

线性判别分类器是一种有效的模式分析技术,其中以Fisher判别法准则应用最广,目前已有多种改进线性提取方法。引进信息增益,建立基于信息增益的最优组合因子判别分类器,实现最优组合因子判别分类器的优化。实验结果表明优化后的分类器有效剔除了冗余因子,具有良好的分类准确率。     

证据理论与熵值融合的知识约简新方法

求解决策表的最小约简已被证明是NP-hard问题,在粗糙集和证据理论的基础上提出了一种知识约简的启发式算法。利用粗糙集等价划分的概念给出属性的信息熵,定义每个属性的熵值重要性并由此确定知识的核。引入二分mass函数对每个属性建立一个证据函数,证据融合得到每个属性的证据重要性。以核为起点,以证据重要性为启发,依次加入属性直至满足约简条件。实例表明,该方法能够快速找到核和相对约简,并且该约简运用到分类上正确率也是较高的。