基于广义不可区分关系的决策表约简

研究决策表的正域约简及分配约简理论。针对具有自反性的广义不可区分关系,提出了决策表的正域约简及分配约简理论,借助区分函数给出了正域约简及分配约简的计算方法。对Skowron的区分条件进行了改进,在一定意义上为正域约简及分配约简提供了一般理论框架。     

基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断

提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.     

关系积理论及属性约简算法

属性约简是粗糙集RS（rough set）理论的重要研究内容。决策表的最小属性约简是NP-hard问题。本文基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,充分利用关系积的相关性质,提高了关系积属性约简算法的效率。     

关系积理论及属性约简算法

属性约简是粗糙集RS (rough set)理论的重要研究内容.决策表的最小属性约简是NP-hard问题.本文基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,充分利用关系积的相关性质,提高了关系积属性约简算法的效率.     

结合分辨矩阵改进的邻域粗糙集属性约简算法

针对基于邻域粗糙集属性重要度约简算法在某些决策表中约简正确率下降等问题,结合基于等价关系下的分辨矩阵知识,定义一种邻域决策系统下的分辨矩阵,邻域分辨矩阵由能够分辨不同邻域对象的条件属性子集组成。根据条件属性在邻域分辨矩阵中的占比提出一种属性重要度的度量方法,以新的重要度作为启发性因子,设计一种邻域决策系统下属性重要度启发性约简算法。该算法以核属性集作为初始集合,依次选择重要度大的属性加入到核集,直至找到最小属性约简时,算法终止。实例分析和UCI数据集试验结果表明,与基于属性依赖度的约简算法相比,该算法能够更有效地找到最小属性约简集,并且可以有效减少计算工作量,证明了算法的有效性和可实用性。     

基于相对知识粒度的决策表约简

知识粒度主要应用于信息系统的属性约简。为了把知识粒度拓展到决策表约简领域,在研究知识粒度的基础上,定义了相对知识粒度的概念,证明了对一致决策表约简而言,相对知识粒度表示与Pawlak代数表示的等价性。进一步定义了基于相对知识粒度的属性重要度,提出了两个基于相对知识粒度的启发式决策表约简算法。通过理论分析与实例表明约简算法是有效可行的。     

区间属性值决策系统属性的粗糙约简

基于粗糙集理论对区间属性值决策系统进行了探讨,提出了一种区间属性值决策系统属性的粗糙约简方法.首先利用分析技巧,将区间属性值决策表转化为三元决策表,其次利用粗糙集理论构建了属性的约简方法.通过算例说明了该方法的有效性.     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法(NCNPSO-IAR)。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明:该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法（NCNPSO-IAR）。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明：该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

关系生成图注意力网络的知识图谱链接预测

针对实体邻域三元组缺少联系的问题,提出基于关系生成图注意力网络(RGGAT)的知识图谱链接预测方法. 利用不同类型的关系生成相应的注意力机制参数,邻域三元组按照关系类型使用对应的参数计算注意力系数. 实体通过聚合以关系为主导的邻域三元组信息得到更丰富的嵌入向量. 在训练过程中对编码器和解码器进行共同训练,将编码器更新的实体向量和关系向量直接输入到解码器中,保证编码器和解码器训练目标一致. 在3个公开数据集上进行链接预测实验,对比实验选用目前主流的5个模型作为基线. RGGAT方法在3个数据集上的Hits@10能达到0.519 8、0.510 4和0.973 9,高于传统图注意力网络嵌入方法的. 在邻域聚合阶数对比实验中,1阶关系邻域聚合的方法相比2阶关系在Hits@10上提升3.59%.     

粗糙集数据分析系统的程序实现

粗糙集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。首先简述基于粗糙集方法的数据分析系统的基本构成,分析了粗糙集中连续属性离散化的方法,实现了连续属性数据进行数据离散化。围绕不可区分关系和相对正区域两个核心概念,通过知识之间的依赖程度,提出了粗糙集数据分析的算法,通过比较属性约简的数目,选择最少属性数量的约简结果。得到了求取相对核、上(下)近似集、等价关系、相对重要度、属性相对约简、范畴相对约简、最小决策规则等的各种算法的程序实现。给出了利用MATLAB实现该系统约简化、核及最小决策规则的程序。最后给出实际工程系统的程序运行结果,对滚动轴承故障诊断的仿真实例表明,该方法简化了诊断规则,得到较高的故障诊断正确率。对推动粗糙集理论在具体实践中应用具有实际意义。     

自适应邻域选择的I somap算法

针对流形学习算法Isomap对于稀疏数据局部邻域大小选择的敏感性,提出一种自适应邻域选择的降维方法 A-Isomap(Adaptive-Isomap).在数据稀疏的情况下,通过邻域选取算法自适应的动态选择每一个样本点的邻域大小,很大程度上避免了对短路点的选择;同时,使用聚类信息来汇聚相似的样本点,保证了降维后的数据具有很好的可分性.为了验证算法的有效性,将该算法应用于手工流形的降维,结果表明该算法能较好的展现降维效果.     

基于鱼群算法的脑功能连接邻域粗糙集特征归约方法

为了有效应对脑功能连接高维小样本性给分类模型构建带来的挑战,得到与脑疾病诊断相关的重要特征,提出基于鱼群算法的脑功能连接邻域粗糙集特征归约方法.该方法建立脑功能连接数据的邻域决策表;依据特征的依赖度将鱼个体初始化为候选的脑功能连接特征子集,并采用综合特征子集依赖度和特征子集长度的适应度函数对鱼个体进行评价;在种群优化过程中,执行觅食、聚集、追尾机制,以及交叉和迁徙2个新机制来不断搜索最优的特征子集.在3种脑疾病功能磁共振脑成像（fMRI）数据集上,将所提方法与多种已有的特征归约方法进行对比实验.结果表明,该方法是有效的脑功能连接特征归约方法,可以有效降低脑功能连接数据的维度,获得分类判别能力较强的脑功能连接特征.     

基于局部投影算法的舰船信号降噪处理研究

利用基于非线性动力学系统的局部投影降噪算法研究了舰船辐射噪声的非线性降噪问题。分析了局部投影降噪算法邻域半径参数与降噪效果的关系,研究了利用噪声强度估计邻域半径参数的方法。通过对含噪Lorenz模型和实际舰船信号进行降噪处理,得到了较为满意的结果。     

具有区间数的信息决策系统的属性约简

通过对相容关系的实数粗糙集模型研究,分析了实数粗糙集的上近似,下近似,边界以及实数粗糙集的正域,负域,边界域的概念,并在此基础上得出了实数粗糙集的属性约简的方法,并给出步骤：逐次检索属性子集的广义重要度,看其是否与属性集合的广义重要度相等,当相等时即为其一个约简集。并通过算例证明该方法的可行性。     

近海岸目标快速提取

针对海面运动载体对复杂海岸背景下的水上目标检测问题,提出了基于海岸线信息的近海目标自动检测方法.通过量化子图像的区域复杂度以及单元区域上下邻域的灰度差异,提取海岸线区域的主要轮廓.采用哈夫变换进行投票加权处理,确定海岸线的精确位置,使用主频灰度对对海岸线以下的海面部分进行滤波,消除杂波效应,引入聚类方法,剔除伪目标,实现目标的有效区分.试验证明所提方法能够检测出不同倾斜状态下的海岸线,并实现精确的目标定位,单帧处理在0.2s以内,具有准确性和快速性.     

基于邻域决策误差率的多标记特征选择

多标记学习可以同时处理与一组标记相关的数据,多标记学习的研究对于多义性对象的学习建模具有十分重要的意义. 与传统的单标记学习一样,数据的高维性是多标记学习的阻碍,因此数据降维是一项十分重要的工作,而特征选择是一种有效的数据降维技术. 提出了基于邻域近似误差率的多标记特征选择算法. 首先,在邻域粗糙集理论的基础上,引入实例的边界来对所有实例进行粒度化. 其次,基于邻域决策误差率提出了邻域近似误差率的策略来评价特征. 最后,在公开的数据集上进行了大量的实验,结果表明所提算法的有效性.     

基于鉴别矢量角嵌入的人脸识别

针对基于构造邻接图的降维人脸识别问题,提出了一种鉴别矢量角嵌入的识别方法.构造了一幅有正/负连接边的邻接图,同类样本之间为正连接边,不同类样本的k近邻为负连接边.连接边权系数的测度采用矢量角代替矢量模,不但省去了传统方法中对热核权函数t参数的估计,而且降低了由于图像样本间的亮度差异对识别率造成的影响.样本数据保持邻接矢量角从高维空间嵌入至低维子空间,在分类识别中采用了角度最近邻分类器.Yale库和UMIST人脸库上的人脸识别实验结果表明,该算法比其他算法有更好的识别率.