粗糙集理论在医疗诊断系统中的应用

粗糙集理论能有效地分析和处理不精确、不一致和不完整等各种不完备信息.并能从中发现隐含的知识,揭示潜在的规律.讨论粗糙集理论用于医疗诊断中的方法,实践表明该方法具有重要的应用价值.     

粗糙集理论在简化过程建模参数中的应用

利用粗糙集理论知识约简的特点,以连续催化重整反应过程中重整产品辛烷值监控建模参数选择为例,对生产过程工况特征参数建立决策表,计算条件属性的重要性,对决策表进行属性约简,简化过程建模参数。此外还将该方法与主成分分析法作了比较。最后利用选择的建模参数建立起神经网络模型。     

粗糙集BP神经网络在房地产价格预测中的应用

研究房地产价格准确预测问题.由于房地产价格影响因子间信息严重冗余,受到社会上多种因素的影响.传统预测方法不能消除因子间的冗余信息,导致学习时间长、预测精度低.为了提高房地产价格的预测精度,提出一种粗糙集理论BP神经网络的房地产价格预测模型(RS-BPNN).RS-BPNN模型首先采用粗糙集理论消除房地产价格因子间冗余信息,提取重要因子,然后采用非线性预测能力非常强的BP神经网络对处理后的数据进行学习建模,用建立好的模型对房地产价格进行预测.仿真结果表明,RS-BPNN房地产价格预测速度比传统预测方法快,预测精度更高,说明RS-BPNN的预测结果可以为政策制定者和房地商及买房提供参考.     

粗糙集在客户分类中的应用研究

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。设计了一个基于粗糙集的客户分类模型,并利用粗糙集的知识约简和决策规则提取算法对超市客户进行了分析。通过决策表约简,剔除冗余属性、消除过剩规则。最后得出了属性约简的最小化结果以及决策规则。     

粗糙集在电力变压器故障诊断中的应用

电力变压器是一种比较复杂的系统,在实际故障诊断中要想获得完备的实验数据比较困难。针对该问题,提出了一种基于粗糙集的电力变压器故障诊断新方法,即分析搜集到的电力变压器历史故障数据,确定条件属性集和决策属性集;对条件属性集进行约简,去除冗余信息,提取关键信息,得到相应的规则集;利用该规则集对电力变压器进行故障诊断。实例分析验证了该方法的正确性和有效性。     

粗糙集在残缺数据样本中的应用

数据样本集是人工智能发展需要的主要要素,所以要求提供的数据样本集,应该是全面的、有效的集合。当所提供的数据样本集残缺不全,会影响人工智能的有效应用。针对此问题,论文提出一种基于粗糙集理论的数据样本集补全方法,能科学的、正确的、有效的补全数据样本集,为提高人工智能的决策推理,铺平了道路。     

粗糙集理论在启动子识别中的应用研究

针对目前基于计算机的启动子识别技术的研究现状,指出现有启动子识别技术的不足,并探讨将粗糙集理论应用于启动子识别研究可能的改进方向.     

粗糙集决策表边界属性分析

上近似、下近似是粗糙集理论的基本概念,由上下近似概念可导出粗糙集的正域、负域、边界等概念。对于决策信息系统,决策属性的等价类可以用粗糙集理论的上下近似来刻画,边界反映了其粗糙性。分析决策信息系统的边界类属性,结合可变精度粗糙集与经典粗糙集理论,对比边界类属性与正域类属性及负域类属性的差别,提出了正向迁移属性和负向迁移属性概念,结合例子给出正向迁移属性与负向迁移属性的求法,并对其意义加以说明。     

粗糙集算法及其应用

粗糙集理论正被广泛运用于不确定环境下的信息处理中。当要从大量复杂的数据中发现知识时,属性约简是一个关键问题,因此文中提出了一种特殊的属性约简算法。它是一种简单化数据的分析法,利用了一种新的用于粗糙集中的属性约简算法,即一种生成对称矩阵的约简算法,并结合了一个具体的例子来说明。将此算法运用于复杂的实验数据中,对其进行约简,发现效果明显。由此可看出此算法是相当有效的。     

粗糙集算法及其应用

粗糙集理论正被广泛运用于不确定环境下的信息处理中.当要从大量复杂的数据中发现知识时,属性约简是一个关键问题,因此文中提出了一种特殊的属性约简算法.它是一种简单化数据的分析法,利用了一种新的用于粗糙集中的属性约简算法,即一种生成对称矩阵的约简算法,并结合了一个具体的例子来说明.将此算法运用于复杂的实验数据中,对其进行约简,发现效果明显.由此可看出此算法是相当有效的.     

优化的Rough Set综合评价算法在房地产开发和销售中的应用

将优化的Rough Set综合评价算法属性的同分辨能力数引入到粗糙集评价,增加了评价的客观性,优化了评价算法,对于房地产开发的决策和综合评价有辅助作用。     

Rough集综合评价法在评标决策系统中的应用

粗糙集是继概率论、模糊集、证据理论之后的又一个处理含糊和不确定性的数学工具.本文分析将粗糙集应用于评标过程的科学性及决策特点,提出了利用粗糙集进行系统评标的方法.首先对评价的定量指标和定性指标分别进行离散化处理,然后应用粗糙集理论中基于核值的属性约简及规则提取技术,形成评标决策规则,用于粗选候选企业.     

基于Rough sets和Fuzzy sets理论的约简算法

对决策表约简的一些rough sets和fuzzy sets相关概念进行了阐述。在应用Rough集对决策系统进行约简的基础上，结合模糊聚类分析方法，论述了这一可行的决策表约简算法。该算法以属性核与属性重要性的代数定义形式为基础，利用聚类分析的模糊处理方法，解决了约简过程。并给出了对一电器公司全国连锁销售数据约简处理结果，得出了能帮助不同级别决策者进行决策的辅助性的规则知识。     

模糊数决策粗糙集

考虑到实际决策问题中损失函数的不确定性特征,从贝叶斯理论出发,将模糊数损失函数引入决策粗糙集,提出模糊数决策粗糙集模型。首先,讨论在贝叶斯期望风险最小决策的语义下模糊数决策粗集理论基本模型的构建过程。其次,分析模糊数决策粗集理论的相关数学性质和准则。最后,通过一个企业信用评佑问题来阐明模糊数决策粗糙集模型的应用过程。     

区间决策粗糙集

考虑到实际决策问题中损失函数的"多值性"特征,从贝叶斯理论出发,将区间值损失函数引入决策粗糙集,提出区间值决策粗糙集模型。首先,讨论了在贝叶斯期望风险最小的决策语义下,区间值决策粗集理论基本模型的构建过程。其次,分析了区间值决策粗集理论的相关数学性质和准则。最后,通过一个石油投资问题来阐明区间值决策粗糙集模型的应用过程。     

Decision Analysis Using Rough Sets

We show that the rough set theory is a useful tool for analysis of decision situations, in particular multi-criteria sorting problems. It deals with vagueness in the representation of a decision situation, caused by granularity of the representation. The rough set approach produces a set of decision rules involving a reduced number of most important criteria. It does not correct vagueness manifested in the representation; instead, the rules produced are categorized into deterministic and non-deterministic. The set of decision rules explains the decision situation and may be used to support new decisions. An example illustrates the rough set analysis of a multi-criteria sorting problem.     

三枝决策粗糙集

从贝叶斯理论出发,介绍基于三枝决策粗集理论。首先讨论在期望风险最小决策的语义下决策粗集理论基本模型的构建过程。其次,分析决策粗集三枝决策方法在不同概率区间犯错的可能性,并通过其与二枝决策及Pawlak粗集三枝决策的差异,给出决策粗集三枝决策方法优于其他两种决策方法的成立条件。最后,提供一种利用决策粗集三枝决策解决实际问题的方法。     

GIS技术在房地产管理中的应用

通过介绍GIS的概念及房地产管理的空间特征,分析了GIS在房地产管理中的优势及可行性,指出了在房产管理数据库的基础上实现房地产数字化管理的实现途径。     

一种基于粗集的欺诈风险分析方法

文章利用粗集理论中的特征属性约简方法来分析和研究欺诈风险,提出了一种基于粗集的欺诈风险分析方法,并通过一个信用卡欺诈的分析实例对该算法进行了检验。实验结果表明,在保证分类质量基本不变的情况下,该算法是有效的,它能找出引发欺诈行为的主要特征属性,帮助管理者及时、准确地预测各种可能发生的欺诈风险。     

粗糙集的最优近似集

Pawlak教授提出的粗糙集理论是解决集合边界不确定的重要手段,他构建了边界不确定集合的两条精确边界,但没有给出用已有知识基来精确或近似地构建目标概念(集合)X的方法.在前期的研究中提出了寻找目标概念X的近似集方法,但并没有给出最优的近似集.首先,回顾了集合间的相似度概念和粗糙集的近似集R_λ(X)的构建方法,提出并证明了R_λ(X)所满足的运算性质.其次,找到了R_λ(X)比上近似集R(X)和下近似集R(X)更近似于目标概念X的λ成立的区间.最后,提出了R_0.5(X)作为目标概念的最优近似集所满足的条件.