基于元信息的粗糙集规则并行挖掘方法

1.引言在当前的信息化时代,为从大量积累的历史数据中获取有用的知识,使得数据挖掘已成为研究热点。Pawlak教授提出粗糙集合理论,经过众多学者的研究和完善,已成为数据挖掘的重要手段。在大数据环境下,数据挖掘方法的速度将直接影响整个数据挖掘系统的性能,如何有效地提高数据挖掘方法的速度,是迫切需要解决的问题。与此同时,计算机网络存在大量的运算资源,充分利用这些资源是提高数据挖掘方法速度的有效途径。为此,本文提出     

基于粗糙集理论的控制规则生成方法

该文提出了一种基于粗糙集理论的控制规则自动生成方法。此方法在RSI引导算法基础上进行了改进,能够得到更精确的控制规则,这些规则即使在数据不完整、不精确的情况下也可以自动产生。通过对工程实例的分析,表明此方法是有效的。     

基于元信息的最小决策规则集获取方法

决策规则获取是粗糙集理论的一个重要研究领域,并出现了大量的方法。但是这些方法大都假定数据是集中式存储的。在分布式数据环境中,代价昂贵的数据集成工作是必不可少的。元信息是信息系统及其子系统的紧凑描述,并且各个信息子系统元信息的集成代价远小于原始数据的集成。本文提出基于元信息的最小规则集获取方法。该方法的时间复杂度远小于传统的LEM2算法。     

基于数据库操作的粗糙集的规则生成

提出了基于数据库操作的粗糙集（RS）的一种新模型,大部分传统的RS方法没有与数据库系统结合起来,使得RS理论在很多领域中受到限制,并提出了一组基于数据库操作的计算核、约简,规则生成的算法, 与传统RS模型相比,新的模型非常有效且可扩展。     

不完备信息决策规则提取的粗糙集方法

粗糙集理论在不完备信息系统中应用的研究越来越受到学者们的关注,多个不完备信息系统粗糙集扩展模型先后建立起来.基于限制容差关系的扩展模型是其中一个较为灵活和符合数据挖掘需要的模型.本文基于限制容差关系,将论域分为两个部分,并针对两类不同的对象分别给出了约简的定义,在此基础上提出了决策规则提取和决策规则评估算法.     

基于农业信息数据元表示的数据挖掘

文章提出了一种基于农业信息数据元表示的数据挖掘方法,论述了农业信息数据元表示以及粗糙集理论的基本概念,并对基于粗糙集理论的挖掘模型的建立过程以及挖掘过程进行了阐述。     

基于粗糙集和信息增益的决策规则生成

信息增益技术可以删除信息量低的属性,决策规则的相关系数分析能对决策规则的准确度和覆盖度进行描述.提出了利用信息增益分析技术对决策表属性进行相关分析,然后进行属性和属性值约简,去除决策表中与决策无关的冗余信息,得出决策规则后,运用相关系数衡量决策规则的精确度.信息增益技术为决策规则的生成提供了一个有效的途径.     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

基于粗糙集的规则的挖掘

随着计算机技术的发展,急剧产生海量的数据.如何从这些数据中提取有用的信息是一个重要的问题.一种新的数据分析方法--粗糙集理论被提出.该理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具.文中首先对近年兴起的粗糙集的基本理论进行了讨论,在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究.并通过一个实例详细地说明了具体挖掘过程,该实例说明了基于粗糙集进行规则的挖掘是较简单的.     

基于粗糙集的规则的挖掘

随着计算机技术的发展，急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念，是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本理论进行了讨论，在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究。并通过一个实例详细地说明了具体挖掘过程，该实例说明了基于粗糙集进行规则的挖掘是较简单的。     

一种增量式属性最小约简的粗糙集算法

当信息系统的对象和决策属性不变而不断增加条件属性时,为了获得该系统的最小约简属性,一般方法是对决策表的所有数据进行重新计算,很显然这种方法不可取。在粗糙集理论的基础上,给出了过渡相对差异比较表的定义,提出一种新的增加条件属性的最小约简算法。实例说明:该算法节省了大量的时间和空间的资源,并且结论与传统的算法得到的属性最小约简的结论是一致的,所以该算法具有一定的适用价值。     

一种基于粗糙集理论的决策树构造方法

采用粗糙集理论中的属性重要度作为挑选测试属性的指标来构造决策树,形成了一种新的决策树分类算法S_D_Tree,在计算挑选测试属性的时间复杂度为O(|C||n|)。实验结果表明,该算法可以构建一个较简洁的决策树,与C4.5算法相比较,具有更好的预测准确率。     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。     

一种新的基于粗糙集构造决策树的方法

单变量决策树算法生成的决策树具有规模庞大、规则复杂且不易理解的不足.采用粗糙集相对核、加权粗糙度的概念和类别因子相结合的方法,提出一种新的决策树生成算法.对于即将生长的节点,若节点样本的类别因子大于给定阈值,则停止生长该节点,如此就有效地避免了划分过细的问题.通过实验说明,该算法比传统的ID3算法生成的决策树更简单、更易于理解、抗噪声能力更强.     

基于Rough集的启发式约简中启发式规则比较研究

采用属性的重要性作为启发式属性约简规则比较普遍。选择几种研究较多的属性重要性启发式规则,如属性依赖度、区分矩阵频率、信息熵等,进行简要介绍。通过编程实现规则和算法、采用经典数据集的运算比较作了汇总,从运算结果分析中获取了不同启发式规则对属性约简影响的几个基本结论。     

USING UTAGS FOR INCREMENTAL AND PARALLEL GENERATION

Exploiting an incremental and parallel processing scheme is useful to improve the performance of natural language generation systems. TAG-GEN is a TAG-based syntactic generator that realizes both principles. It is shown how the demands of incremental and parallel generation influence the definition, the design, and the processing of syntactic rules on the basis of tree-adjoining grammars.     

一种两类决策系统的递增式粗集归纳学习方法

本文提出了一种两类决策系统的递增式粗集归 纳方法．首先利用基于粗集和用户要求的属性简化方法,对决策表进行属性简化;然后修改 了决策矩阵和决策函数的定义,并采用基于修改后的决策矩阵和决策函数的方法从简化的决 策表中归纳出决策规则;最后,一个例子验证了本文方法的有效性和实用性．     

基于变精度双论域粗糙集的个性化推荐方法

针对用户不确定性决策问题,提出基于变精度双论域粗糙集的个性化推荐方法。首先,基于置信度的含义提出一种新的知识库构建方法,并利用SQL语言实现。在此基础上构建基于变精度双论域粗糙集的个性化推荐模型,并将该模型应用到男士衬衫的个性化推荐中。最后通过推荐方法比较分析,实验结果说明了基于变精度双论域粗糙集的个性化推荐模型的有效性。     

粗糙集理论在故障诊断规则获取中的应用

本文的目的是给出一种利用粗糙集理论解决故障诊断的规则获取问题的方法 ,该方法的特点是可以处理由于类重叠引起的样本信息不精确、不一致情况下的规则获取 .以规则形式表示的知识接近于人脑推理过程 ,因此基于规则的诊断方法在故障诊断中得到广泛使用 ,但规则获取是其瓶颈之一 .粗糙集 (RS)理论是为开发自动规则生成系统而提出的 ,其主要思想是在保持分类能力不变的前提下 ,通过知识约简 ,导出概念的分类规则 .因此 ,可以把 RS理论用于规则的故障诊断中 .本文给出了基于决策矩阵和决策函数的获取规则方法的流程图 ,以故障诊断实例说明其使用方法 ,并验证了其有效性