基于邻域粗糙集下知识划分的信息表降维

Pawlak粗糙集的知识约简包括对决策表的知识约简和对信息表的知识约简。作为Pawlak粗糙集的扩展,邻域粗糙集在针对决策表的属性约简方面应用广泛,而针对信息表的属性约简方面应用鲜少。为了设计一种适用于信息表的属性约简算法,根据Pawlak粗糙集的信息表知识约简标准,首先提出一种邻域粗糙集的信息表知识约简标准,然后根据这种标准,结合贪心思想,进一步提出了一种适用于聚类任务的信息表属性约简算法。与主成分分析(principal component analysis,PCA)算法相比,实验结果表明用该算法对数据集降维后,得到的属性约简集合的属性个数较多,K-means算法根据属性集合进行聚类的精度较高。实验结果证明该算法能有效地应用于信息表的属性约简方面。     

以优势关系为基础的粗糙集在地震数据挖掘中的应用

在地震数据挖掘应用中，可用粗糙集方法进行对震例数据的属性约减。但是，经典的粗糙集理论建立在由等价关系对对象集划分的基础上，而震例数据是有序的而不是分类的对象。现对经典粗糙集理论进行扩展，提出一种用优势关系代替等价关系的粗糙集方法，并在此基础上提出一种基于差别矩阵的属性约简算法。实验结果表明，用这种方法能得出一些采用传统粗糙集理论所无法得到的结果。     

Assessing mathematics learning achievement using hybrid rough set classifiers and multiple regression analysis

Education is recognized as the key to individual success. Particularly, elementary education is vital for providing students with basic literacy and numeracy, as well as establishing foundations in mathematics, language, science, geography, history, and other social sciences. Mathematics is fundamental to numerous fields with real life applications, including natural science, engineering, medicine, and social sciences; therefore, student mathematics-learning achievement (MLA) in elementary school is valuable. This study aims to eliminate wastage of educational resources and seek suitable hybrid models for application to education. This study proposes an integrated hybrid model based on rough set classifiers and multiple regression analysis and provides a new trial of such a hybrid model to process MLA problems for elementary schools and their teachers. The proposed model is illustrated by examining a dataset from an elementary school in Taiwan. The experimental results reveal that the proposed model outperforms the listing methods in both classification accuracy and standard deviation. The rough set LEM2 (Learning from Examples Module, version 2) algorithm generates a set of comprehensible decision rules that can be applied in a knowledge-based education system designed for interested parties. Consequently, the analytical results have important implications for strategies related to mathematics teaching/learning and support to achieve teaching goals related to mathematics education.     

变精度与程度粗糙集的一种推广

粗糙集理论是一种处理模糊和不确定性知识的数学工具,在人工智能及数据挖掘等众多领域已经得到了广泛的应用。在程度粗糙集和变精度粗糙集的基础上,通过引入误差参数,给出了一种新的程度变精度粗糙集模型并得出了所给模型上、下近似的一些性质。最后,通过一个具体的例子,说明了这种模型在信息系统中处理模糊和不确定性知识的可行性和有效性。     

上近似在粗糙集约简中的应用

对粗糙集理论中不相容决策表的约简问题进行了研究.引入关联规则中支持度和置信度的概念,并重新定义了这两个概念.利用粗糙集中上近似概念的特点,提出一种将上近似用于不相容决策表的约简算法.通过一个实例介绍了该算法的基本步骤.算法对各规则能计算出各自的支持度和置信度,能实现对不相容决策表的约简.     

粗糙集在QAR数据中的应用研究

通过研究飞机快速存取记录器（Quick Access Recorders,QAR）数据和粗糙集理论的特点,结合信息决策表的相关知识,对QAR数据中的异常数据进行检测挖掘,以辅助飞机故障检测及排除。主要工作是：应用粗糙集理论特点对QAR数据进行离散化,并建立离散化后数据的决策表,然后对决策表进行属性约简和规则提取。根据QAR数据的特殊性,给出了数据离散化和决策表属性约简的改进算法。最后通过对比项目实验及专家给出的数据证明了其可行性和有效性,提高了飞机排故效率,具有很重要的现实意义。     

基于粗糙集理论的属性权重确定最优化方法研究

针对现有基于粗糙集理论属性客观权重确定方法的不足,将基于代数观和信息观的权重进行有机集成,建立了两者结合的属性权重最优化数学模型,从而得到综合权重的最优解。最后通过实例说明了该方法的有效性。     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

扩展粗糙集在肾功能不全诊断中的应用

针对肾功能不全诊断的决策判断问题,提出了一种扩展粗糙集方法。该方法在可变精度粗糙集模型中把规则的置信度阈值当作可变精度参数值,把基于优势关系的粗糙集模型和基于可变精度粗糙集模型结合起来。首先,将准则离散化,再根据设定的规则置信度阈值和支持数阈值,利用提出的规则挖掘算法,对决策表进行处理,最后挖掘得到肾功能不全诊断规则。该方法的可行性通过一个简单肾功能不全诊断实例得到了论证。     

一种粗糙集遗传算法在入侵检测中的应用

分析了目前入侵检测系统运行机制和不足,提出了一种基于粗糙集的遗传算法,通过粗糙集属性精简遗传算法种群,并在变异操作中将优异个体朝重要属性加速变异,降低算法时空复杂度。通过实验验证,该算法收敛速度快,检测率高,能很好地应用于目前入侵检测系统之中。     

关于变精度粗集与粗集属性约简的注记

通过抽象信息系统,阐明了经典粗糙集模型分类质量、相对正域、决策类下近似具有非单调递减性;变精度粗糙集模型在约简过程中分类质量和相对正域会出现跳跃现象,约简过程具有不稳定性。需要针对三者分别建立模型,使属性约简变得多样化。     

变精度粗糙集模型在决策树构造中的应用

本文在应用变精度粗糙集模型构造决策树的研究基础上,提出了具有置信度规则的决策树的构造方法。该方法是对决策树生成方法的一个改进,所构造的决策树具有更强的实用性以及更高的可理解性。本文还针对两个甚至两个以上属性的分类质量量度相等的特殊情形,给出了如何选择较优的属性作为结点的方法。与传统的ID3算法相比,该方法所构造的决策树不仅结构简单,而且更加实用,利于理解。     

置换矩阵算法在粗糙集属性约简中的应用

介绍了粗糙集的布尔矩阵表示和置换矩阵的概念,导出了属性约简与置换矩阵之间的关系,讨论了逻辑关系方程组解的理论,提出了基于置换矩阵的粗糙集属性约简的新算法,通过实例分析证明了该方法的有效性,表明该算法在粗糙集属性约简中具有参考价值,对粗糙集理论的应用具有一定的实际意义。     

粗糙集在融合图像质量评价中的应用

提出了一种基于粗糙集理论的融合图像质量评价方法。采用粗糙集属性约简方法把冗余的属性和冲突的对象从决策表中删去,从而对决策信息系统进行了相对简化,使模型具有一定的抗信息丢失能力。该方法运用到融合图像质量评价中去,实验结果表明其有效性。     

概率粗糙集模型在机械故障诊断中的应用

机械故障产生的机理比较多且表现形式具有不确定性,概率粗糙集模型弥补了Pawlak粗糙集模型在解决知识不确定性决策问题时的不足。概率粗糙集模型能充分利用近似边界区域提供的统计信息,并能对给定概念一个更完整的刻画,因而可以提取带有确定因子的决策规则。首先论述了概率粗糙集模型并引进了概率粗糙集模型的属性约简,然后介绍了在机械故障诊断中有关Bayes决策问题的概率粗糙集模型,最后用一个实例说明概率粗糙集模型在机械故障诊断中的应用。     

Transformation of rough set models

This paper considers transformation of rough set models containing union, intersection, inverse and composition of approximation spaces. As special cases, approximation spaces induced from several kinds of closures of relations are also investigated. The main results given in this paper will be useful to theoretical and practical researches of rough set theory.     

粗集理论在空中目标威胁等级判断中的应用

针对目标进行威胁等级判断时,由于获得的空中目标属性信息的不完全性和不确定性带来的决策困难问题,采用把粗糙集理论引入到空战决策系统中,根据空战冗余信息是可以约简的结论,提出了一种利用粗糙集理论约简求取规则的决策算法。应用SOM网络离散化决策系统输入数据的连续属性值,利用粗集数据分析方法,从数据中提取出规则将输入映射到输出的子空间。通过粗集数据挖掘后提取的规则,不仅规则数目减少,且规则是不完全规则,因此特别适合对空战信息的融合。     

粗糙集与决策树在电子邮件分类与过滤中的应用

垃圾邮件的识别与过滤是目前研究的热点问题之一。而粗糙集是一种新的处理模糊和不确定性知识的数据分析工具,已被成功地应用到许多有关分类的领域。将粗糙集与决策树结合,提出一个基于RS-DT的邮件分类方案与模型,并进行了实验及结果分析。通过与朴素贝叶斯模型及SVM的比较,表明提出的基于RS-DT的模型可以降低把正常邮件错分为垃圾邮件的比率,提高过滤系统的自学习能力。     

粗糙集在桥梁结构健康多级模糊评价中的应用

桥梁结构健康评价的指标体系通常比较复杂,专家评分或层次分析法获取因素权重的方法过程繁琐且主观性强。针对该问题,提出一种将粗糙集与层次分析法相结合来获取因素权重的方法,并基于该方法建立了桥梁结构健康多级模糊综合评价模型。利用该评价模型,对实测的桥梁结构状态数据进行分析与评价。实验结果表明,该模型能够对桥梁结构健康状态进行较为准确的评价,评价准确率优于层次分析法。     

Roughness bounds in rough set operations

This paper presents some roughness bounds for rough set operations. The results show that a bound of the set operation can be determined from their operand’s roughnesses. We prove also that this bound is not determined under some special operations.