一种实值属性信息系统的粗集约简方法

本文研究应用粗集理论对实值信息系统属性进行约简的方法，对实值属性信息系统进行约简的根本问题是如何对实值属性离散化，通过对离散化方法与属性约简的关系进行研究，提出实值属性离散化的一种自动确定属性类别的方法，并结合粗集理论给出了对实值属性信息系统约简的算法，用所提出的算法进行了实验，并给出了实验结果。     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

基于可分性判据排序的RBF神经网络属性选择方法

提出一种基于数据属性重要性排序的神经网络属性选择方法，该方法只需对部分属性进行洲练，即可进行降维，它克服了现有的神经网络降维方法必须对全部属性进行训练的弊端，大大提高了属性选择的效率。该方法先用本文提出的一种简单的可分性判据方法对数据属性进行重要性排序，然后按重要次序用RBF神经网络进行属性选择。仿真实例表明，该方法具有良好的效果。     

一个支持秘密属性的改进PMI框架

当属性证书中引入了秘密属性之后，原有的PMI框架不能很好地处理包含秘密属性的属性证书。文章指出，秘密属性的实现可以采取明文属性的属性证书和密文属性的属性证书两种方式，加密属性证书可以采用对称密钥加密和公开密钥加密两种方案。并根据两种实现方式分别对原PMI框架作不同程度的改进。     

一种高效的基于排序的RBF神经网络属性选择方法

高维数据包含的大量冗余给数据挖掘带来了困难。因此，对高维数据进行数据挖掘时，必须先对原始数据进行降维处理。文中提出一种基于数据属性重要性排序的神经网络属性选择方法。该方法只需对部分属性进行训练，即可进行降维。它克服了现有的神经网络降维方法必须对全部属性进行训练的弊端，大大提高了属性选择的效率。该方法先用输入输出关联法对数据属性进行重要性排序，然后按重要次序用RBF神经网络进行属性选择。仿真结果表明效果良好。     

求解关系模式中一个候选关键字的一种有效算法

通过分析关系模式的属性在函数依赖中所起的作用，发现在关系模式中的部分属性必定为主属性，而部分属性必定为非主属性，可以通过减少对属性的搜索次数，从而提高算法的效率，降低算法的时间复杂性。为此，本文提出一种切合实际的求解候选关键字的有效算法。     

智能决策中的模糊近似

信息表通过目标集合来描述，目标通过条件属性和决策属性进行描述，在对这样的信息表分析处理过程中，粗糙集理论是一个非常有用的工具，粗糙集合理论的主要观点就是知识的上下近似，在实际中，条件属性和决策属性的概念通常是模糊的，而且可以利用模糊集合来说明，提出了基于模糊集合和粗糙集结合的一种新方法，对包含度进行了定义，给出了截近似和综合函数的概念，应用这些概念并结合具体例子讨论了条件属性和决策属性之间的关系，为决策过程中对条件属性权值的指定提供了理论基础。     

加权关联规则挖掘算法的研究

讨论了加权关联规则的挖掘算法，对布尔型属性，在挖掘算法MINWAL（O）和MINWAL（W）的基础上给出一种改进的加权关联规则挖掘算法，此算法能有效地考虑布尔型属必的重要性和规则中所含属性的个数，对数量型属性，应用竞争聚集算法将数量型属性划分成若干个模糊集，产系统地提出加权模糊关联规则的挖掘算法，此算法能有效地考虑数量型属性的重要性和规则中所含属性的个数，并适用于大型数据库。     

基于并行协同进化的属性约简

提出一种求属性集合最小约简的新方法，即基于并行协同进化的属性约简方法．该方法将并行遗传算法和协同进化算法相结合，能有效地处理具有大量属性的信息系统．对各类实验数据的测试表明，该方法得到的属性约简量与基于属性重要性的约简方法相似，在某些情况下求得最小约简的可能性要高于属性重要性方法．     

聚类混合型数据的密度峰值改进算法

聚类混合型数据，通常是依据样本属性类别的不同分别进行评价。但这种将样本属性划分到不同子空间中分别度量的方式，割裂了样本属性原有的统一性；导致对样本个体的相似性评价产生了非一致的度量偏差。针对这一问题，提出以二进制编码样本属性，再由海明差异对属性编码施行统一度量的新的聚类算法。新算法通过在统一的框架内对混合型数据实施相似性度量，避免了对样本属性的切割，在此基础上又根据不同属性的性质赋予其不同的权重，并以此评价样本个体之间的相似程度。实验结果表明，新算法能够有效地聚类混合型数据；与已有的其他聚类算法相比较，表现出更好的聚类准确率及稳定性。     

基于定量属性相关值的空间离群研究

针对空间离群数据(spatial outlier detection)中缺乏对多属性相关定量分析的特点，进行了基于定量分析多属性相关的空间离群数据研究。在空间统计学的基础上，采用定量相关分析对属性之间的关系进行度量，引用了多属性相关矩阵，采用R-tree动态索引结构来搜索空间离群点，有效地解决了这一问题。在多非空间属性中，准确地发现空间离群点，通过对杭州地籍数据的分析，验证了方法的正确性和有效性。     

基于属性加密的可撤销机制研究综述

属性基加密是实现群组通信系统中数据文件细粒度访问控制的重要密码学技术。群组通信系统存在用户加入、退出、属性变更等情况，因此实现用户或属性级撤销的属性基加密是必须要解决的问题。文章在对可撤销的属性基加密方案的分类情况和构造进行研究的基础上，阐述了可撤销属性基加密方案的研究方向和进展，分别从直接撤销、间接撤销和混合撤销3种撤销机制对已有的可撤销属性基加密方案进行深入分析和综合对比，同时指出了可撤销属性基加密机制存在的不足及未来的研究方向。     

决策树C4.5算法的改进与分析

C4.5算法在选择分裂属性时只考虑了每个条件属性和决策属性之间的关系，而没有考虑到条件属性间的相关性，直接影响构建树的准确率。提出一种基于Kendall和谐系数的C4.5决策树优化算法，用于解决条件属性之间相关性的问题，提高算法属性选择的准确性。在引入系数的基础上运用等价无穷小原理对计算公式进行简化，提高了算法的效率。对改进后的C4.5算法和传统的算法进行仿真实验，结果表明，改进的C4.5算法在准确度和效率上都有较大提高。     

基于细粒度观点挖掘和Kano模型的用户满意度分析研究

在线评论在客户关系管理、产品营销等方面发挥着重要作用，有效利用在线评论来分析用户满意度，对企业改善其服务和产品至关重要。传统的满意度分析方法的变量设计往往依赖专家建议，较少考虑正负属性的不对称影响。为解决这些问题，利用文本细粒度观点挖掘技术，对用户在线评论进行特征挖掘，构建产品服务质量分数，并采用PRCA技术对服务属性的正负影响进行量化，将服务属性投射为Kano属性分类，然后分析不同粒度下不同品牌的客户满意度特点，并给出不同品牌的属性优先顺序。最后，从咖啡评论数据中挖掘出5个关键属性。实验结果表明，不同属性对满意度影响具有不对称效应，且不同粒度下的顾客满意度影响因素具有不同的特点，并给出了相应的精细化企业管理策略。     

基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中的一个核心问题，为了有效获取属性最小相对约简，本文提出了一种基于遗传算法的粗糙集属性约简算法．该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性，能够获得最佳的搜索效果．实验结果证明了该算法能够快速有效的进行属性约简。     

一种高效的属性核计算方法

属性核的确定对解决粗集理论中的属性约简问题具有重要的意义．但文献对属性核的求解方法鲜有讨论，基本上都是直接引用Hu X．H．提出的基于分辨矩阵的方法，该方法具有较高的空间复杂度和时间复杂度．本文基于决策系统的一致性，定义概念“关键属性”。并证明关键属性集合与属性核之间的等价性．在此基础上，提出一种新的计算属性核的算法，该算法不需要建立分辨矩阵。其时间复杂度和空间复杂度显著地低于Hu X．H．提出的方法．     

基于时间因子的可撤销可追踪属性基加密方案

现有的属性基加密方案访问策略中较少涉及时间因子，用户为自己的数据设置访问策略时，无法对访问数据的用户拥有属性的时间进行限定，针对恶意泄露密钥的用户进行追踪并撤销也是属性基加密中的挑战性问题，现有的可撤销方案存在计算量太大、效率过低等缺陷。针对这些问题，提出一种基于时间因子的可撤销可追踪属性基加密方案，在用户密钥中分别标记用户获取属性的时间，访问策略中对用户获取属性最早/最迟时间进行限定，解密时对用户属性时间进行验证，丰富了系统的访问策略并实现了方案的后向安全，通过时间验证服务器对用户解密阶段进行管理，用户属性撤销时仅需要更新用户时间标记因子，用户撤销时仅需要删除时间因子，实现方案高效撤销和前向安全。最后，在DBDH假设下，所提方案是IND-CPA安全的。性能分析和实验结果表明，所提方案有较丰富的功能和较高的性能。     

粗SVM 分类方法及其在污水处理过程中的应用

提出一种基于粗糙集理论和支持向量机理论的粗SVM分类方法，该方法采用粗糙集属性约筒方法以减少属性个数，且在属性约筒过程中选出几组合适的属性集组成新的属性集，使模型具有一定的抗信息丢失能力，同时充分利用SVM的良好推广性能，提高了预测分类精度，对城市污水处理厂运行状态的实验结果表明了该方法的优越性。     

一种基于改进粗糙集模型的归纳学习方法

对传统的粗糙集理论进行了扩展，提出了一种改进的粗糙集归纳学习方法。一方面，针对连续属性离散化，利用模糊集理论对连续属性进行模糊化，再根据模糊贴近度构造模糊相似矩阵，并用k-w方法粗略评估各连续属性的重要度，建立基于模糊相似关系的划分，最终生成相容的决策表。另一方面，针对解决最优属性的选择问题，提出一种加权求和的属性重要度定义。基于以上模型开发了一个原型系统，并以一个工程实例验证了此方法的有效性。     

Rough Set中基于聚类的连续属性离散化方法

分析了一些RoughSet中连续属性离散化的方法，指出了其中的某些不足，并给出了一个基于聚类的连续属性离散化的方法，对当前的论域中的例子根据相似性进行聚类，对每个聚类在各属性轴上的投影的边界设离 散断点。该方法考虑了各属性之间的相关性，能得到比较合理的离散结果。