粗糙集数据挖掘技术在丙酮精制中的应用研究

将基于粗糙集理论的数据挖掘方法应用于丙酮精制过程产品质量的预报。针对流程工业数据高维、构成复杂、连续性强等特点，改进了基本的粗糙集数据挖掘算法，并与模糊聚类等技术相结合，提出了一种适用于流程工业数据的粗糙集数据挖掘方法。在采用实际丙酮精制生产数据作为样本的实验中应用效果良好，表明该方法具有一定的实用价值。     

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。     

变精度粗糙集

本文定义了变精度粗糙集,从精度的取值情况分类讨论了其基本结构.对比一般粗糙集性质,研究了变精度粗糙集三个方面的性质:集合与其变精度近似集的关系、变精度近似算子的幂作用、变精度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

变精度粗糙集挖掘技术的应用研究

粗糙集理论是一种处理模糊和不确定知识的一种新型数学工具,在很多领域取得了成功的应用。但是经典粗糙集理论处理的分类必须是完全正确的,在实际应用中,缺乏对噪声数据的适应能力,为了克服这个缺点,提出一种变精度的粗糙集模型,以适应实际应用的需要。对变精度粗糙集理论的数据预处理、属性约简、值约简和规则提取等问题进行了分析和研究,提出属性约简算法和基于求核值属性的归纳值约简算法,并将其运用于医疗系统的手术诊断数据表的数据挖掘分析过程中,所得到的实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果。     

变精度模糊粗糙集的一种定义

模糊粗糙集模型同经典粗糙集模型类似,容易受到噪音数据的影响.针对该问题,受变精度粗糙集模型的启发,提出了变精度模糊粗糙集的概念.针对现有变精度模糊粗糙集模型尚不能满足一些基本性质的缺陷,重新定义了模糊近似空间中某一模糊集的β-下近似和β-上近似,该定义方式能够满足上述的基本性质.     

变精度思想下的模糊粗糙集模型

将Ziarko的集合变精度包含思想引入模糊粗糙集模型中,使用!-精度集结算子生成变精度模糊粗糙集,用于大型数据库的模糊数据分析。改进后的模型对噪声数据具有一定的容错能力,从而增强了其在实际问题处理中的鲁棒性及适应新情况和知识预测的能力。     

变精度软粗糙集

从集合间的包含程度出发,构造了一种基于包含度的变精度软粗糙集模型。提出带参数的变精度近似算子的定义,得到了它的基本性质和定理,并给出了证明;定义了双精度软粗糙集的近似算子,研究了其性质;讨论了该模型与其他粗糙集模型的关系以及退化条件;举例说明了在信息处理中的应用。     

变精度粗糙集在智能诊疗系统中的应用

研究变精度粗糙集理论中属性约简和规则获取算法,并结合医疗诊断的实际情况对传统算法进行改进,提出基于变精度粗糙集理论模型的诊断方法。该方法利用病员数据库提取关键的病例特征属性来建立临床诊断决策表,借助改进的可辨识矩阵属性约减算法和值约减算法进行特征约简,从而得到有效的诊断规则。最后,针对常见疾病"高血压",开发了网络版的基于VPRS智能诊疗系统,并应用到多家医疗机构,效果良好。     

变精度相容粗糙集模型

将变精度粗糙集的思想引入相容粗糙集,提出了两种变精度相容粗糙集模型,在模型I中,目标概念的下近似和边界域的交集非空;在模型II中,目标概念的下近似和边界域的交集为空。研究了两种模型中上、下近似算子的基本性质、两种模型之间的关系,以及与其他粗糙集模型之间的关系。     

变精度复合粗糙集模型及其应用*

针对复合信息系统中的噪声数据以及复合粗糙集近似边界要求严格等问题,对复合粗糙集模型进行了扩展,提出变精度复合粗糙集模型。在该模型中,通过设置阈值参数β (0.5<β ≤1),定义了基于矩阵方法的变精度复合粗糙集的β-上近似、β-下近似、β-正区域、β-负区域、β-边界区域、β-精确度和β-粗糙度等概念;同时,对变精度复合粗糙集的相关性质进行了研究。最后,通过实例说明了该模型在信息处理中的应用,进一步说明该模型具有一定的容错性,抗干扰能力增强,应用范围扩大。     

可变精度粗集模型约简异常分析

粗糙集理论一直致力于研究不确定或不精确信息的数据分析问题。本文基于可变精度粗糙集模型相关概念,对其约简异常进行了深入研究,分析了包含度区间的动态变化和正区域变化引起的约简异常,提出了消除异常的基本思想,从而完善了基于可变精度粗集模型的约简。     

基于包含度的变精度模糊粗糙集

利用模糊集的一个强包含度,在弱模糊划分的基础上建立了基于该包含度的变精度模糊粗糙集模型,对其重要性质进行了深入研究,并给出了对应形式粗糙度的计算方法,进一步利用海明距离和欧几里得距离定义了该模型下模糊粗糙集的两个粗糙性度量。给出的变精度模糊粗糙集模型能够使模糊粗糙集的运算按照模糊集的运算实现,为变精度模糊粗糙集理论的研究和应用莫定了一定的理论基础。     

基于依赖空间的变精度粗糙集属性约简

针对求解变精度粗糙集模型属性约简问题,在对象集上定义一种上下近似二元关系.利用此关系建立属性集上的等价关系,由此构造出依赖空间,从而得到变精度粗糙集的上下近似协调集的判定定理.同时建立一种保持每个决策类的上下近似不变的属性约简方法.最后通过实例验证方法的有效性.     

可变精度粗糙集β值的增量计算

目前对于可变精度粗糙集中变精度参数β计算的研究,主要集中在非增量方面.当处理大量数据时,需要能够动态计算的方法,本文提出了一种增量计算β值的方法ICObeta.该方法以分类质量作为确定性度量的标准,以最大确定性度量为目标,来选取合适的β值.ICObeta相比于非增量的方法,具有动态增量和计算开销显著降低的优点,并通过实验证实了增量计算的优点.     

Non-Deterministic Outlier Detection Method Based on the Variable Precision Rough Set Model

This study presents a method for the detection of outliers based on the Variable Precision Rough Set Model (VPRSM). The basis of this model is the generalisation of the standard concept of a set inclusion relation on which the Rough Set Basic Model (RSBM) is based. The primary contribution of this study is the improvement in detection quality, which is achieved due to the generalisation allowed by the classification system that allows a certain degree of uncertainty. From this method, a computationally efficient algorithm is proposed. The experiments performed with a real scenario and a comparison of the results with the RSBM-based method demonstrate the effectiveness of the method as well as the algorithm’s efficiency in diverse contexts, which also involve large amounts of data.     

可变精度Rough集模型

首先痢要描述了Pawlak的Rough集模型,然后,提出可变精度Rough集模型,在定义Rugh隶属函数概念的基础上,详细论述了可变精度的Rugh集模型和基于决策理论的Rugh集模型。     

基于差异关系的变精度粗糙集知识约简算法研究

有效的知识约简算法是粗糙集理论的重要研究内容.粗糙集是一个去掉冗余特征的有效工具.经典的粗糙集方法要求数值用离散数据表达,对于连续值则在处理前必须进行离散化处理.真实数据往往存在连续值,为了避免运用粗糙集方法所必需的离散化过程带来的信息丢失,将差异关系应用于粗糙集的知识约简.为进一步增强差异关系粗糙集对噪声数据的适应能力,提出基于差异关系的变精度粗糙集知识约简算法,并分析差异关系下变精度粗糙集模型参数的特性,给出依赖度和参数范围关系描述,将参数取值从点扩展到区间范围.在UCI数据库的数据集上进行实验,结果证明了所提方法及相关理论的有效性.     

连续值属性决策表中的可变精度粗糙集模型及属性约简

属性约简是粗糙集理论研究的一个核心问题.为了有效地处理决策表中连续值属性约简,提出了连续值属性决策表中的可变精度粗糙集模型以及基于此模型的连续值属性约简算法.仿真实验结果表明,该算法可以对连续值属性进行约简,而且比经典粗糙集相关方法在处理连续值属性约简方面更有效.     

基于可变精度粗糙集理论的粗糙规则挖掘算法

提出了一种基于变精度粗糙集理论的规则挖掘算法.通过粗糙规则集的不确定性量度,应用遗传算法求取相对属性约简,然后根据所给阈值导出粗糙规则集,并对阈值对规则集的影响进行了事后分析.由该算法得到的规则既有一定的噪声容忍度又具备较高的准确度和覆盖度,从而能充分保证预测和分类的准确性.实例分析证明,该算法是规则挖掘的有效方法.