具有属性析取萎缩-扩张特征的动态数据智能挖掘

S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征.S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集.利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一.主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用.     

智能决策支持系统中的知识表示及基于粗集的推理

探讨了在智能决策支持系统中的知识表达系统以及数据粗集理论分析处理海量信息中信息的有用特征,通过分析、推理产生最小决策规则。最后以EDUDSS中农村小学布局决策为例作实例分析。     

数据挖掘与知识发现综述

数据挖掘与知识发现是目前一种新的重要的研究领域。介绍了数据挖掘与知识发现的概念、功能、常用方法、数据挖掘过程及其广泛应用 ,阐述了数据挖掘技术的未来发展方向。     

属性内-外融合与信息智能挖掘-分离

P-集合(packet sets)是一个动态数学模型(动态信息模型,动态数据模型),P-推理是P-集合生成的一个动态推理,属性合取范式是P-集合中的元素与属性之间的逻辑特征。将P-集合、P-推理与属性合取交叉、渗透,给出属性内-融合及属性外-融合与属性内-外融合概念、属性内-外融合定理、属性内-外融合与属性合取范式扩展-收缩关系、扩展-收缩关系定理,以及P-推理与属性内-外融合智能生成。利用这些理论结果,给出属性内-外融合在信息智能挖掘-分离中的应用。属性融合(属性内融合、属性外-融合、属性内-外融合)是潜藏在P-集合内的一个重要应用特性。     

粗集理论对股票时间序列的知识发现

提出了将粗集理论应用于时间序列的知识发现。知识发现的过程包括时间序列数据预处理、属性约简和规则抽取三部分。其中数据预处理主要用信号处理技术清洗数据,然后将清洗后的时间序列按照某个变量的变化趋势进行分割,分割后每个时间段内的变化趋势不变,从而将时间序列转换成为一系列静态模式(每种模式代表一种行为趋势),从而去掉其时间依赖性。把决定各种模式的相关属性抽取出来组成一个适用于粗集理论的信息表,然后采用粗集理论对信息表进行属性约简和规则抽取,所得到的规则可以用于预测时间序列在未来的行为。最后将该方法用于股票的趋势预测,取得良好效果。     

以面向属性归纳的算法实现知识发现的可行性研究

面向属性归纳的方法以关系的或面向属性的操作实现知识发现过程。面向属性归纳的含义还表现在知识获取工具的核心与基础是一组动作基元,包括问题表达,知识提升,人机交互等。文中着重讨论了知识生成规则,基于置信度的归纳策略,并以野生大豆数据库为基础设计了一个算法。     

基于形式背景的属性转移与知识发现

概念格理论是一种有效的知识表示与知识发现工具,是知识表示、知识发现和知识获取的基础。利用形式背景信息熵与属性的重要性理论,讨论形式背景的属性知识转移的特点,得到了基于形式背景的属性转移原理,给出形式背景的知识发现与应用。     

基于S-粗集理论上的属性约简与算法研究

给出基于S-粗集的单向属性迁移集合,双向属性迁移集合以及单向信息系统和双向信息系统的模型;又给出属性迁移的若干性质。从Skowron提出的分辨矩阵的角度出发,给出了S-粗集中的分辨矩阵,并在此基础上提出了基于S-粗集理论上的属性约简算法。最后给出该算法在医学方面中的应用,证明了该算法的有效性。     

一种面向个性化知识发现的属性约简算法

在同一决策系统中，可提取满足多种不同应用的知识．但对一既定用户，不是所有知识都是必要的．如何发现仅对用户有价值的知识(称为个性化知识)，是一个挑战性的研究课题．为此，设计了一种面向个性化知识发现的属性约简算法．其特点是，逐步构建分辨集，以取代分辨矩阵；然后通过有关覆盖理论，在分辨集中计算用户最需要的约简．有效减少时间和空间复杂度，提高算法的效率．文中给出了实验分析与对比，证实了算法的有效性和可行性．     

P-数据模型与数据的智能获取

文中首次提出具有动态特征的P-数据(Packet data)模型。P-数据模型通过改进P-集合(Packet sets)模型而得到,其由内P-数据(internal Packet data)与外P-数据(outer Packet data)共同构成。给出了P-数据模型与模型结构,得到了P-数据模型与它的属性合取范式扩展-萎缩生成定理,进而得到了P-数据推理(Packet data reasoning)模型与数据的智能获取定理;最后利用这些概念和结果,给出内P-数据智能获取与风险数据估计的应用。     

内逆P-信息智能融合与它的属性析取特征-应用

逆P-集合(inverse packet set)是由内逆P-集合珡XF(internal inverse packet set)与外逆P-集合珡X珚F(outer inverse packet set)构成的元素集合对;或者,(珡XF,珡X珚F)是逆P-集合;逆P-集合具有动态特性。利用内逆P-集合与内逆P-推理(internal inverse packet reasoning)、内逆P-信息智能融合生成、内逆P-信息智能融合补充生成与内逆P-信息智能融合度量,给出内逆P-信息智能融合定理、内逆P-信息智能融合依赖定理与内逆P-信息智能融合还原定理。给出内逆P-信息智能融合的属性析取特征与属性析取扩展定理,以及属性析取扩展-未知内逆P-信息智能融合发现原理;给出这些理论结果的应用。逆P-集合是研究另一类动态信息应用的新理论、新方法;另一类动态信息具有属性析取特征。     

基于知识发现的实用智能系统总体结构模型

知识发现系统与实用智能系统的有机融合成为信息管理、辅助决策支持、智能预测支持等领域亟待解决的关键问题之一。该文将以系统的观点和方法，从哲学方法论的角度来审视和研究基于知识发现的实用智能系统(如专家系统、决策支持系统和预测系统)的总体结构模型，并在此基础上为形成统一的、完备的和具有认知自主性的实用智能系统提供指导依据。     

知识发现及其应用研究回顾

介绍了知识发展的背景,描述了知识发现的发展过程,知识类型,所使用的数据库,重点介绍知识发现在各个领域的应用如：农业,医学,环保,天文,金融,零售,军事,Internet等。     

A Knowledge Discovery Framework for Civil Infrastructure: A Case Study of the Intelligent Workplace

Large databases are becoming increasingly common in civil infrastructure applications. Although it is relatively simple to specifically query these databases at a low level, more abstract questions like ‘How does the environment affect pavement cracking?’ are difficult to answer with traditional methods. Data mining techniques can provide a solution for learning abstract knowledge from civil infrastruc-ture databases. However, data mining needs to be performed within a systematic process to ensure correct and reproducible results. Many decisions must be made during this process, making it difficult for novice analysts to apply data mining techniques thoroughly. This paper presents an application of a knowledge discovery process to data collected for an ‘intelligent’ building. The knowledge discovery process is illustrated and explained through this case study. Additionally, we discuss the importance of this case study in the context of a research effort to develop an interactive guide for the knowledge discovery process.     

Knowledge Discovery from Decision Tables by the Use of Multiple-Valued Logic

This paper describes how succinct rules, which reduce the size of decision tables, can be found by employing multiple-valued logic (MVL). Two multiple-valued algebras are described, one based on level detection, and the other on literal functions. Then a decision table which had also been reduced in size using rough set theory, is now reduced using both algebras and it is seen that all three approaches lead to reductions of comparable simplicity. The new methods require coding the values of each attribute as integers. Then an MVL function that maps the coding of the condition attributes to the coding of the decision attribute is found. As the coded table is sparse only some of the basis functions for each algebra are required. Then a simple approach requiring the reduction of a matrix to row echelon form is used to finding all suitable MVL functions. By decomposing a function in terms of its variables a complete set of rules can be found. The MVL function encodes the data in a very compact form and its decomposition into subfunctions reveals a good way to slice up the table into subtables. The structure of the subfunctions can then be used to simplify each subtable until compact sets of rules emerge. Alternatively, rules can be found by substitution into the MVL function. Encoding a decision table using MVL makes the data easy to manipulate and can uncover relationships that may not become apparent when using other methods.     

外逆P-信息智能融合与它的属性析取特征-应用

逆P-集合是由内逆P-集合F与外逆P-集合构成的元素集合对,或者()是逆P-集合。逆P-集合具有动态特性。利用外逆P-集合与外逆P-推理,给出外逆P-信息智能融合生成、外逆P-信息智能融合冗余生成与外逆P-信息智能融合度量。给出外逆P-信息智能融合定理。给出外逆P-信息智能融合依赖定理与外逆P-信息智能融合还原定理、外逆P-信息智能融合的属性析取特征与属性析取收缩定理、属性析取收缩-未知外逆P-信息智能融合发现原理以及这些理论结果的应用。逆P-集合是研究另一类动态信息应用的新理论,新方法;另一类动态信息具有属性析取特征。     

基于联合属性重要度的决策风险最小化属性约简

经典粗糙集属性约简基本都是保持正域、负域和边界域不变,而决策粗糙集对属性的增减过程不具备单调性,因此不可能同时保持3个区域均不变。在决策粗糙集模型中,作出决策更应该考虑风险最小化原则,因此提出一种改进的风险最小化属性约简方法,在属性的选取过程中同时考虑所选取的属性子集对决策的划分能力,即联合属性重要度以及风险最小化。实验证明所提方法是有效的。