基于粗集神经网络的分类方法

数据挖掘是近年来发展快速的信息处理新技术,如何有效地从高维的、超大规模数据中提取隐藏的有用信息,是该领域的研究核心。针对海量数据的挖掘分类问题,将粗集和神经网络紧密结合建立一种新的高效数据挖掘模型,即利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,然后,利用性能优良的模糊kohonen 聚类神经网络进行聚类分析,最后形成分类规则。该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验证明模型具有很好的分类效率,且有较高的精确性。     

知识库集成维护方法研究

本文首先回顾了国内外近期的知识库维护思想和方法，进而提出在面向对象知识库组织形式下，用规则关系树进行规则一致性，完整性检查的算法，并采用实例效验的方法，从语义上进行全局维护，此方法已经在８６３课题中得到初步应用。     

基于变精度粗集的分类方法

基于差别矩阵的约简算法简单、计算量小,但是传统的差别矩阵不能处理噪声数据。为提高差别矩阵的适用范围,提出一种能够容忍数据中包含噪声的变精度差别矩阵,并给出改进的基于条件属性偏序关系的约简算法。最后,将这一方法用于对多类图像的分类过程中,将分类结果与BP网络的分类结果和基于传统Skowron差别矩阵方法的分类结果相比较表明这种分类方法具有较好的结果。     

基于粗集理论的知识含量度量研究

知识库中知识含量度量是知识处理领域中的基础问题．现有的度量方式都是采用相对度量或信息熵的方式,度量结果具有相对性,并且不易体现知识本质在于分类的特性．根据知识库在结构上的差异程度,将知识库的相似性关系定义为等价、等构、等势3种关系．在这3种关系的基础上,提出了用于度量知识库中知识含量的测度所需要遵循的4条准则．并基于此4条准则对基于信息熵的度量Hent的正确性进行了证明,最后还提出了一种基于分类的度量方式Hdis．以上工作进一步深入描述了知识的本质及其度量方式的内涵,有助于人们在此基础上构造新的知识处理算法．     

基于粗集理论的决策支持系统研究

粗集作为一种数据分析方法,能有效地从不精确的、不完整的数据中发现知识。决策支持系统涉及到对不确定因素和对不完备信息的处理。应用粗集理论可以在决策支持系统中对不完备数据进行分析、推理,提取有用特征,简化信息处理,得出肯定结论。     

基于容错粗集理论的知识约简

粗集理论(RoughSetsTheory,RST)在处理不完全、不精确、不确定性智能信息问题等许多领域已取得成功的应用。然而RST理论还存在某些局限性,比如对等价关系的定义使得知识约简相对复杂化。该文提出利用容错粗集犤1犦RST的概念,建立属性值之间的容错关系,用容错关系对对象进行分类。该方法首先采用遗传算法求出属性阈值的最优组合,然后分别建立属性和对象的特殊矩阵,最后求出属性的相对约简和对象的相对商集。采用容错粗集进行知识约简减少了量化的过程,从而提高知识约简的有效性。该文最后提供了一个实例表明该方法是可行的。     

集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能, 提出了基于广义粗集的集成特征选择方法. 为在集成特征选择的同时获取各特征空间中的多类模式可分性信息, 研究并提出了关于多决策表的相对优势决策约简, 给出了关于集成特征选择的集成属性约简 (Ensemble attribute reduction,EAR) 方法, 结合基于知识发现的 KD-DWV 算法进行了高光谱遥感图像植被分类比较实验. 结果表明, EAR 方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.     

基于粗集的规则简化方法

鉴于实际应用中经常能遇到噪音的问题,本文通过对粗集方法的应用研究,提出规则的广义极大化方法,同时还提出了广义极大极小规则转换模型GMM.实验结果表明,采用该模型简化决策树规则既能简化单个规则,又能减少规则的总数量,更能排除数据中噪音的干扰,提高规则的分类精度.     

粗集、S-粗集、函数S-粗集及其关系定理

针对Pawlak粗集理论的现况,着重介绍了S-粗集、函数S-粗集的定义、两种结构及对偶形式,详细讨论了S-粗集与Pawlak粗集之间的关系,函数S-粗集与S-粗集、Pawlak粗集之间的关系。最后给出了S-粗集理论的可应用领域。     

一种基于粗集理论的遗传分类算法

本文提出了一种基于粗集理论的遗传分类算法,该算法可以无需任何辅助信息,只根据数据自身提供的信息对数据进行简化,提取有用的特征,并求得相应的规则.同时,还提出了一种基于属性重要度的分辨矩阵简化方法,该方法可提高对条件属性的约简效率.     

基于免疫算法的粗糙集知识约简

在基于粗糙集理论的知识发现过程中,减小属性约简复杂度问题是重要研究内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识. 通过在知识表达系统中的决策属性支持度来描述由条件属性所提供的知识对整体决策的支持程度, 通过相对重要程度来描述条件属性对决策属性的重要性.然后利用免疫网络机理和约简算法融合,构造免疫网络约简算法,把相对核加入初始种群加快收敛速度.最后,以经典的实例分析表明,该方法是求解知识约简问题的快速有效方法.     

基于粗糙集和遗传算法的数据挖掘方法

运用粗糙集和遗传算法的理论,为大型的数据挖掘提供了一种新的方法。首先通过粗糙集理论对数据进行预处理,然后对属性简约,最后通过遗传算法进行规则提取,寻找最优解。     

基于Rough集和数据库技术的属性约简算法

对核属性的作用,以及求取属性核心的代价等进行了分析,并运用Rough集的理论给出了判定一个属性子集中是否包含属性核心的充要条件.根据这些研究结论对基于粗糙集的属性约简算法进行改进,并利用数据库查询语言实现了算法.实验表明对于大数据集,该算法的效率大大高于一些基于主存的算法,且易于实现.     

基于Rough Set的加权朴素贝叶斯分类算法

朴素贝叶斯算法是一种简单而高效的分类算法,但其条件独立性假设并不符合客观实际,这在某种程度上影响了它的分类性能。加权朴素贝叶斯是对它的一种扩展。基于Rough Set的属性重要性理论,提出了基于Rough Set的加权朴素贝叶斯分类方法,并分别从代数观、信息观及综合代数观和信息观的角度给出了属性权值的求解方法。通过在UCI数据集上的仿真实验,验证了该方法的有效性。     

基于粗糙集属性约简的海洋数据融合算法

研究海洋参数数据检测评价融合问题。在海洋环境监测系统中,由于监测项目繁多,测量数据存在着大量的冗余,使海洋环境的监测准确性差。传统的数据融合算法复杂度较高,难以实时利用,为了消除数据冗余性,针对钦州湾海洋数据的特点,提出了一种粗糙集的属性约简改进算法。结合贪心算法和遗传算法,在编码、交叉、变异、选择方面做了改进,能生成属性个数较少的约简,提高算法效率。通过钦州湾海洋数据融合实例,提出的算法可有效挖掘钦州湾海洋数据间的关联性,通过实验,结果表明了算法的有效性,为海洋环境监测及后续处理提供有力的决策依据。     

基于粗糙集理论的文本分类算法研究

文本分类是中文信息处理的重要研究领域。给文本分配一个或多个不同的类别,可提高文本检索和存储的处理效率。粗糙集是一种不需要任何先验信息的分类方法,通过对文本分词、过滤掉停用词之后把剩余的词语作为特征项,然后把文本用向量空间模型表示出来,将文本集转化成不带决策属性的信息系统,用粗糙集理论中核心内容属性约简实现对文本的分类。实验表明,该方法的查准率和查全率都有所提高。     

基于粗糙集理论和覆盖算法的模式分类方法

引言模式分类是模式识别和人工智能研究最基本也是最重要的课题之一。现实世界事物纷繁复杂,尤其是海量数据库、互     

基于Rough Set的电子邮件分类系统

随着电子邮件的广泛使用,通过它进行不良信息传播的事件不断发生,电子邮件分类问题成为了网络安全研究的热点。本文通过对电子邮件头进行分析,运用Rough Set理论中相关的数据分析技术,建立了电子邮件分类系统的模型,并进行了实验测试,得到了满意的结果。     

基于Rough集的交叉覆盖算法设计

1.引言人工神经网络因其特有的信息处理能力和独到的解算能力取得了长足的发展,引起各方面的广泛关注,当前已经有许多人工神经网络模型在视觉、语言、信号处理、自动控制、函数逼近、金融证券等领域获得成功的应用,但诸如BP网络等模型也存在一些带有共性的缺点,比如:学习和训练时间很长、学习收敛性很难保证。文[2]根据神经元的几何意义提出的