基于粗集理论的决策表知识获取方法研究

对决策表各条件分类和决策分类集合之间的关系进行了研究,提出了直接从各分类中计算决策表核及属性约简方法：依据属性约简,创建了一个多变量决策树;在此基础上,阐述了提取决策表中蕴含规则的方法,从而省去了在约简后的决策表中计算值约简步骤;通过实例,验证了这些方法的有效性。     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。     

粗集理论在图像特征选择中的应用

粗集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法，与进化算法、神经元网络和模糊方法等一样，是具有发展潜力的智能信息处理方法。本文采用粗集理论知识约简的思想，提出了一种图像特征选择的算法，该算法不仅能够找出有效特征集、降低图像特征空间的维数、减少图像分类的工作量，而且提高了分类识别率。由于粗庥只处理定性数据或概念类的对象，需要进行数据离散化归一化，故本文又利用Kohonen网络，提出了一种属性值的离散化算法。实验结果证明，上述两种算法是有效的和实用的。     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

基于粗集理论的多属性决策分析

针对多人多属性决策问题中多个决策者对同一类对象决策结果不一致的问题,通过对多属性群决策问题的描述,首次提出将不同决策者的不一致决策对象进行合并分析,得到更加直观明确的规则.对规则集进行构成分析,从而解释决策者之间的冲突所在.     

基于可变精度粗集理论的规则挖掘模型

文章把可变精度粗集理论应用于一个判断地区综合发展程度的系统,利用可变精度粗集理论中的口一约简算法对系统属性进行简化,并对系统的数据进行挖掘,导出隐含在其中的规则,归纳出来的规则既简单又合理,大大简化了原始数据集,以更少的指标表达了同样的知识,同时还实现了抗噪音的干扰。     

基于粗集理论的压缩机故障诊断方法研究

论述了将粗集理论应用于压缩机故障诊断的方法。利用粗集理论在处理大数据集、消除冗余信息等方面的优势,减少了训练数据的冗余。运用这一方法对齐鲁石化塑料厂的运行数据进行了约简,去除不必要的属性,得出了诊断的决策规则。     

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。     

一种基于粗集理论的属性约简改进算法

利用粗集理论中属性的依赖度和重要度性质,提出一种对数据属性进行约简的改进算法,对该算法进行分析,并运用一个简单的例子对该算法的有效性进行验证。     

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。     

粗糙集中的知识熵

从信息熵的角度对粗糙集理论进行研究，用熵理论的方法来讨论粗糙集中的一些基本概念，并从粗糙集的角度证明知识熵的一些性质，在知识熵与粗糙集理论之间建立映射关系，为寻找高效的决策规则建立了知识熵的基础。     

基于粗糙集的非监督快速属性选择算法

针对"大数据"中常见的大规模无监督数据集中特征选择速度难以满足实际应用要求的问题,在经典粗糙集绝对约简增量式算法的基础上提出了一种快速的属性选择算法。首先,将大规模数据集看作一个随机到来的对象序列,并初始化候选约简为空集;然后每次都从大规模数据集中无放回地随机抽取一个对象,并且每次都判断使用当前候选约简能否区分这一对象和当前对象集中所有应当区分的对象,并将该对象放入到当前对象集中,如果不能区分则向候选约简中添加合适的属性;最后,如果连续I次都没有发现无法区分的对象,那么将候选约简作为大规模数据集的约简。在5个非监督大规模数据集上的实验表明,所求得的约简能够区分95%以上的对象对,并且求取该约简所需的时间不到基于区分矩阵的算法和增量式约简算法的1%;在文本主题挖掘的实验中,使用约简后的数据集挖掘出的文本主题同原始数据集挖掘出的主题基本一致。两组实验结果表明该方法能够有效快速对大规模数据集进行属性选择。     

粗糙集用于舌色分析的研究

舌诊是中医四诊中望诊的重要内容,已有的舌色苔色分析方法在识别颜色特征空间互相重叠和不精确样本时效果欠佳。利用粗糙集在处理不完备信息方面的优势,首次将粗糙集理论用于舌色苔色分析中。采用量化的方法以减少颜色属性值;提出了一种按独立属性个数递增顺序进行约简的方法以及一种对待测样本在上、下近似集分别打分的综合分类识别算法,实验结果证明了该文方法的有效性。     

面向集合论的灰度定义及灰色粗糙集模型建立

将某一对象属于或不属于某一类别的不确定性程度视为灰度,提出一种面向集合论的灰度定义与灰数分级方法;在此基础上建立灰色粗糙集模型,讨论了其中的一些集合理论性质;最后给出了一个说明该方法的实例.研究结果表明,提出的方法能够清晰地说明对象可正确分类的确定性程度,合理地解释灰数的级别,构建的灰色粗糙集模型可用于从不协调决策表中获取不同清晰度的规则集.     

基于粗糙集的柴油机故障诊断系统设计

利用基于粗糙集的知识约简和决策规则提取算法,将柴油机故障信息值进行约简,求出其决策规则,完成柴油机的故障信息条件属性值约简和决策规则提取程序设计.采用正向推理及相关控制策略实现推理机,完成故障诊断系统的诊断推理操作.基于粗糙集的属性约简和决策规则提取十分有效,大大减少了推理的时间,提高了系统的工作效率.     

改进的粗糙集属性重要度

粗糙集理论知识库的属性重要度,体现的是去掉某个或某些属性前后的知识库分类变化的程度。对现有粗糙集理论的属性重要度确立方法的不足,充分考虑条件属性对决策的直接和间接的影响,提出一种新的基于粗糙集属性依赖度的属性重要度确定方法。此外,针对原有属性重要度与改进重要度的差别,讨论改进的属性重要度的意义,并证明改进的属性重要度更加可信。最后,利用改进的方法对机械故障属性重要度进行仿真;对比原有属性重要度的数据,改进方法获得的数据不但更符合属性约简结果,并且具有更大区分度,十分有利于决策者快速做出判断。     

基于粗糙集理论的面向个性化知识发现算法

在基于粗糙集理论的数据处理与决策分析的基础上,从实际应用的角度出发,提出了面向个性化知识发现的启发式算法。从理论上证明了算法的正确性,给出了面向个性化的知识获取算法的描述,分析了算法的性能。算法的关键在于规则合成的方法和可信度、覆盖度和规则强度计算的方法。通过例子说明了算法的有效性和实用性。     

个性化决策规则获取算法及规则表示

提出了一种基于粗糙集理论的面向个性化知识的决策规则获取算法。从理论上证明了算法的正确性,给出了面向个性化的知识获取算法的描述。算法的重点在于规则合成的方法和可信度、覆盖度和规则强度计算的方法。最后通过例子说明了算法的有效性和实用性。     

Classification and rule induction using rough set theory

Rough set theory (RST) offers an interesting and novel approach both to the generation of rules for use in expert systems and to the traditional statistical task of classification. The method is based on a novel classification metric, implemented as upper and lower approximations of a set and more generally in terms of positive, negative and boundary regions. Classification accuracy, which may be set by the decision maker, is measured in terms of conditional probabilities for equivalence classes, and the method involves a search for subsets of attributes (called 'reducts') which do not require a loss of classification quality. To illustrate the technique, RST is employed within a state level comparison of education expenditure in the USA.