一种基于粗糙—模糊集理论的知识获取方法

该文提出了一种基于粗糙-模糊集理论的知识获取方法,该方法将粗糙集理论与模糊集理论相结合,先利用模糊集理论对决策表的连续属性进行模糊化,通过构建模糊相似矩阵进而划分论域;再利用粗糙模糊集理论进行属性约简,从而获取决策规则。最后,通过实例验证了该方法的有效性和实用性。     

一种基于关联规则挖掘的粗糙集约简算法

针对粗糙集理论中的约简这个重要问题进行了研究,引入关联规则挖掘中的支持度和置信度概念,提出一种基于关联规则挖掘算法思想的约简算法,从而得到更有效的约简。     

一种基于粗糙集理论的规则提取方法

规则提取是实现智能信息系统的重要环节,也是一个难点。针对信息系统中的规则提取问题,提出了一种基于粗糙集的研究方法,并对规则提取涉及到的属性约简、属性值约简等问题进行了研究。根据粗糙集中的不可分辨关系建立了可辫识向量,以利用可辨识向量的加法法则运算求得核属性以及属性重要性,然后以核属性为基础、属性重要性为启发信息,求得信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值来完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效、可行的。     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

一种基于粗糙2模糊集集成模型的决策分析方法

针对信息系统为连续属性的情况，提出一种将粗糙集与模糊集相结合来获取决策规则的方法，这种基于粗糙—模糊集集成模型求取决策规则的方法通过一个模糊隶属函数将连续属性值表示成模糊值，从而避免了连续属性的离散化问题，同时给出了连续属性值转换成模糊值的表示形式，提出了模糊相似关系和模糊相似类的概念，给出了粗糙—模糊近似空间的下、上近似及其性质以及模糊相似关系下属性约简的方法，最后以自修复飞行控制系统的效能评估为例，给出了自修复效能评估的决策规则。     

一种基于粗糙集理论的文本分类方法

在网络这个庞大的虚拟图书馆中，占信息比重最大的文本数据却缺乏结构化、组织化的规整性，大大降低了网络文本信息的利用效率，而文本的自动分类技术则能降低网络的查询时间，提高网络搜索质量。文章提出了一种基于粗糙集理论的文本分类方法。     

基于粗糙集和模糊集的属性约简算法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论,两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠,但两者的着眼点和计算方法是不一样的,因此不能相互替代,而是必须结合起来使用。本文在研究粗糙集和模糊集理论的基础上将两者相结合,提出了一个新的属性约简算法,并给出了一个应用实例。     

关联规则挖掘在教师成长中的应用

本文在对数据挖掘相关技术、关联规则挖掘算法进行深入研究的基础上,归纳总结了基于粗糙集理论的关联规则挖掘模型和属性约简算法,并将其应用于高校教师的成长中。     

基于覆盖的粗糙模糊集模型研究

在研究覆盖粗糙集模型中,发现对覆盖粗糙集上近似的定义并不一致．简述了各个模型的区别,并在一个较合理的覆盖粗糙集上近似定义上,结合覆盖约简理论,重新定义了基于覆盖的粗糙集模型。讨论了它的一些性质．另外,将模型进行推广,定义了基于覆盖的粗糙模糊集模型,证明了它具有一些较好的性质。     

一种基于粗糙集和神经规则法的数据挖掘新方法

确立了结合粗糙集理论和神经规则法进行数据挖掘的方法.首先通过粗糙集对需要挖掘的数据进行预处理,实现属性的约简,然后应用神经规则法进行网络剪枝和规则提取.通过实例计算表明,在结果置信度降低不多的情况下,可以得到简单明确的关联规则,并有效地提高数据挖掘的效率.     

基于粗糙集的不完全相容的关联规则挖掘

设定结论域对于关联规则的挖掘具有重要意义,文章提出一种带结论域不完全相容的关联规则挖掘模型,采用将决策表分解为完全相容与完全不相容的决策表,通过条件属性约简和规则约简,实现关联规则的极小化。     

基于粗糙集理论的关联规则挖掘模型

提出了一个基于粗糙集理论的关联规则挖掘模型。介绍了该规则挖掘模型的主要步骤，模型中应用了属性约简和规则约简技术，并给出了该两个技术的算法。     

基于粗糙集的网络安全评估规则提取

给出了基于粗糙集的网络安全评估指标的约简方法。提出了一种利用粗糙集理论提取网络安全评估规则,进而利 用评估规则构建网络安全评估决策系统的算法。利用一个简化的网络安全评估数据集,验证了本文提出的决策规则提取 方法是有效的。     

基于Rough Set带结论域的关联规则挖掘

论文构建了一种基于RoughSet(RS)带结论域的强关联规则挖掘模型,采用约简决策表和改进的Apriori算法来挖掘关联规则,提高了关联规则的挖掘效率和挖掘质量,提出并实现了带结论域的关联规则挖掘的解决方案。     

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。     

粗糙集理论在处理不完全信息的应用

对不完全信息的处理相对于完全信息来说是一个比较难的问题。在过去几年里,已经提出了几种处理不完全信息的方法。本文在前人研究的基础上,进一步提出了一种利用粗糙集理论处理不完全信息的方法,该方法不仅能够对不完全信息系统进行属性约简,并且能够在此基础上对最简属性集中包含的不确定信息进行进一步的处理。     

基于粗糙集理论的控制规则提取方法

介绍了粗糙集理论的基本概念 ,重点是依据属性的相对重要性从知识中提取规则的方法 ,然后结合具体的控制实例说明控制规则的提取方法     

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。     

基于粗糙集理论的客户关系管理

粗糙集理论是一种新型的数据挖掘和决策分析方法,利用粗糙集理论进行决策表的知识约简与决策规则挖掘已经成为研究热点。本文介绍了粗糙集的基本理论,通过决策属性支持度定义的条件属性对决策属性重要性的启发式信息,求取决策表的最小约简。并将该方法用于对企业客户进行分类,为客户关系管理的决策支持提供了新的解决方法。     

基于GMM的文本规则挖掘的粗糙集方法研究

领域文本具有结构复杂、相似性高以及动态变化等特点,且存在着连续型与离散型并存的混合数据,这在一定程度上限制了知识发现方法对文本规则的挖掘效率。针对这一问题,该文提出了基于GMM与粗糙集的文本规则挖掘方法。该方法首先根据目标数据的属性类型构造信息表;然后利用高斯混合模型(GMM,Gaussian Mixture Model)聚类算法对连续数据进行聚类划分,依此对数据进行离散化及状态约简,并生成决策表;最后利用粗糙集理论对决策表进行属性约简,通过约简表对决策规则进行提取。实验结果表明: 相比于传统的方法,该文方法拥有更高的抽取精度以及较强的属性约简能力,其信息抽取的平均准确率与F₁值能够达到95.0%和95.7%。