粗决策树动态规则提取算法研究及应用

针对静态算法对大数据和增量数据处理不足的问题,构造了基于粗决策树的动态规则提取算法,并将其应用于旋转机械故障诊断中.将粗集与决策树结合,用增量方式实现样本抽取;经过动态约简、决策树构造、规则提取与选择、匹配4个步骤的循环迭代过程,实现了数据的动态规则提取,使得提取的规则具有更高的可信度;同时,将算法应用于旋转机械故障诊断这一动态问题中,验证了算法的有效性;最后,将所提算法分别与静态算法和增量式动态算法进行了效率对比分析,实验结果表明,所提算法能够以最精简的规则获得更多数据隐含信息.     

动态粗集理论在K-均值聚类中的应用

基于动态粗集理论,提出了一种改进的动态粗集K-均值算法。改进后的算法依据数据对象的迁移系数大小,被划分到某一类的膨胀上近似集或膨胀下近似集;在计算类的质心时采用其中数据对象集的迁移系数的平均值作为权值来衡量它对质心的贡献。在UCI机器学习数据库原始数据集及其噪音数据集上的实验结果表明,改进后的动态粗集K-均值算法提高了聚类的准确性,降低了迭代次数。     

基于粗集和距离函数的决策树构造方法

决策树是一种有效用于分类的数据挖掘方法.在决策树构造算法中,粗集理论的相对核已被应用于解决多变量检验中属性的选择问题.考虑到决策树技术和粗集的优缺点,将二者结合起来,先对每个结点包含的属性个数加以限制,再用属性相关度和De Mantaras距离函数选择相关的属性组合作为属性选择的标准,给出一种新的构造算法.该算法的优点是能有效降低树的高度,而且增强了分类规则的可读性.     

粗集结合决策树的一种数据挖掘算法

决策树是一种重要的数据挖掘方法,本文将决策树的基本建树思想ID3算法与对象决策属性化简的粗集理论相结合,得到一种新型的决策树建树方法。通过实例证明了该方法的效率有所提高,使挖掘的效果更简单、更容易理解。     

基于粗集的决策树构建的探讨

决策树是对未知数据进行分类预测的一种方法。自顶向下的决策树生成算法关键是对结点属性值的选择。近似精度是RS中描述信息系统模糊程度的参量,能够准确地刻画粗集。文中在典型的ID3算法的基础上提出了基于RS的算法。该算法基于近似精度大的属性选择根结点,分支由分类产生。该算法计算简单,且分类使决策树和粗集更易理解。     

基于粗集的决策树构建的探讨

决策树是对未知数据进行分类预测的一种方法。自顶向下的决策树生成算法关键是对结点属性值的选择。近似精度是RS中描述信息系统模糊程度的参量，能够准确地刻画粗集。文中在典型的ID3算法的基础上提出了基于RS的算法。该算法基于近似精度大的属性选择根结点，分支由分类产生。该算法计算简单，且分类使决策树和粗集更易理解。     

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。     

基于粗集理论和支持向量机的动态预测新方法及应用

基于粗集的属性约简理论和SVM回归思想 ,提出了一种内嵌属性约简策略的SVM动态预测方法 (RS -SVM) ,并用于回转窑烧结带温度测量。该方法首先利用属性约简理论精选出与烧结带温度有重要关联的传感器信号 ,再利用SVM建立这些传感器信号与烧结带温度之间的非线性映射模型 ,并不断地跟踪预测误差动态修正SVM预测模型 ,从而提高了系统的抗干扰性能和容错能力。通过与直接SVM方法进行比较的实验 ,说明了此方法在回转窑烧结带温度预测的优越性。     

基于S-粗集的反辐射导弹识别算法研究

针对具有动态特征的信息系统,在S-粗集属性迁移理论基础上,给出了S-粗集上的区分矩阵,提出了一种基于S-粗集区分矩阵的属性约简算法.该算法弥补了Z.Pawlak粗集理论对于动态系统知识发现的局限,通过属性迁移对不完备的信息系统进行动态扩展.约简后生成的规则简单准确.本文的算法具有理论与应用的一般性、广泛性,对于现代战场中的删识别,更显示出了极强的优越性.     

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。     

一种新的基于粗糙集构造决策树的方法

单变量决策树算法生成的决策树具有规模庞大、规则复杂且不易理解的不足.采用粗糙集相对核、加权粗糙度的概念和类别因子相结合的方法,提出一种新的决策树生成算法.对于即将生长的节点,若节点样本的类别因子大于给定阈值,则停止生长该节点,如此就有效地避免了划分过细的问题.通过实验说明,该算法比传统的ID3算法生成的决策树更简单、更易于理解、抗噪声能力更强.     

基于Rough Set的最小决策算法的研究

在决策表中，每一行对应了一条决策规则，介并非所有的条件属性对该决策都起作用，所以要进行决策规则的简化，简化后的规则集中仍可能会含有可以去掉而又不影响决策制定过程的冗余规则，找到最小规则集，能去掉所有的冗余信息信息，达到最简化目的，因而最小决策算法的研究很有意义，文中提出一种算法，可在不求得核值表的情况下，直接找到各规则的最小前提条件属性集，获得最小决策算法。     

判定树算法在计算机取证中的应用

随着网络犯罪的日益猖獗,计算机取证正逐步成为人们研究与关注的焦点.为了能从海量的可疑数据中发现证据,数据挖掘技术的参与必不可少.首先介绍了在计算机取证中比较常用的数据挖掘分类分析方法,然后介绍其在计算机取证原型系统中的实现和应用,最后给出了进一步研究的方向:多样证据的提取及其之间的关联.     

一种基于粗糙集理论的决策树构造方法

采用粗糙集理论中的属性重要度作为挑选测试属性的指标来构造决策树,形成了一种新的决策树分类算法S_D_Tree,在计算挑选测试属性的时间复杂度为O(|C||n|)。实验结果表明,该算法可以构建一个较简洁的决策树,与C4.5算法相比较,具有更好的预测准确率。     

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。     

基于粗糙集方法的水泥原材料选材算法研究

将粗糙集理论引入到水泥原材料的选材工作中,提出的方法以决策表作为主要工具,直接从实验样本集中导出选材规则,并揭示了选材实验数据信息的内在冗余性,通过例子表明了算法结果的有效性。     

一种基于粗糙集的属性值约简方法

利用矩阵的可操作性等优点,将决策表中的知识通过区分矩阵反映出来,对决策表的值约简操作转换为对矩阵的运算.提出基于区分矩阵的一些重要性质及在此基础上的属性值约简方法,最后通过实验和实例验证了该算法是有效可行的.     

基于粗糙集理论和构造型神经网络的分类算法研究

提出将Rough集理论与构造型神经网络覆盖算法相结合,用Rough集理论提取保持信息完整的最小属性集后构造覆盖网络,提高了覆盖算法的泛化能力,而对于属性不完备信息系统进行粒度处理后再构造覆盖网络,能解决覆盖算法对不完备信息系统的分类.实验结果表明该算法能提高覆盖算法的应用范围和对不完备信息系统的知识发现.     

决策树算法中属性缺失值的研究

如何解决在创建决策树时出现缺失值是决策树算法在规则提取方面的一个重要难题.讨论了决策树分类算法的基本原理后,对于数据集的数据不完整进行了分析,并给出了缺失值的具体解决方法.在创建决策树的过程中对缺失值进行填充时提出了填充缺失值的解决算法.     

一种基于Rough集理论的数据过滤方法

Ｒｏｕｔｈ集理论是一种处理不确定模糊知识的重要工具,在对Ｒｏｕｇｈ集理论进行深入研究的基础上,提出了一种基于Ｒｏｕｇｈ集理论的这滤算法。该处 工硒思想是基于Ｐ－确定的等价类的合并,算法直观,计算简便,理论和实验表明,该算法能够减低信息系统中信息的粒度,在保持规则近似质量不变的前提下,有效地提高规则的统计意义和预测强度。