粗糙集约简的神经网络遥感分类应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。但是该方法不能降低维数、时间开销大,针对这些不足提出一种基于粗糙集约简的神经网络方法。本文对RapidEye影像进行分析并提取纹理特征,利用粗糙集理论对纹理特征与光谱特征属性进行约简,得到的约简属性作为输入属性,利用神经网络法对影像分类。结果表明该方法具有较好的分类精度。     

基于IGA优化WNN的产品质量建模方法

针对某轧钢厂的热连轧产品质量生产过程,对遗传算法（GA）的交叉和变异操作进行改进,给出了基于改进的遗传算法（IGA）优化小波神经网络（WNN）结构的产品质量建模方法。仿真实例表明：该建模方法既保留了GA的全局搜索能力和WNN学习算法简单有效的特点,又具有网络训练速度快、建模精度高等优点,表明了该方法的有效性。     

基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

基于粗糙集约简的特征选择神经网络集成技术

为了提升集成网络的泛化性能,在Boosting或Bagging算法对样本进行扰动的基础上,通过粗糙集约简实现特征属性选择,将样本扰动和输入属性扰动结合起来,提出了Rough_Boosting和Rough_Bagging算法.该算法通过生成精确度高且差异度大的个体网络,提高了集成的泛化能力.实验结果表明,该算法泛化能力明显优于Boosting和Bagging算法,且生成的个体网络差异度更大,与同类算法相比,具有相近或相当的性能.     

基于群体智能算法的粗糙集约简方法研究

随着粗糙集理论的应用越来越广泛,寻找一个适当的方法进行粗糙集约简已成为一个关键问题,同时这也成为研究粗糙集理论的瓶颈。粒子群优化算法（PSO）起源对简单社会系统的模拟,对解决这个问题具有特别的优势。同时该文用遗传算法（GA）来评价提出来的粒子群优化的成效,结果发现,在解决某些粗糙集约简问题上,PSO更具优势。     

基于群体智能算法的粗糙集约简方法研究

随着粗糙集理论的应用越来越广泛,寻找一个适当的方法进行粗糙集约简已成为一个关键问题,同时这也成为研究粗糙集理论的瓶颈。粒子群优化算法(PSO)起源对简单社会系统的模拟,对解决这个问题具有特别的优势。同时该文用遗传算法(GA)来评价提出来的粒子群优化的成效,结果发现,在解决某些粗糙集约简问题上,PSO更具优势。     

基于粗糙集约简的决策林构建方法

针对如何提高决策林的分类精度问题,提出一种基于粗糙集约简构建决策林的技术,包括基于逐次数据约筒构建粗糙决策林和基于遗传算法构建粗糙决策林。对3个UCI数据集的验证表明,基于遗传算法构建的粗糙决策林获得了更好的分类效果。     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时间开销少,计算复杂性低,具有满意的分类性能。     

基于图表法的粗糙集约简

在文[1]由差别矩阵计算信息系统核的基础上得到未定差别项组,提出了基于表格因子图的图解法。利用该方法能准确地求出信息系统中所有的最小子集,且计算量少于由定义来约简。举例说明了该方法的有效性。     

基于差别信息树的rough set 属性约简算法

差别矩阵为粗糙集属性约简提供了很好的思路, 但差别矩阵中存在冗余的重复和父集元素. 为了消除这些冗余元素, 提出一棵有序树: 差别信息树, 该树能消除差别矩阵中的重复元素, 同时在大多数情况下也能完全消除父集元素, 实现对差别矩阵中非空元素的压缩存储. 为了验证差别信息树的有效性, 提出一种属性约简完备算法, 并使该算法的时间复杂度降为??(∣??∣∣??∣²).

     

基于双重粒化准则的邻域多粒度粗糙集模型

为了从多粒度、多层次的角度有效处理名义型属性和数值型属性并存的混合数据, 首先基于不同的属性集序列和不同的邻域半径构建双重粒化准则, 建立基于双重粒化准则的邻域多粒度粗糙集模型; 然后给出该模型的相关性质, 提出该模型下的属性约简算法, 约简结果可以根据实际问题的需要灵活选择合适的属性集和邻域半径. 实例分析验证了所提出模型和算法的有效性.

     

基于粗糙集理论的ERP 系统实施风险控制指标属性约简

现有企业资源计划((ERP)系统实施风险评价指标体系的主观性较强.存在冗余现象,缺乏合理的建立依据.对此,通过引入粗糙集理论中的属性约简法,结合15家己实施ERP系统的企业实例,对ERP系统实施风险控制指标进行属性约简.结果表明,粗糙集属性约简理论在ERP系统实施风险控制指标体系约简中的应用是有效的,并得出了包含人力资源管理、企业建模、项目管理等7项重要风险因素.     

基于粗糙集的犹豫模糊多属性决策方法

针对属性值为犹豫模糊元的决策问题,提出一种基于粗糙集理论的多属性决策方法.首先,依据属性值与理想点的贴近度和给定的阀值得到判断矩阵;然后,根据判断矩阵对属性集进行约简,确定属性权重;最后,基于TOPSIS思想,计算各方案与理想点的综合贴近度,得到方案的优劣次序,并通过算例分析表明了该方法的有效性.     

基于置信优势关系粗糙集的近似集动态更新方法

置信优势关系粗糙集是处理不完备有序信息的重要模型, 上、下近似集的计算是核心内容之一. 在实际应用中, 属性集通常会发生变化. 根据属性集的增加或减少, 首先讨论置信优势类及劣势类变化情况, 随之给出上、下近似集增量式的变化规律, 提出相应的近似集动态更新方法. 通过Matlab 在UCI 数据集上的实验结果表明, 与非增量式方法相比, 所提出的置信优势关系粗糙集下的上、下近似集的增量式更新方法可行、高效.

     

基于粗糙数的BWM-TOPSIS 多准则群决策方法

多准则群决策是决策领域的研究热点, 如何在信息不确定性和评价主观性背景下选择合适的决策方法则是研究的难点. 为了解决这一问题, 提出一个新的基于粗糙数的多准则群决策方法. 首先, 提出基于粗糙数的最优最劣方法(RBWM) 确定评价准则的权重; 然后, 利用粗糙数改进的逼近理想解排序法(RTOPSIS) 评价备选方案并做出最优决策; 最后, 利用一个实例对所提出的群决策方法进行应用和灵敏度分析, 并与其他决策方法进行对比分析, 验证了所提出方法的有效性和准确性.

     

信息观下基于不一致邻域矩阵的属性约简

信息观下研究邻域决策系统的属性约简是一种新颖的思路. 通过分析论域下某样本邻域中其他样本与该样本决策属性值的异同, 定义不一致邻域矩阵. 在计算属性重要度时, 利用不一致邻域减少在原条件属性基础上增加一个属性后条件熵的计算时间. 分析得到邻域系统下条件熵与正域的关系, 提出一种信息观下基于不一致邻域矩阵的属性约简算法, 并分析该算法与其他算法的内在联系. 实验结果验证了所提出算法的有效性.

     

粗糙集属性约简的方法

传统粗糙集分类方法过于严格,对噪音过分敏感。针对带不确定因子决策系统,提出一种基于属性依赖度的约简算法,使含不确定信息及数据噪音的系统中的属性得以简化,找到一种具有广泛表达能力的数据隐含格式,删去冗余的规则,并保持系统的原有用途和性能。通过一个例子实现了该算法。     

基于邻域组合测度的属性约简方法

属性约简是机器学习和知识发现的研究热点, 而属性重要性度量则是构建属性约简算法的关键环节. 针对不完备的混合型信息系统, 在邻域关系下定义了一种新的属性集成重要性度量—–邻域组合测度, 并据此提出一种基于邻域组合测度的属性约简(NCMAR) 算法. 通过多个UCI 数据集上的实验表明, NCMAR算法不仅能够直接处理符号和数值属性共存的混合信息系统, 而且适用于不完备信息系统, 在获得较小约简结果的同时, 能够保证较高的分类精度.

     

基于置信优势关系的粗糙集近似模型

不完备有序信息处理是现实生活中的常见问题. 多种拓展优势关系及其粗糙集模型被提出并用于解决不完全的偏好决策问题, 但均未考虑序关系特性, 与现实语义存在矛盾. 对此, 提出一种置信优势关系及其粗糙集近似模型, 讨论了基于置信优势关系的粗糙集模型与已有模型的关系. 与现有的拓展关系相比, 该置信优势关系满足序关系特性, 避免了语义上的矛盾. 定理证明和实例分析表明, 置信优势关系粗糙集近似模型的近似精度和分类精度更优.