基于粗集的目标识别

阐述了基于粗集理论目标识别的整个过程,通过仿真试验比较两种提取信息表条件属性的性能.在属性约减的基础上,根据对分类器性能的要求,提出属性约减表的性能规则描述.在文章的最后,根据仿真试验中遇到的问题,提出了粗集理论在目标识别中的应用难点.     

基于容差关系的扩展粗集模型中的知识依赖

论文在基于容差关系的扩展粗集模型中,考虑了条件属性子集与决策属性子集间知识依赖和条件属性子集间的知识依赖两种情况,分别给出了这两种情况下知识依赖和部分知识依赖以及依赖度等概念的定义,证明了与这些概念的定义相关的一些重要定理结论,并给出了一些例子加以验证。     

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。     

基于变精度粗集模型变精度值的选取新方法

在现有的变精度粗集模型中,β值大部分都是作为先验知识引入的。基于集合可辨性,利用不相容类的概率分布矩阵,提出计算β阈值的新方法。新方法能快速获得β值,并提出上、下分布约简的有关理论。     

变精度双向S-粗集及其应用

提出基于副集的双向S-粗集,变精度双向S-粗集;给出基于副集的双向S-粗集,变精度双向S-粗集的数学结构;给出变精度双向S-粗集的存在背景和意义解释。变精度双向S-粗集是对双向S-粗集理论的完善和发展。     

基于可变容差关系的变精度粗糙集模型

针对已有不完备信息系统扩展粗糙集模型对噪声鲁棒性差的局限性,首先分析了调节基本知识粒大小的同时引入相对错误分类度的必要性;然后结合系统属性值的缺失定义了对象联系度权值矩阵,并以此为基础提出了基于可变容差关系的变精度粗糙集模型(VPRS-VPTR);接着讨论了模型的性质,分析了模型中相关参数(基本知识粒大小、相对错误分类度)对分类精度的影响,给出了分类精度随模型中相关参数变化的求解算法与时间复杂度分析;最后通过仿真实验与相关研究的扩展粗糙集模型进行对比。仿真结果显示,VPRS-VPTR分类精度更高,而且针对UCI数据库上的几组不完备数据集进行仿真实验的结果还表明,相同参数下各不完备数据集的测试集和训练集分类精度变化趋势相同,进而验证了模型的有效性、灵活性及所提算法的可行性。     

变精度粗集模型在决策树生成过程中的应用

Pawlak粗集模型所描述的分类是完全精确的,而没有某种程度上的近似。在利用Pawlak粗集模型构造决策树的过程中,生成方法会将少数特殊实例特化出来,使生成的决策树过于庞大,从而降低了决策树对未来数据的预测和分类能力。利用变精度粗集模型,对基于Pawlak粗集模型的决策树生成方法进行改进,提出变精度明确区的概念,允许在构造决策树的过程中划入明确区的实例类别存在一定的不一致性,可简化生成的决策树,提高决策树的泛化能力。     

基于限制容差关系的集对粗糙集模型

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具,在人工智能及认知科学等众多领域已经得到了广泛的应用。对于不完备信息系统,目前也有了多种扩充方法,如基于容差关系、基于相似关系和基于限制容差关系等的扩充。但是,这些扩充也都存在一些局限性。本文用集对分析的方法,定义了一个集对α相似限制容差关系,提出了一种基于限制容差关系的集对粗糙集模型。这种模型是限制容差关系的扩充粗糙集模型的推广和改进,既保留了原有扩充模型的优点,又可以通过对相似程度α的调节和控制,在保证这种容差类划分的准确性的同时,增加了其灵活性,更适于大型不完备信息系统的处理。     

双精度容差关系决策粗糙集及其属性约简

决策粗糙集理论是经典粗糙集理论结合贝叶斯理论拓展而来。为在不完备区间值信息系统下研究决策粗糙集理论,本文首先提出属性相似度的概念,并基于属性相似度定义了双精度容差关系。然后,基于双精度容差关系,结合贝叶斯最小风险决策原则建立不完备区间值信息系统下决策粗糙集模型。针对该模型,对不确定性度量进行修正并基于修正的不确定性度量对该模型的属性约简进行研究。最后提出属性约简算法并应用于目标识别实例。     

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。     

基于广义变精度粗糙模糊集模型的知识发现

介绍了广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型,找出了它们的不足.基于支集相对错误分类率及误差参数β(0≤β＜0.5),提出了广义变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与广义Pawlak's粗糙集模型、广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性.     

基于数据库系统的可变精度粗糙集模型

本文将粗糙集理论与关系数据库系统结合起来,使数据库的关系运算运用于粗糙集的集合操作,提出了基于SQL求可变精度粗糙集模型的近似核和近似约简的方法。由于数据库管理系统具有存取效率高,存储空间的利用率高,适合大规模数据的存储等优点,因此与普通文件的数据挖掘相比,基于SQL的可变精度粗糙集模型对于大规模数据库的处理更有效。     

连续值属性决策表中的可变精度粗糙集模型及属性约简

属性约简是粗糙集理论研究的一个核心问题.为了有效地处理决策表中连续值属性约简,提出了连续值属性决策表中的可变精度粗糙集模型以及基于此模型的连续值属性约简算法.仿真实验结果表明,该算法可以对连续值属性进行约简,而且比经典粗糙集相关方法在处理连续值属性约简方面更有效.     

基于包含度的变精度模糊粗糙集

利用模糊集的一个强包含度,在弱模糊划分的基础上建立了基于该包含度的变精度模糊粗糙集模型,对其重要性质进行了深入研究,并给出了对应形式粗糙度的计算方法,进一步利用海明距离和欧几里得距离定义了该模型下模糊粗糙集的两个粗糙性度量。给出的变精度模糊粗糙集模型能够使模糊粗糙集的运算按照模糊集的运算实现,为变精度模糊粗糙集理论的研究和应用莫定了一定的理论基础。     

广义变精度粗糙集模型中近似算子研究

定义了多数包含关系;借助引入的误差参数β（0≤β〈0．5）,提出了基于后继邻域的广义变精度粗糙集模型的β上近似aprβX、β下近似aprβX、β边界bnrβX和β负域negrβX的定义;详细讨论了β上、下近似算子aprβX与aprβX的性质;从对偶性角度出发推广了β上近似、β下近似算子aprβX与aprβX,得到了两对对偶的上、下近似算子aprβX与aprβX和aprβX与aprβX;最后全面讨论了推广后的两对上、下近似算子APRβX与aprβX和aprβX与aprβX的性质,详细分析了它们同广义变精度粗糙集模型中上、下近似算子aprβX与aprβX和一般关系下的变精度粗糙集模型中上、下近似算子RβX与RβX的关系。     

在VPRS模型中保持边界的属性约简方法研究

讨论了变精度粗糙集模型中现有的属性约简方法,找出了β约简的不足;介绍了Inuiguchi提出的保持决策类下近似,上近似,边界和无法预言区的属性约简定义;说明了保持下近似的属性约简就是β下分布约简,保持上近似属性约简就是口上分布约简;提出了变粗度粗糙集模型中基于边界的属性约简方法,并从理论上证明了它的正确性;最后,给出了该种方法的实现算法。经实例证明,该方法操作简单,具有很高的应用价值。     

数据驱动的可变精度粗糙集噪音阈值获取方法

可变精度粗糙集理论是经典粗糙集理论的一种扩展理论。它通过引入噪音阈值β,增强了对噪音数据的适应性。然而噪音阂值口多是人为设定,这要求有一定先验知识。提出一种方法,完成了数据驱动的噪音阈值β的自主式获取。仿真实验结果表明,按照此方法获取的噪音阂值β能够提高可变精度粗糙集理论获取知识的性能。     

可变精度粗糙集β值的增量计算

目前对于可变精度粗糙集中变精度参数β计算的研究,主要集中在非增量方面.当处理大量数据时,需要能够动态计算的方法,本文提出了一种增量计算β值的方法ICObeta.该方法以分类质量作为确定性度量的标准,以最大确定性度量为目标,来选取合适的β值.ICObeta相比于非增量的方法,具有动态增量和计算开销显著降低的优点,并通过实验证实了增量计算的优点.     

改进的变精度粗糙集在概念格构造中的应用研究

根据可变精度粗糙集的R-上、下分布约简算法的优势,结合概念格形式背景的特点,将二者有机地结合,提出了基于变精度粗糙集的概念格约减算法。分析了变精度粗糙集模型中的R值的选取算法、可辨识矩阵属性约简,以及传统算法中存在的问题,并进行了改进。最后,为了验证改进后算法的有效性,设计了基于变精度粗糙集的概念格生成系统,通过一个实例演示了构造概念格的整个过程,并通过实验证明了算法的有效性。