神经网络图象匹配算法训练样本粗集求解

为了快速地进行神网络图象匹配求解,提出了一种基于粗集理论的神经网络图象匹配训练样本选择算法,即利用知识约简对神经网络图象匹配训练样本决策表进行属性约简,从而剔除了其中冗余的匹配信息.实验结果表明,该算法不仅能有效简化训练样本,以降低神经网络图象匹配系统的复杂性,还能减少神经网络图象匹配算法的训练时间.     

粗集神经网络在阳离子反浮选控制中的应用

针对阳离子反浮选生产过程被控对象复杂、数学模型不确定以及控制精度要求高等特点,提出一种基于粗集神经网络理论的智能控制模型。该方法减少信息表达的属性数量及神经网络构成系统的复杂性,增强了系统容错及抗干扰的能力。将粗集神经网络智能控制模型与基于粗集的控制模型进行对比,结果表明了该方法的可行性。     

粗集神经网络在阳离子反浮选控制中的应用

针对阳离子反浮选生产过程被控对象复杂、数学模型不确定以及控制精度要求高等特点,提出一种基于粗集神经网络理论的智能控制模型.该方法减少信息表达的属性数量及神经网络构成系统的复杂性,增强了系统容错及抗干扰的能力.将粗集神经网络智能控制模型与基于粗集的控制模型进行对比,结果表明了该方法的可行性.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

MapReduce框架下并行知识约简算法模型研究

面向大规模数据进行知识约简是近年来粗糙集理论研究热点。经典的知识约简算法是一次性将小数据集装入单机主存中进行约简,无法处理海量数据。深入剖析了知识约简算法中的可并行性;设计并实现了数据和任务同时并行的Map和Reduce函数,用于计算不同候选属性集导出的等价类和属性重要性;构建了一种MapReduce框架下并行知识约简算法模型,用于计算基于正区域、基于差别矩阵或基于信息熵的知识约简算法的一个约简。在Hadoop平台上进行了相关实验,实验结果表明,该并行知识约简算法模型可以高效地处理海量数据集。     

基于邻域粗糙集的符号与数值属性快速约简算法

粗糙集理论被广泛应用于属性约简,算法复杂性是制约约简应用于大样本知识发现的主要问题,尤其是邻域模型下的约简问题.本文分析邻域粗糙集模型的数学性质,利用正域与属性集的单调关系,构造基于属性依赖度和前向搜索策略的快速算法.该算法降低样本比较次数,提高计算效率.实验分析表明该算法的有效性.     

基于规则与ANN的铣削加工参数匹配知识库研究

分析铣削加工参数匹配关系及其知识表示,针对产生式规则难以全面、高效表示加工参数定量匹配知识的问题,提出应用规则推理与人工神经网络（ANN）混合技术构建知识库的方法,给出了参数定量匹配知识表示的神经网络模型和改进的Vogl知识获取方法,运用手册上提供的最复杂样本集数据进行实验验证,结果表明提出的方法具有较好的知识表示性能。最后就如何应用该技术开发面向铣削加工的参数匹配知识库系统展开论述。     

不相容决策系统的知识库构造研究

粗糙集理论为知识库构造提供了一种形式化的理论模型,但是针对不相容决策系统构造知识库仍然是值得深入研究的问题。基于决策系统分布约简定义规则的分布核与分布约简概念,提出一种基于分布约简构造知识库的方法。首先确定各条件类的分布核,进而采用启发式算法计算其分布约简,挖掘约简规则集,构造出决策系统的知识库。并对加入决策系统中新对象的各种情形进行分析,对原有知识库进行增量式更新,而无需为更新知识库重新运行知识库构造算法。该方法能适应不相容决策系统,同样也适用于相容决策系统。     

一种专家系统知识获取时的属性约简算法

知识获取是构造专家系统的“瓶颈”,提供准确的推理知识是进行决策规划的关键。文中运用粗糙集理论,通过粗糙集的约简消除冗余的条件属性,实现对知识库的精简。首先研究知识获取,在阐明知识的层次结构基础上,给出了概念化、形式化、知识库求精三个知识获取过程;然后研究属性约简算法,在研究集合差异度和属性的重要性、约简算法推导过程的基础上,给出了属性约简算法的六个步骤。最后根据属性约简算法及其步骤,对功能点分析法构建软件成本估算专家系统时,组成技术复杂因子的14个因素进行了约简。     

基于粗集的产品色彩预测系统研究

针对传统人工预测流行色方法效率低、费用高的问题,采用决策表知识表达技术和模糊集合方法构建了流行色知识仓库,结合可辨识矩阵理论和粗集理论提出流行色预测知识挖掘算法,该算法可根据流行色知识库建立条件属性和决策属性依赖关系,从而完成流行色的预测推理。开发了基于粗集理论的智能化流行色预测系统,并以服装产品为例预测流行色测,结果表明该系统可准确预测未来短期内的流行色。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

优化的粗糙神经网络在故障诊断中的应用

本文在相异度理论的基础上，提出了类间相异度的度量方法，从而以粗糙集理论为属性约简工具，利用相异度理论进行类的泛化和特化．构造出了优化的粗糙神经网络模型。故障诊断实例分析表明，该模型对神经网络分层约简并剔除其中不必要的属性．减少了神经网络的总体训练时间和决策过程中的模式匹配搜索量，大大提高故障诊断系统的反应能力，在大型复杂的故障诊断应用中效果尤为明显。     

区间决策粗糙集

考虑到实际决策问题中损失函数的"多值性"特征,从贝叶斯理论出发,将区间值损失函数引入决策粗糙集,提出区间值决策粗糙集模型。首先,讨论了在贝叶斯期望风险最小的决策语义下,区间值决策粗集理论基本模型的构建过程。其次,分析了区间值决策粗集理论的相关数学性质和准则。最后,通过一个石油投资问题来阐明区间值决策粗糙集模型的应用过程。     

决策表的粒计算方法研究

粒计算是一种基于问题概念空间划分的智能计算方法。在基于粗集理论的粒度模型基础上,给出了决策表的粒空间分解方法,并给出了决策表在粒表示下属性必要性和属性约简的判定条件。最后,比较了粒度模型和传统的粗集理论在处理属性约简问题上的差异。     

Fuzzy preference based rough sets

Preference analysis is an important task in multi-criteria decision making. The rough set theory has been successfully extended to deal with preference analysis by replacing equivalence relations with dominance relations. The existing studies involving preference relations cannot capture the uncertainty presented in numerical and fuzzy criteria. In this paper, we introduce a method to extract fuzzy preference relations from samples characterized by numerical criteria. Fuzzy preference relations are incorporated into a fuzzy rough set model, which leads to a fuzzy preference based rough set model. The measure of attribute dependency of the Pawlak’s rough set model is generalized to compute the relevance between criteria and decisions. The definitions of upward dependency, downward dependency and global dependency are introduced. Algorithms for computing attribute dependency and reducts are proposed and experimentally evaluated by using two publicly available data sets.     

模糊数决策粗糙集

考虑到实际决策问题中损失函数的不确定性特征,从贝叶斯理论出发,将模糊数损失函数引入决策粗糙集,提出模糊数决策粗糙集模型。首先,讨论在贝叶斯期望风险最小决策的语义下模糊数决策粗集理论基本模型的构建过程。其次,分析模糊数决策粗集理论的相关数学性质和准则。最后,通过一个企业信用评佑问题来阐明模糊数决策粗糙集模型的应用过程。     

混合信息系统的动态变精度粗糙集模型

粗糙集是一种针对不确定性数据的数据挖掘理论,邻域粗糙集是处理混合型数据的常用模型.为了提高对混合型数据的抗噪能力,提出一种混合信息系统的变精度粗糙集模型;由于现实环境下信息系统的动态性,进一步提出对象增加和减少时的动态变精度粗糙集模型.首先研究混合信息系统中条件概率随对象增加和减少时的变化关系,然后在该变化关系的基础上提出混合信息系统变精度粗糙集上下近似的增量式更新机制,最后根据这一更新机制提出相应的增量式近似更新算法.实验结果表明,所提出的增量式更新算法比非增量的算法具有更高的计算效率,从而验证了所提出模型的有效性,同时也表明所提出模型更加适用于复杂的数据环境.     

基于粗糙集的Web结构挖掘

Web站点是由许多Web页面构成的信息系统,随着网络的飞速发展,Web挖掘得到了越来越多的研究。如何从Web中找到与用户查询主题相关的权威页面,是Web结构挖掘的一个重要研究方向。粗糙集理论作为一种有效处理模糊和不确定信息的数学工具,由于其不需要任何先验知识,在数据挖掘领域取得了广泛的应用。文中概述了Web结构挖掘的有关概念,基于粗糙集理论,定义了Web结构挖掘的数据模型,并给出了基于粗糙集的Web结构挖掘的实现流程,分析说明了该方法的性能。     

二型模糊粗糙属性约简模型

属性约简是粗糙集理论的重要应用之一,其目的是在保持分类能力不变的前提下去掉冗余的属性,从而简化信息系统。由于经典粗糙集等价关系的要求过于严格,为了更好地解决实际问题,将粗糙集与二型模糊集结合,得到二型模糊粗糙集。利用论域和特征空间的积空间上的两个一型模糊集来构造论域的一个二型模糊划分,将模糊粗糙集属性约简的模型推广到二型模糊粗糙集框架中,得到了一个二型模糊粗糙属性约简的模型,并举例说明了用此模型进行属性约简的方法。     

基于粗糙贝叶斯博弈的网络攻防策略

为了解决复杂网络上攻防策略研究中存在的问题,提出了基于粗糙贝叶斯攻防博弈模型的分析方法。扩展传统对象Petri网并在其节点域和变迁域上引入粗糙集理论,定义了网络攻防对峙模型。通过在论域攻防策略集上划分等价类,提出了特征攻击策略集的提取方法。在此基础上定义了粗糙攻防博弈模型(RA-DGM)以及攻防效用函数,并给出了该模型的贝叶斯均衡以及最大攻防策略集的求解算法。该分析方法能够有效缩减博弈分析中策略空间的规模,适合于复杂网络攻防行为研究。实例说明了该模型的正确性及其对冗余信息的处理性能,基于该模型的攻防策略分析方法也更为合理、有效。