一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

一种基于多重支持度的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速而有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。MDRBR算法采用单一的规则支持度阈值进行缺省规则的挖掘,这不利于有效地挖掘出用户感兴趣的缺省规则。为此,该文对MDRBR算法进行了改进,并提出了一种基于多重支持度的的缺省规则挖掘算法-MSMDRBR算法,MSMDRBR算法可依据多重支持度阈值合理地取舍决策规则,因而具有一定的实用意义。     

基于粗糙信息向量的一种决策规则获取算法

针对不一致信息系统中决策规则获取问题,提出了一种基于粗糙信息向量方法的决策规则挖掘算法。基于粗糙信息向量,利用条件向量对决策向量的决策支持能力,直接从决策表中挖掘出符合阈值要求的尽可能简洁的决策规则,且不损失条件属性值的决策支持能力。利用该算法可以挖掘出决策系统中条件属性在各个简化层次情况下的确定性规则和缺省规则集合。理论分析和实例表明该算法在不一致信息系统中的决策规则获取上是可行的。     

一种基于Web用户不完备信息的规则获取方法研究

Web日志是一个很不完全且存在多样性特点的数据集,在获取决策规则的过程中经常会出现不一致、不完全规则的情况.提到了粗糙集理论,利用粗糙集理论在处理不完全知识上的特有优势来解决此种问题.首先把重要的用户行为特征值离散化作为属性值和值的约简,然后通过粗糙集缺省规则获取算法获得决策规则.其中条件属性的提取主要是一个对用户行为观察和分析的结果,而离散化处理方法就是应用粗糙集理论中的典型方法.这种处理方法有利于最后规则提取的进行,经过实例分析效果良好.     

利用格论研究缺省推理

本文提出了一组转换规则,使用这组转换规则可以把缺省规则转换成扩展规则,然后使用这些扩展规则去扩展缺省理论的初始逻辑公式集合,在这些扩展规则的基础上,我们提出了缺省格(default lattice)的概念,证明了缺省理论的外延刚好对应于它的缺省格的相容性集合的D-极大值,因此可以使用缺省格求出缺省理论的所有外延.     

一种基于多元组决策表的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速、有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。该文改进了MDRBR算法,引入了广义支持度概念,并提出了一种基于多元组决策表的缺省规则挖掘算法-MTMDRBR算法,有效地解决了不一致多元组决策表的缺省规则挖掘问题,具有重要的实用意义。     

一种不确定性条件下的自主式知识学习模型

在没有领域先验知识条件下的不确定知识主动式学习是机器学习领域中的一个难题.通过研究决策表和决策规则的不确定性,建立基于粗集表示、度量和处理不确定性信息和知识的理论,并且结合Skowron的缺省规则获取算法,提出一种不确定性条件下的数据自主式学习模型和方法,以解决这一问题.通过仿真实验,验证了该自主式学习方法的有效性.     

缺省推理中的三个定理

本文证明了缺省推理中的三个定理.定理1表明了缺省推理的非单调性这一特点.定理2的实际意义在于,在一个封闭规范缺省理论(D,W)中,只要W能推出D中某些缺省的结论,则可以把这样的缺省规则从理论中删除,所得到的较小的缺省理论其延伸仍与原来缺省理论一样.尤其是若W能推出D中所有的缺省规则结论,则(D,W)的延伸就是W,这就是本文推论的结论.     

缺省理论的简化

缺省理论△=(D,W)中的缺省规则集D,是该理论的不确定因素.如果能去掉一些缺省规则而又不影响该理论的延伸,则就在一定程度上简化了该理论.本文证明了关于规范缺省理论的延伸的若干性质,利用这些性质,我们可以把某些规范缺省理论在一定条件下得以化简,有的甚至可以把它们化为一阶逻辑理论.     

贪婪缺省逻辑

提出一种贪婪缺省逻辑,旨在构造扩展的过程中尽可能的保留缺省规则当中的信息.给出了贪婪缺省逻辑的推演系统-GD系统和贪婪缺省的GD-扩展的定义.并且证明了对于缺省理论 的一个扩展,必定存在一个贪婪缺省理论的GD-扩展使得缺省逻辑的扩展是贪婪缺省逻辑扩展的子集.并且存在贪婪缺省理论 的某一GD-扩展,该GD-扩展不包含缺省理论的任一扩展.因此缺省逻辑和贪婪缺省逻辑是两种不同的逻辑.     

基于信息增益的缺省规则的挖掘方法

Rough集方法是一种处理不确定或模糊知识的重要工具。论文在现有的基于Rough集理论的缺省规则挖掘算法的基础上,将单属性信息增益概念扩充为多属性的情况,提出了基于信息增益的缺省规则的搜索策略和挖掘方法。实验表明,该方法能够发现简洁、易理解和实用的规则,同时具有较低的计算复杂性。     

有效决策的增式生成算法

粗糙集理论是一种进行数据挖掘的新的重要工具。针对传统粗糙集理论在数据挖掘应用方面的不足提出了有效度(可靠度)的概念,并给出了一种关于有效决策的增式生成法。实例表明,该算法具备处理大数据库和动态递增数据的功能,可有效地过滤噪声,提高了规则的挖掘效率。     

基于粗糙集和贝叶斯理论的IT项目风险规则挖掘

针对IT项目的风险决策过程中存在大量不确定、不完全信息等特征,本文在传统粗糙集的基础上,将贝叶斯理论引入到IT项目的风险管理中,提出了规则支持度、置信因子、覆盖因子等获取的相关算法,构建了基于粗糙集与贝叶斯理论相结合的风险规则挖掘模型,并通过实例对该模型进行了详细分析。     

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。     

一种基于粗糙集理论的启发式特征选择算法

在数据分析中,特征选择是能够保留信息的数据约简的一个有效方法。粗糙集理论提供了一种发现所有可能的特征子集的数学工具。提出了一种新的基于粗糙集的启发函数叫做加权平均支持启发函数。该方法的优点是它考虑了可能性规则集的整体质量。也就是说,对所有的决策类,它考虑了规则的加权平均支持度。最后,实例表明该方法是有效的。     

基于Rough Set的任务分配模型与算法

该文运用RoughSets理论,在由任务确定协同集的基础上,基于Agent完成任务的开销、质量、当前负荷、时间等属性,构造决策表,生成确定的决策规则与可能的决策规则。为便于仿真实现,给出基于Roughset的任务分配模型与算法。     

基于R0ugh Set的任务分配模型与算法

该文运用RoughSets理论,在由任务确定协同集的基础上,基于Agent完成任务的开销、质量、当前负荷、时间等属性,构造决策表,生成确定的决策规则与可能的决策规则。为便于仿真实现,给出基于Roughset的任务分配模型与算法。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.