粗集中规则提取的一种增量式算法

本文对数据成时间序列的动态决策表,用增量式算法提取决策表的规则模型。增量式算法的关键点是在分类正确率和相容度下对属性集进行优级排序,算法的特点是随着数据的增加逐次推导规则。随着计算软次的增加,比较运算的次数按多项式增加,由于大型静态数据库可转化为动态数据库。所以,增量式算法是大型决策表规则提取的有效算法。     

一种挖掘关联规则的高效增量式更新算法

对事务数据库增加记录时的关联规则维护问题进行了研究,在分析现有算法的基础上,提出了一个高效的增量式更新算法EUAR。与同类算法相比,算法EUAR通过减少对已有数据库的扫描次数和采用有效的候选集剪枝算法,提高其执行效率。测试结果表明,算法EUAR是可行且有效的。     

基于粗集理论的故障规则自动获取系统的研究

为增强故障诊断专家系统处理不完备信息和自动获取规则知识的能力，应用粗集理论及动态约简思想，深入研究并初步建立了故障规则自动获取系统。其中关键技术包括：故障样本信息的关系型决策表表示；决策表子表的随机采样；条件属性的动态约简算法设计；约简集合的过滤；故障规则的表达结构定义；故障规则的提取和规则的评价等。开发了相应的基于VC 平台的计算机软件，并以汽车发动机异响类故障为样本，对系统的故障规则获取过程进行了案例分析，从相关的实验结果和数据来看，较好地实现了系统的预定目标和功能。     

一种挖掘关联规则的高效增量式更新算法

对事务数据库增加记录时的关联规则维护问题进行了研究,在分析现有算法的基础上,提出了一个高效的增量式更新算法EUAR.与同类算法相比,算法EUAR通过减少对已有数据库的扫描次数和采用有效的侯选集剪枝算法,提高其执行效率.测试结果表明,算法EUAR是可行且有效的.     

基于FP树的最大频繁项目集增量式更新算法

发现最大频繁项目集是关联规则挖掘的重要步骤，针对关联规则挖掘中最小支持度发生变化的增量式更新问题，提出了高效发现最大频繁项目集的更新算法．该算法在FP树的基础上增加了记录各项目支持数的表，在头表中增加了域，从而减少了访问事务数据库和FP树的时间，提高了发现最大频繁项目集的效率．     

基于FP树的最大频繁项目集增量式更新算法

发现最大频繁项目集是关联规则挖掘的重要步骤,针对关联规则挖掘中最小支持度发生变化的增量式更新问题,提出了高效发现最大频繁项目集的更新算法.该算法在FP树的基础上增加了记录各项目支持数的表,在头表中增加了域,从而减少了访问事务数据库和FP树的时间,提高了发现最大频繁项目集的效率.     

基于粒计算的不完备决策表规则提取算法

为从不完备决策表中获取最简决策规则,在研究粒计算理论的基础上,提出了一种基于粒计算的决策规则提取算法.该算法利用粒计算的方法对由同一决策表所生成的粒库,从不同的角度和多个层次进行研究,尝试从较低阶的粒库中提取出尽可能多的具有一定规则覆盖度与置信度的简洁规则.实例验证表明,算法能有效地获取最简决策规则,为不完备决策表的最简规则获取提出了一种新方法.     

基于简化差别矩阵的增量式属性约简

新对象添加到决策表后,已有的属性约简将会发生改变,需要对其动态更新.为此,首先给出简化决策表和简化差别矩阵的定义,并证明了基于简化差别矩阵的属性约简与正区域的属性约简是等价的;然后,分析增量对象的不同情况,将增量属性约简映射到简化决策表上来实现,由此设计基于简化差别矩阵的增量式属性约简算法,并对算法进行改进;最后,利用实例和实验验证了所提出算法的正确性和高效性.     

基于粗糙集对旋转机械故障诊断系统的研究

针对机电设备故障诊断中存在的知识冗余和不确定性,从原始数据出发,利用决策表约简算法进行属性和属性值的约简,建立了故障诊断的规则库.给出了基于粗糙集的故障诊断和知识获取模型的一般结构.通过对旋转机械典型故障的分析,建立了决策表,通过对决策表的约简,减少了数据库中数据的数量,解决了故障诊断中知识获取的瓶颈问题.提出了决策表的属性值约简的一种简化算法.实验证明该方法是可行的.     

浅谈基于粗集理论的文本归类系统

文本归类是处理大量文本数据自动分类的重要技术。基于粗集理论建立的林业文本信息归类系统,是在已知类别的训练集的基础上,通过分析训练数据样本,建立决策表产生区分矩阵构造出区分函数,并化简它,得到最小属性约简,最后应用Apriori算法产生最终分类的规则表,利用产生的规则表,可将林业文本信息数据进行自动归类。     

基于知识粒度的增量约简算法

在现实中,许多数据库都是动态变化的,非增量约简方法处理这些数据需要花费大量的时间和空间。增量技术是处理动态数据的有效方法。首先介绍了计算知识粒度的增量机制,然后提出了基于知识粒度的增量约简算法,当一些对象增加到决策表时,能够利用原有决策表的知识粒度和约简,快速计算出增加对象后的知识粒度和约简,并通过理论分析验证了增量方法可以减少计算属性约简的时间复杂度,最后用增量方法和非增量方法对UCI数据集进行一系列试验。试验结果表明,所提增量算法在处理动态数据时能够节省大量的计算时间。     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

改进人工鱼群优化粗糙集的水电机组故障诊断

针对水电机组大量的现场监测数据信息,基于传统的人工智能方法对故障信息不能及时有效地分析的问题,提出了一种基于改进人工鱼群优化粗糙集的水电机组故障诊断方法．首先,利用鱼群的寻优聚群行为对连续属性进行离散化,然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,再用提取的规则对水电机组故障进行诊断．仿真结果表明：与传统方法相比,该算法能够提高水电机组故障诊断的准确率．     

粗糙集在数据挖掘分类规则中的应用研究

数据集中的冗余性会降低数据挖掘结果的解释能力和精度，介绍了数据集中挖掘分类规则的基本原则，并利用粗糙集理论中核及决策类覆盖的概念，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系，并简化带有不同相容规则的决策系统的数据挖掘算法，并应用一简单的例子说明如何在数据库中发现分类规则。     

过程控制中的一种数据挖掘算法

结合粗糙集理论,提出了一种适合工业控制领域使用的数据挖掘算法.工业控制的采样数据以决策表的形式表示,用模糊c-方法对采样信息表进行模糊语言化,依据适合实际应用的语言值关联规则支持度和信任度,通过属性约简,剔除冗余规则,挖掘出隐含的关联规则.以水泥生产线中分解炉控制为例,采用现场实时采集的数据集,挖掘出了相关控制对象之间的关联关系.关联规则的挖掘,有助于在先验经验不足的条件下获取模糊规则,通过动态的模糊模型的建立,实现一定程度的智能控制.     

基于一种新的启发式约简算法的变压器故障诊断方法

基于依赖度的知识相对约简的启发式约简算法是一种新的粗糙集最优属性约简方法,本文首次将其应用于变压器故障诊断问题中,并结合粗糙集值约简方法,得到一组故障诊断的最小决策规则集,从而大大减小了编码的工作量,避免了约简属性组合查询及缺少关键属性时规则匹配所带来的不便,运算速度也相对加快。此外,该模型还可以通过丰富训练样本,修正决策表的自学习法使得诊断效果不断提高。最后结合实例分析,证明该方法的简便及有效。