基于Rough sets和Fuzzy sets理论的约简算法

对决策表约简的一些rough sets和fuzzy sets相关概念进行了阐述.在应用Rough集对决策系统进行约简的基础上,结合模糊聚类分析方法,论述了这一可行的决策表约简算法.该算法以属性核与属性重要性的代数定义形式为基础,利用聚类分析的模糊处理方法,解决了约简过程.并给出了对一电器公司全国连锁销售数据约简处理结果,得出了能帮助不同级别决策者进行决策的辅助性的规则知识.     

基于分形维数的非常规决策表的属性约简

属性约简是粗糙集的一个核心研究课题,但经典属性约简及其延伸算法是基于有决策属性的决策表的属性约简算法,它们对无决策属性的非常规决策表的属性约简无能为力。以粗糙集理论为基础,对无决策属性的非常规决策表从分形维数方面进行研究,提出了一种适用于无决策属性的决策表的启发式属性约简算法。该算法在一定程度上能够解决非常规决策表的属性约简问题,进一步扩展了粗糙集理论的应用范围。实例表明该算法是有效可行的。     

基于粗糙集理论的规则提取及约简

给出了一种基于粗糙集理论的规则提取和约简方法.采用模糊C均值方法对实际数据进行聚类分析,提取初始决策表,然后用粗糙集理论方法对该决策表进行约简,得到极小决策表.采用了一个实际决策对象,对算法进行演示和验证.     

一种决策表增量属性约简算法

为了对动态变化的决策表进行属性约简处理,在改进的分辨矩阵的基础上,提出一种增量式属性约简算法,当决策表添加新的记录后．能快速得到新决策表的所有约简和最小约筒．此外,通过对不相容决策表的正区域的决策值和边界域对原决策表进行分解．得到了一种分布式增量属性约简模型．仿真研究表明了算法的正确性和高效性．     

一种基于条件熵的决策表属性约简并行算法*

本文以分类为基础提出了一种基于条件熵的决策表属性并行约简算法。该算法通过条件熵的计算在属性约简的同时将原决策表逐层分解为相对于决策属性来说尽量均匀的子决策表,从而实现了属性约简的并行计算。本文随后对该算法的时间复杂度进行了分析,实验表明,该算法在效率方面优于传统算法。     

最小相关性最大依赖度属性约简

在经典粗糙集中,基于重要度的决策表属性约简算法只考虑了决策属性与条件属性之间的依赖度,没有考虑约简中条件属性之间的相关性,由此求出的约简中可能依然包含冗余属性。针对这一问题,提出了一种改进算法,它利用最小相关性和最大依赖度准则求决策表属性约简。与基于重要度的决策表属性约简算法相比,本算法求出的约简包含的属性个数少、冗余小。实验结果显示,本算法优于基于重要度的决策表属性约简算法。     

一种对应约束的决策表属性约简算法

决策表属性约简是粗糙集理论中的重要问题,经典决策表属性约简方法从保持论域划分能力的角度出发,选择最优条件属性约简集.从决策属性与条件属性的相关性角度出发,将决策表属性约简思想与传统统计学中的对应分析方法相结合,提出了一种量化决策属性与条件属性之间依赖关系的度量,称为投影区分度,并基于此发展了一种决策表属性约简算法.最后用简单实例说明了该方法的正确性.     

一种直觉模糊粗糙集属性约简新算法

将信息熵理论与直觉模糊粗糙集结合起来,提出一种基于互信息的直觉模糊粗糙集属性约简新算法.给出了在直觉模糊环境下,基于互信息的属性重要度和属性依赖度的度量准则.本文所提出的算法以属性重要度和依赖度为双重度量标准,采取可增可删的双向回归算法,在保持分类精度不变的情况下,最后得到决策表的最小属性约简.实例表明在多属性的决策表约简中,在本文提出的算法得到的属性约简的基础上而得到的决策规则是较简捷、较完备的.     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

基于扩展的信息熵的决策表属性约简算法

从一种扩展的信息观的角度出发,讨论了Rough集理论的信息论观点。提出了一种基于扩展的信息熵的决策表核属性计算算法．并设计了以属性重要性为启发信息的自下而上的决策表属性约简算法EIEAAR。同时针对不一致表,将属性对不相客对象的包含值作为第二标准选择属性以加快约简速度。EIEAAR算法能处理一致和不一致决策表,并将核属性计算和非核属性约简统一起来。最后,对算法进行复杂度分析并用实例验证算法的有效性。实验表明该算法能有效得到决策表的最小约简。     

粗糙集的最优近似集

Pawlak教授提出的粗糙集理论是解决集合边界不确定的重要手段,他构建了边界不确定集合的两条精确边界,但没有给出用已有知识基来精确或近似地构建目标概念(集合)X的方法.在前期的研究中提出了寻找目标概念X的近似集方法,但并没有给出最优的近似集.首先,回顾了集合间的相似度概念和粗糙集的近似集R_λ(X)的构建方法,提出并证明了R_λ(X)所满足的运算性质.其次,找到了R_λ(X)比上近似集R(X)和下近似集R(X)更近似于目标概念X的λ成立的区间.最后,提出了R_0.5(X)作为目标概念的最优近似集所满足的条件.     

粗糙集的近似集

粗糙集是1982年由Pawlak教授提出的解决集合边界不确定的重要方法,它通过两个精确的上、下近似集作为边界线来刻画目标集合(概念)X的不确定性,但它没有给出如何用已知的知识基(知识粒)来精确或近似地描述边界不确定的目标集合(概念)X的方法.首先给出了集合之间的相似度概念,然后分析了分别用上近似集R(X)和下近似集R(X)作为目标集合(概念)X近似描述的不足,提出了在已有知识基(粒)空间下寻找目标集合(概念)X的近似集的方法,并分析了用R0.5(X)作为X(概念)的近似集的优越性.最后讨论了不同知识粒度空间下R0.5(X)与X的相似度随知识粒度的变化关系.从新的角度提出了目标集合(概念)X近似集的构造方法,促进了粗糙集模型的发展.     

粗糙集与直觉模糊特殊集

粗集理论和直觉模糊特殊集理论都是近年来发展起来的一种有效的信息处理理论,尤其在不确定信息处理中各有优势。本文首先讨论了直觉模糊特殊集及其算子的一些性质,并给出了其海明距离的定义和计算。同时研究了粗糙近似空间上一类粗代数结构与直觉模糊特殊集的同态关系。     

粗糙模糊集的格论性质

Let U denote a finite and nonempty set called the universe, and P(U) a power set. Suppose R is an equiva-lence relation on U. Consider the equivalence relation ≈ (X≈Y←→^-RX=^-R and RX=RY, X,Y, ∈ F(U)) on F(U),the quotient set denoted by F(U)/≈. In this paper we show that F(U)/≈ is a distributive lattice.     

粗糙集的粗糙度

设U是全集，R是U上的等价关系，(U，R)是相应的近似空间，则粗相等关系≈是幂集P(U)上的等价关系，其商集为P(U)／≈，而商集P(U)／≈是一个分配格，本文考虑两种特殊情况，使得在这两种特殊情况下粗糙度有类似于集合论的包容排斥原理，同时我们还把此结论推广到粗糙模糊集上。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

粗糙集的两种相似性度量

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.在近似空间中,首先基于集合的上下近似给出了一种粗糙集间的相似度量方法.然后通过定义一种基于粗糙隶属函数的包含度,给出了另外一种粗糙集间的相似度量方法,并分别研究了这两种相似度量方法的有关性质.最后讨论了这两种相似度量方法之间的关系.     

基于粗糙集理论的决策树分类方法

决策树是数据挖掘中常用的分类方法。本文提出了基于粗糙集的决策树方法,利用粗糙集近似精确度来选择决策树的根节点,分支由分类产生。该方法计算简单,易于理解。本文还提出用悲观剪枝法简化决策树,提高决策树的预测与分类能力。实例说明了本文方法均简单有效。     

模糊近似空间上的粗糙模糊集的公理系统

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的理论，在机器学习及数据挖掘等领域获得了成功的应用．粗糙集的公理系统是粗糙集理论与应用的基础．粗糙模糊集是粗糙集理论的自然的有意义的推广．作者研究了模糊近似空间上的粗糙模糊集的公理系统，用三条简洁的相互独立的公理完全刻划了模糊近似空间上的粗糙模糊集，同时还把作者给出的公理系统与粗糙集的公理系统做了对比，指出了两者的区别．     

粗集理论的矩阵方法

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定信息的理论,在机器学习及数据挖掘等领域获得了成功的应用,该文用矩阵的方法来研究粗糙集,即从一个二元关系矩阵出发,给出粗糙集上下近似的矩阵描述,实际上是用矩阵的方法重新定义上下近似,矩阵的方法不仅提供了上下近似的简单的计算方法,也提供了一种新的推理的方法,我们还把矩阵方法用于信息系统的约简。