基于粗糙集规则提取算法的研究及应用

针对中医胸痹(即冠心病)诊断规则的获取,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,生成基于决策的知识表达系统.然后利用属性约简的改进算法对决策表进行属性约简,找出诊断结果的核属性,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.本算法并用VC++和SQL Server 2000实现.     

粗糙集理论在煤矿瓦斯预警中的应用研究

针对煤矿瓦斯灾害,提出了将粗糙集理论应用于煤矿瓦斯预警。首先用粗糙集理论对样本数据进行属性约简,找出影响和控制瓦斯的关键属性,然后对生成的决策规则进行约简,最后建立煤矿瓦斯预警模型。通过实际应用证实了该模型是有效的。     

油耗预测中显著影响参数提取方法的仿真

在油耗预测中显著影响参数提取问题的研究中,QAR记录了大量与飞行油耗相关的真实过程参量.由于参数之间呈非线性关系,若将相关参数全部输入到模型中,将导致油耗预测模型结果复杂,运行时间长,预测精度低.针对以上不足,提出了一种粗糙集属性约简的油耗估计显著影响参数的提取方法,首先是对QAR数据进行预处理,然后进行离散化,离散化采用了信息熵连续属性的离散化算法,进一步提高了数据分析的可靠性,再通过Rough set软件得出核心属性,经实验,新方法在提取油耗显著影响因素中有效,而且在处理QAR数据中有着广阔的应用前景.     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

粗糙集理论数据处理方法及其研究

粗糙集理论是一种对数据进行约简,提取规则的数据挖掘的有效工具,在自动控制、电子科学、计算机科学、机器学习、医学、经济学等方面有着广泛应用.根据粗糙集理论处理数据方法的过程,分析和阐述了不完备数据处理、连续数据离散化、属性约简、属性值约简和规则提取、不完备决策系统和不相容决策系统等非标准信息系统的约简、粗糙集理论数据处理方法和其他理论数据处理方法相结合的扩展模型和最新研究进展,及粗糙集理论数据处理的软件实验系统等.     

粗糙集理论数据处理方法及其研究

粗糙集理论是一种对数据进行约简,提取规则的数据挖掘的有效工具,在自动控制、电子科学、计算机科学、机器学习、医学、经济学等方面有着广泛应用。根据粗糙集理论处理数据方法的过程,分析和阐述了不完备数据处理、连续数据离散化、属性约简、属性值约简和规则提取、不完备决策系统和不相容决策系统等非标准信息系统的约简、粗糙集理论数据处理方法和其他理论数据处理方法相结合的扩展模型和最新研究进展,及粗糙集理论数据处理的软件实验系统等。     

粗糙集规则匹配算法及其在文本分类中的应用

为提高中文文本分类的效果,提出了一种基于粗糙集理论的规则匹配方法.在对文本特征的提取过程中,对CHI统计方法进行了适当的改进,并对特征项的权值进行了缩放和离散化.结合区分矩阵实现关于粗糙集理论的属性约简和规则提取,并采用规则预检验的方法对规则匹配的决策参数进行优化,以提高中文文本分类的效果.实验结果表明改进后的规则匹配方法分类准确率更高,同时在训练数据较少的情况下也可以取得不错的效果.     

粗糙集理论分析及其在农业数据中的应用

从数据库中挖掘有用信息，将难理解的纯数据变为容易利用的规则，从而为以后的决策提供依据。以粗糙集理论和规则提取算法为基础，将基于信息量的粗糙集属性约简算法和规则提取算法集成起来提出一种集成算法，应用粗糙集约简掉冗余属性，然后利用规则提取算法得出有效规则。将此集成算法应用于农业领域，得出规则，并且效果良好，理论分析和应用都表明了本算法的有效性和实用性。此集成算法可以应用于各种大型数据库中，从中得出有效规则，让历史数据为以后的决策服务。     

粗糙集理论分析及其在农业数据中的应用

从数据库中挖掘有用信息,将难理解的纯数据变为容易利用的规则,从而为以后的决策提供依据。以粗糙集理论和规则提取算法为基础,将基于信息量的粗糙集属性约简算法和规则提取算法集成起来提出一种集成算法,应用粗糙集约简掉冗余属性,然后利用规则提取算法得出有效规则。将此集成算法应用于农业领域,得出规则,并且效果良好,理论分析和应用都表明了本算法的有效性和实用性。此集成算法可以应用于各种大型数据库中,从中得出有效规则,让历史数据为以后的决策服务。     

粗糙集理论在处理不完全信息的应用

对不完全信息的处理相对于完全信息来说是一个比较难的问题。在过去几年里,已经提出了几种处理不完全信息的方法。本文在前人研究的基础上,进一步提出了一种利用粗糙集理论处理不完全信息的方法,该方法不仅能够对不完全信息系统进行属性约简,并且能够在此基础上对最简属性集中包含的不确定信息进行进一步的处理。     

应用粗糙集提取柴油机故障数据特征

根据柴油机故障数据的特点,采用粗糙集理论对其进行特征提取研究。由于实际测量的参数大多为连续数据,而粗糙集只能处理离散数据,提出了一种适用于粗糙集的SOM网络离散化方法;给出一种基于简化差别矩阵的快速属性约简算法;以6135D型柴油机故障诊断数据为例进行特征提取,成功地将原始8个属性约简为3个,为后续研究工作打下了基础。     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。     

结合模糊集理论的粗糙集属性约简算法*

结合模糊关系的理论,对粗糙集理论的属性约简算法进行研究,提出了一个新的属性约简算法,并给出了一个应用实例.     

QAR数据仓库在Hive中的构建

分析QAR数据是一种非常有效的监控飞机状态的方法。但随着民航领域的快速发展,QAR数据的规模急剧增大,现有基于关系型数据库的QAR数据仓库不足以支撑海量数据下的存储与分析,导致海量的QAR数据因无法处理变成了信息垃圾。因此,针对现有数据仓库的不足,提出基于Hive的QAR数据仓库。通过对Hive特点及QAR数据结构分析,设计了基于Hive的QAR数据仓库的总体架构和存储结构。通过将现有数据仓库中的数据移植到基于Hive的QAR数据仓库,实现了对已有数据仓库的兼容。实验结果表明基于Hive的QAR数据仓库在面对QAR数据剧增的情况下,处理所需时间依然保持着线性增长。     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

粗集理论中连续属性的广义离散化

提出一种处理区间属性值离散化问题的新方法,其特点是在离散化过程中强调类别可分离性,首先拓展已有的基于断点划分的离散化定义,给出基于类别可分离性的广义离散化定义;然后描述了广义离散化算法并进行时间复杂性分析;最后利用辐射源信号进行了仿真实验．结果表明,该方法能有效离散区问属性决策系统,简化分类器的设计和提高识别率,从而拓展了粗集理论的应用范围．     

粗糙集概念与运算的知识粒度表示

探讨了知识粒度的一些重要性质和定理。在此基础上,从知识粒度的角度对粗糙集进行研究,给出了粗糙集中主要概念与运算的知识粒度表示,最后证明了属性约简在知识粒度与代数两种不同表示下是等价的。     

数据挖掘中粗糙集边界的处理方法

基于粗糙集的数据挖掘,提出了通过统计方法降低边界元素的不确定性程度的方法。该方法依据边界元素的统计规律从属性约简所产生的最小覆盖中选择合适的覆盖形成规则,从而更充分地利用属性约简和数据仓库中的数据资源,提高基于粗糙集的数据挖掘的效果。     

改进的SAX符号化算法在QAR数据中的应用

鉴于快速存取记录器（QAR）数据是结构非常复杂和数据量大的时间序列数据,直接采用传统的符号聚合近似算法（SAX）对QAR数据进行描述、存储、检索等操作时,不能克服时间序列幅度值伸缩和时间轴漂移等方面的不足。提出了改进的符号聚合近似算法,将快速存取记录器数据划分为起飞、巡航和降落三个阶段,并利用此改进的算法对巡航阶段进行填补,对不同长度的故障模型序列进行有效的相似性搜索。通过实验以及其在飞机故障诊断项目中的应用,证明了其可行性和有效性,从而提高了飞机的排故效率。