粗糙集理论及其在数据挖掘中的应用

粗糙集理论是一种研究不完整、不确定知识处理的数学工具,近几年来已经在诸多领域得到应用,在机器学习、知识发现、算法研究、决策支持系统以及模式识别等应用中取得了较好的成果.本文在阐述粗糙集理论概念的基础上,介绍了粗糙集理论在数据挖掘中的两个应用.     

基于粗糙集理论的数据挖掘算法研究

本文提出一种基于粗糙集理论的数据挖掘模型，从实际数据出发，运用不同简化层次的算法，导出每个层次上的信息集，最后得到规则集，在进行推理和决策分析时，按照一定算法进行匹配得出结论。还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

粗糙集结合遗传算法在数据挖掘中的应用

运用粗糙集,结合遗传算法理论,提出一种提取大型数据表决策规则的方法.首先依据条件属性的重要度,把条件属性加入到核属性集中,生成约简.然后选取一组规则编码作为原始种群,应用遗传算法寻求最优解.经过解码和分析做出推理和决策.     

粗糙集理论的研究与应用

对粗糙集的基本理论进行了讲解,同时给出了基于加权平均和频度的双向选择约简算法。     

基于粗糙集理论的数据挖掘的应用

在粗糙集理论的基本思想及其特点的基础上说明它是数据挖掘的一种工具,并对其广泛的应用作了描述。介绍了常见的粗糙集理论的应用工具软件（如Rosetta),并给出了一个应用粗糙集技术来实现数据挖掘的实例系统（电力系统中操作点的分类）。     

基于粗糙集理论的数据挖掘算法及其应用研究

文章对粗糙集理论及其应用进行了讨论，在分析和综合基于粗糙集理论的数据挖掘算法基础上，提出了新的遗传算法挖掘方法，并就应用模型和应用领域及方法问题进行了分析。通过应用实例表明，文章提供的方法和技术是可行的，具有较大的参考价值。     

粗糙集数据挖掘技术在丙酮精制中的应用研究

将基于粗糙集理论的数据挖掘方法应用于丙酮精制过程产品质量的预报。针对流程工业数据高维、构成复杂、连续性强等特点，改进了基本的粗糙集数据挖掘算法，并与模糊聚类等技术相结合，提出了一种适用于流程工业数据的粗糙集数据挖掘方法。在采用实际丙酮精制生产数据作为样本的实验中应用效果良好，表明该方法具有一定的实用价值。     

基于粗糙集的属性约简在数据挖掘中的应用研究

属性约简是粗糙集理论知识获取中的关键问题之一。先利用差别矩阵求得核属性,再利用属性的重要度作为启发式去求约简,可取得合理的属性组合,避免了基于代数方法与基于信息熵方法的复杂运算。最后通过实例分析验证了算法的有效性与可行性。     

基于粗糙集理论的数据挖掘算法研究

本文提出一种基于粗糙集理论的数据挖掘模型,从实际数据出发,运用不同简化层次的算法,导出每个层次上的信息集,最后得到规则集。在进行推理和决策分析时,按照一定算法进行匹配得出结论。还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

基于粗糙集理论的遗传挖掘在教学质量评估中的应用

本文提出了一种基于粗糙集理论和遗传算法的方法,即对样本数据的属性集进行约简后通过遗传算法对约简后数据进行数据挖掘,并将该方法应用在教学质量评估中.通过实例验证了该方法使得评估结果更加科学、客观,具有实用性和可行性.     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于RBF神经网络与粗糙集的数据挖掘算法

随着数据挖掘技术的兴起,为了提高数据挖掘的准确性,提出了很多数据挖掘算法.神经网络与粗糙集理论结合的数据挖掘算法一直是基于粗糙集理论数据挖掘研究的热点之一.文中提出利用RBF神经网络收敛速度快、泛化能力强等优势先对数据进行训练,优化数据后传递给粗糙集进行数据挖掘的新思路.并通过对比与未经过RBF神经网络训练的数据挖掘结果,发现RBF神经网络与粗糙集结合算法挖掘的精度有明显的提高,证明了RBF神经网络与粗糙集理论结合的数据挖掘算法是有效的、可行的.     

粗集理论在空间数据挖掘中的应用

粗集理论能支持数据挖掘与知识发现的多个步骤,如数据预处理、数据简化、规则生成、数据依赖关系获取等,为数据挖掘与知识发现提供了新的思路和方法。本文将粗集理论引入空间数据挖掘领域,介绍了粗集理论的基础理论和一系列方法,给出了应用实例,并探讨粗集理论在空间数据挖掘中的应用。     

粗糙集方法及其在化工生产过程中的应用

随着知识发现和数据挖掘的迅速发展,化工生产过程中,数据挖掘的应用日趋广泛.介绍了粗糙集的基本概念,决策系统的约简方法和分类规则的抽取,提出了基于信息熵的连续属性离散方法.并以三唑磷化合成工生产过程中的实际样本数据为例,采取粗糙集方法,从样本数据中挖掘出简明直接,易于理解的分类规则,实验结果表明,算法有效,结果令人满意.     

An Interpretation of Multi-pole Sonic Logging Data Mining Based on Rough Sets

The association and significant information features of multi-pole sonic logging are studied from the view of internal relations of data and dependent relations between features. A kind of improved algorithm of multi-pole sonic logging data mining is put forward in this paper. Some numerical simulation results of logging data in an oil field based on rough sets show the correctness and effectiveness of the presented approach.     

一个基于粗糙集理论的数据挖掘模型及应用

本文提出一种基于粗糙集理论的数据挖掘模型,从实际数据出发,运用不同简化层次的算法导出每个层次上的信息集,最后得到规则集。在进行推理和决策分析时,按照一定算法进行匹配得出结论。另外,还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

数据挖掘中粗糙决策规则及其不确定性研究

数据分析中产生的粗糙决策规则通常具有不确定性,需要适当的不确定性量度。借鉴变精度粗糙集理论思想,讨论了几种粗糙决策规则量度方法,采用基于信息熵的方法给出了变精度粗糙集意义下基于修正信息熵的不确定性量度函数,兼顾到了规则不确定性的两个方面;一致性和随机性,还能有效处理噪声对数据一致性的影响,对“几乎一致性规则”有保护作用。通过举例比较了γ0、H^dct和H^VPRS,结果表明H^VPRS更适合于评价从有噪声数据中提取的粗糙决策规则。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法.数据挖掘研究的实施对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便.关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点.粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取.该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的.     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

基于粗糙集联系度的数据挖掘算法及应用研究

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论,两者都可用来观察、测试数据并进行推理。将集对分析中的联系度概念应用于粗糙集中,说明了粗糙集联系度与下近似集和上近似集的值化的关系。文中分析了专家系统中规则抽取中存在的困难,用粗糙集理论和集对分析理论解决专家系统中规则的抽取和过滤问题,提出了一种新的规则提取方法,并给出了一个应用实例。