基于粗糙的属性约简在企业客户优惠决策中的应用

粗糙集理论是近代新兴的数据处理方法，在对粗糙集理论的一些算法研究后，提出了用其解决企业中大量数据中获取的较优决策，为企业信息系统的决策支持提供新的解决方法。     

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.     

以优势关系为基础的粗糙集在地震数据挖掘中的应用

在地震数据挖掘应用中，可用粗糙集方法进行对震例数据的属性约减。但是，经典的粗糙集理论建立在由等价关系对对象集划分的基础上，而震例数据是有序的而不是分类的对象。现对经典粗糙集理论进行扩展，提出一种用优势关系代替等价关系的粗糙集方法，并在此基础上提出一种基于差别矩阵的属性约简算法。实验结果表明，用这种方法能得出一些采用传统粗糙集理论所无法得到的结果。     

基于模糊粗集的不完备信息表属性约简新算法

模糊粗糙集结合了粗集和模糊集的优点,是一种有效的数据处理理论,尤其在不完备信息表数据处理中。论文对Krysckiewcz容差关系模型加以改进,充分考虑信息表中属性取值的规律,构造模糊的二元不可分辨关系,运用模糊粗糙集理论,推广属性依赖性度量概念,给出了属性约简算法,并通过一个实例验证了它的有效性,为不完备信息表的数据处理提供了一些解决问题的思路。     

粗糙集在智能系统知识维护中的应用

在基于知识的智能系统中 ,知识的维护对于提高系统的整体性能具有重要意义 .在一定程度上 ,知识的维护过程可以看成是对系统本身的优化过程 .本文中的漏焊智能检测系统是一个基于知识的智能系统 ,用软计算方法对知识加以处理是当前众多国内处研究人员所关注的热点 .粗糙集理论是近年来出现的处理不精确、模糊、不确定数据的有效数学工具 ,是一种新兴的软计算方法 .使用粗糙集理论处理数据不需要任何先验知识 ,可以最大限度的减少主观因素的影响 ,在这一点上粗糙集理论明显优于模糊集理论、神经网络等其它软计算方法 ,所以在实际中应用粗糙集理论具有极大的潜力 .本文在这方面做了积极的尝试 ,给出了漏焊智能检测系统的知识维护过程中基于粗糙集理论的数据处理方法以及知识维护的具体步骤     

基于粗糙集和蚁群算法的特征基因选择方法

特征基因选择在微阵列数据分析中占据着非常重要的作用,好的特征选择方法是提高基因表达数据的分类精度与分类速度的关键之一.联系蚁群算法和粗糙集理论在微阵列数据处理上的优势,文中结合粗糙集理论,对蚁群优化算法模型进行了改进,并将粗糙集的属性依赖度和属性重要度应用到蚁群算法的路径选择及评估中,提出一种新的基因选择方法.该方法实现简单,并可以比较快速地获得最优解,最终选择出较小的并且分类性能较强的特征基因子集.通过对基因数据集的仿真实验表明,该算法是有效可行的.     

决策表的一种知识约简与规则获取方法

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。文中介绍了粗糙集的基本理论，在此基础上运用该理论对从决策表中获取最小规则进行了研究，提出了决策表约简的启发式方法，并通过一个具体实例详细说明了决策规则获取过程，实例分析表明了其有效性。     

基于粗糙集的规则的挖掘

随着计算机技术的发展，急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念，是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本理论进行了讨论，在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究。并通过一个实例详细地说明了具体挖掘过程，该实例说明了基于粗糙集进行规则的挖掘是较简单的。     

粗糙集理论及进展的研究

粗糙集理论是一种较新的软计算方法，是分析和处理不完备信息的一种有效工具。目前已在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了广泛应用。文中描述了粗糙集的基本理论，分析了粗糙集理论研究的最新进展，指出了粗糙集理论研究中存在的问题，并对粗糙集理论研究的发展趋势进行了展望。     

Rough Set理论中连续属性的离散化方法

Rough Set(RS)理论是一种新的处理不精确、不完全与不相容知识的数学工具.传 统的RS理论只能对数据库中的离散属性进行处理,而绝大多数现实的数据库既包含了离散 属性,又包含了连续属性.文中针对传统RS理论的这一缺陷,利用决策表相容性的反馈信 息,提出了一种领域独立的基于动态层次聚类的连续属性离散化算法.该方法为RS理论处 理离散与连续属性提供了一种统一的框架,从而极大地拓广了RS理论的应用范围.通过一 些例子将本算法与现有方法进行了比较分析,得到了令人鼓舞的结果.     

消息日志方法中的不确定性问题

消息日志是用于多进程、分布式系统中状态恢复的一种方法。本文针对传统的消息日志方法仅仅适用于确定性进程的局限性，提出一种新的消息日志思想，充分考虑到不确定性的存在在容错方面的积极作用，主张在满足应用进程一致性语义的基础上，在一定程度上允许不确定性现象的存在。从而以新的角度看待单一进程和分布式并发系统中存在的不确定性所带来的状态重建不能完全复原的问题。这样，消息日志亦能适用于某些不满足确定性条件的进程     

基于Matlab工程数表处理方法的研究

许多复杂曲面零件的形状轮廓是通过反求工程得到CAD模型的。其中对工程中所得数据的数学处理是一个关键步骤。本文利用一种用于工程计算的高性能程序设计语言MATLAB来进行数据处理,采用最小二乘法的判别准则,对所得数据进行了拟合,满足了拟合精度要求。利用MATLAB的强大的数值计算能力实现了对工程数表处理时程序算法简单的一种新方法,对复杂工程数据的处理具有借鉴意义。     

The use of objects' faces in interpreting line drawings

The two parts, which this paper is composed of, deal each with scene interpretation via gaining understanding of the faces of the objects in the scene. The first part extends the set of rules defined in a previous work regarding the assembling of all lines belonging to the same face. The set of rules, originally defined for curved object, can be extended if we confine ourselves to polyhedra. In the second part, a new concept is defined and developed, which leads to a new way of looking at polyhedral line drawings. It puts under the same roof almost all consistency checks known for polyhedra, in a natural and simple way. Geometric inconsistencies as well as interpretations inconsistencies are treated uniformly and in a straightforward manner. Through this concept a way is suggested for acquiring some understanding of back faces, and for suggesting plausible interpretation for them. The generality of this concept is demonstrated through the fact that previously known catalogs of labeled junctions can be derived directly from this concept.     

一种可信子空间标志方法*

在D-S证据理论的基础上,给出了可信子空间的定义及能够发现所有可信子空间的贪心算法CSL(creditable subspace labeling)。该方法迭代地发现原始特征空间的信任子空间集Cs。用户根据应用领域的需求, 对Cs中的每个可信子空间调用传统聚类算法发现聚类结果。实验结果表明,CSL具有正确发现原始特征空间的真实子空间的能力,为传统聚类算法处理高维数据空间聚类问题提供了一种新的途径。     

Lagrange优化神经网络的原理及实现

人工神经网络是指模拟人脑神经系统的结构和功能,运用大量的处理部件,由人工方式建立起来的网络系统.近几年来,人工神经网络的研究工作十分活跃,取得了很大的进展,研究开发出了几十种神经网络的模型,出现了多种新型神经网络.阐述了Lagrange优化神经网络的原理和简单的电路实现,它克服了传统的基于罚函数的神经网络的缺陷,直接对不等式约束进行处理,降低了网络规模和复杂度,是一种新型的优化神经网络,并通过计算机仿真对其可行性进行了验证.     

Rough Problem Settings for ILP Dealing With Imperfect Data

This paper applies rough set theory to Inductive Logic Programming (ILP, a relatively new method in machine learning) to deal with imperfect data occurring in large real-world applications. We investigate various kinds of imperfect data in ILP and propose rough problem settings to deal with incomplete background knowledge (where essential predicates/clauses are missing), indiscernible data (where some examples belong to both sets of positive and negative training examples), missing classification (where some examples are unclassified) and too strong declarative bias (hence the failure in searching for solutions). The rough problem settings relax the strict requirements in the standard normal problem setting for ILP, so that rough but useful hypotheses can be induced from imperfect data. We give simple measures of learning quality for the rough problem settings. For other kinds of imperfect data (noise data, too sparse data, missing values, real-valued data, etc.), while referring to their traditional handling techniques, we also point out the possibility of new methods based on rough set theory.     

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。     

Imbalanced learning with a biased minimax probability machine.

Imbalanced learning is a challenged task in machine learning. In this context, the data associated with one class are far fewer than those associated with the other class. Traditional machine learning methods seeking classification accuracy over a full range of instances are not suitable to deal with this problem, since they tend to classify all the data into a majority class, usually the less important class. In this correspondence, the authors describe a new approach named the biased minimax probability machine (BMPM) to deal with the problem of imbalanced learning. This BMPM model is demonstrated to provide an elegant and systematic way for imbalanced learning. More specifically, by controlling the accuracy of the majority class under all possible choices of class-conditional densities with a given mean and covariance matrix, this model can quantitatively and systematically incorporate a bias for the minority class. By establishing an explicit connection between the classification accuracy and the bias, this approach distinguishes itself from the many current imbalanced-learning methods; these methods often impose a certain bias on the minority data by adapting intermediate factors via the trial-and-error procedure. The authors detail the theoretical foundation, prove its solvability, propose an efficient optimization algorithm, and perform a series of experiments to evaluate the novel model. The comparison with other competitive methods demonstrates the effectiveness of this new model.     

基于属性重要性的定性数据聚类分析及应用

传统的聚类方法大多是基于距离或者是样品间相似度的，这就要求所分析的数据必须是定量的。但是在数据挖掘中，存在着大量的定性数据，传统的聚类分析方法已不再是一个可行的方法，这就需要寻找一个可以有效处理定性数据的聚类方法。粗糙集是处理定性数据的有效方法，在详细阐述粗糙集的相关概念后，利用属性重要性的概念，提出了一种能有效处理定性数据的聚类分析方法，并利用了数据对该方法进行了实证分析，取得了良好的结果。