信任函数综合规则的修正

在专家系统中，仅仅采用符号计算难于处理问题求解过程所遇到的各式各样的不确定信息，而这种信息是无处不在的，在处理不确定信息的过程中，人们发现：不同来源的信息矛盾，这些冲突信息各自导致不同的决策，如何综合这些冲突信息，本文据于用信任函数来描述不确定信息的基础上，给出了一种新的综合规则，修正了Ｄｅｍｐｓｔｅｒ和ｓｈａｆｅｒ综合规则，从而使得这种规则更符合实际，且在实际使用中能更好处理冲突信息的综合。     

信任函数理论的研究进展

一、引言通过对人工智能及专家系统的进一步研究,人们发现仅仅采用符号计算难以处理问题求解过程中所遇到的各式各样的不确定信息,而这种不确定性是无处不在的:从知识获取到计算机视觉与模式识别,从状态空间的有效搜索到自然语言理解。导致不确定的原因可能是:(1) 信息不是完全可靠的,例如,在基于规则的系统中,由专家给出的规则可能存在例外,甚至专家自身也会对规则缺乏自信;(2) 信息是不完备的,例如,在     

带Rough相等关系词的Rough逻辑系统及其推理

以公式的定义域集的下和上近似分别相等方法，定义了两个Rough逻辑公式Rough相等，并以此定义了Rough相等关系词“＝R”，它不仅比等值词“←→”运算有更多的直观性，而且既考虑了可定义的公式，也包含了那 边界线上不可定义或可能可定义的公式，所以，经典逻辑中的隐含量φ→ψ被移至Rough逻辑中应当解释为R.(d(φ））包含R.(d(ψ))∧R^*(d(φ))包含R^*（d(ψ））。经典逻辑中的等值式φ←→ψ被移至Rough逻辑中应当解释为R.(d(φ））＝R.(d(ψ))∧R^*(d(φ))＝R^*（d(ψ）），其中d(F)是公式F的定义区域，它可能是可定久集，也可能是不可定义集或Rough集，这是Rough逻辑与经典逻辑与其它非标准逻辑的重要区别之一，将这种Rough相等词“＝R”引入Rough逻辑中，因而得一些相关的性质和相关的推理规则。文本中建立了带Rough相等关系词“＝R”的Rough逻辑推理系统，并在这个系统下用演绎推理方法证明了几个具体的实例。     

基于Rough Set理论的推理机制的研究

对Rough Set理论中属性域约简、决策表及Rough算子等问题进行了研究,分析了Rough Set理论与模糊集理论及证据理论的关系,着重对基于Rough Set理论的推理机制进行了研究。     

信任函数组合与局部冲突处理

在证据理论框架中,数据融合是将几个来自不同证据源的信任函数组合成一个信任函数,Dempster组合规则是人们常用的方法,但由于此规则是通过按比例放大组合后焦元的基本信任指派值而使其满足信任函数的标准定义,尽管这一标准化方法有逻辑上的解释,但还是招致诸多批评,并提出了一些修正的组合规则。Dempster组合规则尤其在较强冲突情形下其组合结果是不符合常理的,因此不同证据源的冲突处理是信息融合的主要问题。该文通过分析比较已有的主要组合规则,提出了一种处理冲突的新方法--局部冲突处理法,此方法可克服已有方法的缺点,而且组合结果更加合理。     

基于布尔函数的Rough集差别矩阵属性约简方法

Rough集理论是对大型数据库进行知识发现的主要方法之一。根据属性集核和相对等价类的概念,对数据库属性集中的属性进行约简,提取相应的规则(知识),是用Rough集知识发现的精髓。该文基于Rough集差别矩阵,提出了属性集的布尔函数的构造方法,并应用吸收律、分配律和等幂律对属性集布尔函数化简。论文证明了属性集布尔函数的化简与属性集的差别矩阵约简等价,同时给出了求相对决策属性基本集的算法和IRIS提供的数据仿真实验结果。     

基于信任函数理论的修正融合目标识别算法

针对信任函数理论中经典Dempster组合规则难以有效融合高冲突证据并存在焦元基模糊问题,提出了一种基于信任函数理论的修正融合目标识别算法.修正融合算法在对相容命题进行组合时,考虑了焦元基的影响,使基本信任质量合理地向基数较小的焦元命题聚焦,以避免焦元基模糊问题;在对冲突命题进行组合时,对命题进行倾向性分析并对局部冲突采用局部分配的策略,以有效融合高冲突证据.算例与仿真比较分析验证了此修正融合目标识别算法的合理有效性和优越性.     

Rough集理论：现状与前景

经典逻辑中只有真、假二值,但实际上有大盆含糊现象存在于宾和假二值之间,因此,长以来许多逻辑学家和哲学家就致力于研究含糊概念。早在1904年谓词逻辑的创始人G.Frege就出了含糊     

关于信任函数的若干结果

本文主要利用信任函数来研究专家系统中不确定性的推理，给出一个更一般的信任函数组合规则，还对带机重的专家知识的综合给出了权重信任函数的组合方法。最后，对文献（１）中关于条件信任函数的不合理性例子进行了进一步分析，还是在条件信任函数的基础上给出了一个符合直观理解的解释。     

基于一种新的核函数的模糊粗糙集

模糊粗糙集作为模糊集与粗糙集的结合体,能够有效处理数据的复杂性和不确定性。由模糊相似关系产生的模糊粒结构可以对模糊粗糙集中不确定性的概念进行近似。核函数和模糊相似关系分别是机器学习和模糊粗糙集的核心因素,因此借助模糊相似关系和核函数之间的关系,构造了一种新的核函数,并定义了相应的核模糊粗糙集。最后通过实例说明新构造的核函数具有一定的推广性。     

基于粗糙集的CRM研究

本文介绍了粗糙集的基本理论,及基于粗糙集的知识获取理论模型,并运用这一模型对银行信贷模型进行了分析,通过决策表约简,剔除冗余属性、消除过剩规则,最后得出了属性约简的最小化结果以及决策规则。     

基于粗糙集的CRM研究

本文介绍了粗糙集的基本理论,及基于粗糙集的知识获取理论模型,并运用这一模型对银行信贷模型进行了分析,通过决策表约简,剔除冗余属性、消除过剩规则,最后得出了属性约简的最小化结果以及决策规则.     

Combining Rough Sets and Bayes' Rule

In rough set theory with every decision rule two conditional probabilities, called certainty and coverage factors, are associated. These two factors are closely related with the lower and the upper approximation of a set, basic notions of rough set theory. It is shown that these two factors satisfy the Bayes' rule.
The Bayes' rule in our case simply shows some relationship in the data, without referring to prior and posterior probabilities intrinsically associated with Bayesian inference. This relationship can be used to "invert" decision rules, i.e., to find reasons (explanation) for decisions thus providing inductive as well as deductive inference in our scheme.     

粗糙集与灰色系统

首先对粗糙集理论和灰色系统理论进行了对比分析,提出了灰集的概念,以及灰集的灰度、灰集间的基本关系及灰集的基本运算的定义,然后给出了可定义灰色集及粗糙灰色集的概念并研究了它们的相关性质,论证了结合粗糙集与灰色系统能够对某些不确定性信息进行更有效的处理。     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法，对用户的安全访问行为的数据作规范化处理并进行约简，从中提取有效的最简规则，降低了安全数据的冗余，减轻了特征码构造的负担。使用Rough集上、下近似集原理，构造了上、下近似Self集，实现了Self的优化和扩展，有效地解决了Self集的自动演化问题。     

一种粗糙集属性约简算法

基于粗糙集理论提出一种新的属性重要度的度量方法,引入决策强度的概念,克服经典粗糙集理论约简定义的不完备性及无法获得最优属性约简的缺陷,改进基于信息熵的启发式属性约简算法,通过对既有线CTCS-2级车站列控中心软件测试平台的测试数据的实证分析,成功获得最优属性约简,发现数据之间的潜在联系及规律,给出决策规则,使决策分析更为高效。     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法,对用户的安全访问行为的数据作规范化处理并进行约简,从中提取有效的最简规则,降低了安全数据的冗余,减轻了特征码构造的负担。使用Rough集上、下近似集原理,构造了上、下近似Self集,实现了Self的优化和扩展,有效地解决了Self集的自动演化问题。     

粗集结合决策树的一种数据挖掘算法

决策树是一种重要的数据挖掘方法,本文将决策树的基本建树思想ID3算法与对象决策属性化简的粗集理论相结合,得到一种新型的决策树建树方法。通过实例证明了该方法的效率有所提高,使挖掘的效果更简单、更容易理解。     

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.