一种优势关系粗糙集近似集动态更新算法

近似集计算是运用粗糙集理论在数据挖掘相关研究领域中发现隐藏在数据中潜在知识的一个关键步骤。实际问题求解中,人们常常面对的信息系统是动态变化的。针对信息系统中对象集变化的情况,提出一种基于有序等价类进行信息粒合并的优势关系粗糙集近似集动态快速更新策略及相应算法。通过一个数值化算例验证了信息粒动态更新的可行性,实验结果反映出粒度动态更新方法能有效提高近似集的动态更新效率。     

优势关系下直觉模糊目标信息系统的上近似约简

传统的粗糙集理论对决策属性值为直觉模糊数的直觉模糊目标信息系统不能直接属性约简.文中在直觉模糊目标信息系统中引入优势关系,基于优势关系定义条件属性集的上近似决策协调集,给出上近似约简的判定定理,建立该信息系统条件属性集的上近似约简模型,并给出上近似约简的算法步骤.在决策属性值为直觉模糊数的一些目标信息系统中,利用条件属性集的上近似约简,可得到更为简洁的决策规则.最后给出一个实例验证算法的有效性.     

精度与程度的逻辑或粗糙集模型

精度与程度是两个重要的量化研究指标.文中目的是结合精度与程度,探索粗糙集拓展模型.通过研究变精度近似与程度近似的关系,得到两者的转化公式.基于精度与程度的逻辑或需求,提出精度与程度的逻辑或粗糙集模型,提出粗糙集区域,更精确地分划论域.在精度与程度的逻辑或粗糙集模型中,得到粗糙集区域的基本结构,提出计算粗糙集区域的常规算法和结构算法,并进行算法分析与比较.精度与程度的逻辑或粗糙集模型拓展了变精度粗糙集模型、程度粗糙集模型、经典粗糙集模型,并在这些模型中得到相应的粗糙集区域结构.     

基于加权粒度和优势关系的程度多粒度粗糙集近似集的动态并行更新算法

随着大数据集的不断更新,经典的多粒度粗糙集理论不再适用。为此,提出加权粒度优势关系程度悲观多粒度粗糙集与加权粒度优势关系程度乐观多粒度粗糙集的相关理论。在此基础上,给出了一种基于加权粒度和优势关系的程度多粒度粗糙集近似集的动态并行更新算法。最后,通过实验验证了所提算法的有效性,其能够应对海量动态更新的数据变化并提升运行效率。     

一种变精度粗糙集模型阈值选取的方法

正确分类率β是变精度粗糙集模型中重要的参数之一.文中针对变精度粗糙集中参数β的确定缺乏可预见性的问题,提出了在确定近似分类质量γ下β取值范围的确定方法.通过实例计算验证了该方法的有效性.算法根据近似分类质量,通过对正确分类率集合的不同的查找方法来快速有效地确定阈值地范围.     

基于置信优势关系粗糙集的近似集动态更新方法

置信优势关系粗糙集是处理不完备有序信息的重要模型, 上、下近似集的计算是核心内容之一. 在实际应用中, 属性集通常会发生变化. 根据属性集的增加或减少, 首先讨论置信优势类及劣势类变化情况, 随之给出上、下近似集增量式的变化规律, 提出相应的近似集动态更新方法. 通过Matlab 在UCI 数据集上的实验结果表明, 与非增量式方法相比, 所提出的置信优势关系粗糙集下的上、下近似集的增量式更新方法可行、高效.

     

统计粗糙集

现有的模糊粗糙集方法,由于其基础理论复杂度的桎梏,无法应用到大规模数据集上.考虑到随机抽样是一种可以极大地减少运算量的统计学方法,本文将随机抽样引入到经典的模糊粗糙集理论中,建立了一种统计粗糙集模型.首先,我们提出了统计上、下近似的概念,它相比经典模糊粗糙集模型的优势在于, 以随机抽样得到的小容量样本代替大规模全集,从而显著降低了计算量.而且,随着全集数量增大,抽样样本数量并不会显著增大.这是本文的主要贡献.此外,我们还讨论了统计上下近似的性质,揭示统计上下近似和经典上下近似之间的关系.并且,我们提出了一个定理,该定理保证了统计下近似与经典下近似的取值统计误差在允许的范围内.最后,通过数值实验验证了统计下近似在计算时间上的显著优势.     

多粒度粗糙集和覆盖粗糙集间的近似与约简关系*

多粒度粗糙集和覆盖粗糙集是2种重要的数据处理机制.文中从近似集和属性约简2个角度探讨完备信息系统与不完备信息系统中多粒度粗糙集和覆盖粗糙集的关系.通过构造信息系统的粒空间,证明乐观多粒度粗糙集近似等价于松覆盖粗糙集近似,悲观多粒度粗糙集近似等价于紧覆盖粗糙集近似,即乐观多粒度粗糙集和悲观多粒度粗糙集可分别表示为松覆盖粗糙集和紧覆盖粗糙集.进一步指出信息系统的2类多粒度粗糙集的协调集可转化为2类覆盖粗糙集的协调集,并刻画多粒度粗糙集约简与覆盖粗糙集约简间的密切联系.     

对象集变化时近似集动态维护的矩阵方法

目前粗糙集模型中概念的上、下近似集的计算方法大多是基于静态信息系统的.而实际的信息系统是随时间动态变化的,通常包括对象集、属性集和属性值3种类型的粒度变化,这些变化必然引起概念近似集的动态变化.如何快速、有效地更新概念的近似集是基于粗糙集的动态知识更新中的热点研究问题之一.而利用既有知识的增量式更新方法是一种有效的近似集动态更新方法.在信息系统动态变化的客观环境下,以矩阵作为表达和运算工具从一个全新的视角研究信息系统的论域随时间变化时,变精度粗糙集模型中概念的上、下近似集的增量式更新方法,并构造出近似集增量式更新的矩阵算法,随后分析了算法的时间复杂度.进一步,在MATLAB平台上开发出增量式更新和非增量式更新近似集的两种矩阵算法的程序,最后在UCI的6个数据集上测试了两种矩阵算法的性能并将实验结果进行比较,结果表明增量式更新的矩阵算法可行、简洁和高效.     

基于三支决策的自适应粗糙集近似

讨论基于三支决策的自适应粗糙集近似方法,给出自适应粗糙集近似属性评价函数的算法。为清楚表达在粗糙集近似过程中对象和属性之间的关系,引入描述集的概念,在描述集的意义下根据属性评价函数对目标概念进行自适应粗糙集近似。最后,把自适应粗糙集近似过程与认知过程进行比较,并分析它们的相似性,借助该近似过程的思想,在一定程度上提高人们的认知效率。     

Rough集理论与粒计算

近年来,粗糙集理论以其独特的优势在诸多科研领域取得了不俗的表现。在信息处理过程中,统计学方法需要知道数据的概率分布情况,模糊集的方法需要事先给定隶属度函数,而粗集理论不依赖于这些先验知识,利用上、下近似集这两个概念来描述不精确、不一致信息。本质上粗糙集理论是一种粒计算的模型框架。本文主要讨论粗糙集理论的基本概念、扩展模型以及未来的挑战。此外,对于与粒计算的相关概念以及它们在未来发展中的趋势、面临的主要问题本文也有所涉及。     

Rough集理论与粒计算

近年来，粗糙集理论以其独特的优势在诸多科研领域取得了不俗的表现。在信息处理过程中，统计学方法需要知道数据的概率分布情况，模糊集的方法需要事先给定隶属度函数，而粗集理论不依赖于这些先验知识，利用上、下近似集这两个概念来描述不精确、不一致信息。本质上粗糙集理论是一种粒计算的模型框架。本文主要讨论粗糙集理论的基本概念、扩展模型以及未来的挑战。此外，对于与粒计算的相关概念以及它们在未来发展中的趋势、面临的主要问题本文也有所涉及。     

基于变精度粗糙集的KNN分类改进算法

传统KNN算法具有简单、稳定和高效的特点,在实际领域得到广泛应用。但算法的时间复杂度与样本规模成正比,大规模或高维数据会降低KNN分类效率。文中通过引入变精度粗糙集模型,提出一种改进的KNN分类算法。算法运用变精度粗糙集上下近似概念,将各类训练样本划分为核心和边界区域,分类过程计算新样本与各类的近似程度,获取新样本的归属区域,减小分类代价,增强算法的鲁棒性。实验表明,与传统KNN算法相比,文中算法保持较高的分类精度并有效提高分类效率,具有一定的理论与实际价值。     

基于最大粒的悲观邻域多粒度粗糙集规则获取算法*

基于粒计算的规则获取在一定程度上弥补规则获取算法的缺陷,然而大多数算法仅适用于处理名词型数据.为了从多粒度、多层次的角度处理数值型或混合型数据,基于邻域多粒度粗糙集模型,通过计算邻域多粒度条件粒与决策粒,分析条件粒在规则获取过程中的冗余关系,进而通过剪枝规则获取过程中的冗余条件粒.在此基础上,设计较高效的基于最大粒的悲观邻域多粒度粗糙集规则获取算法.通过理论分析与实例对比验证算法的有效性和优越性.     

基于可变多粒度概率粗糙集的分类模型*

以多粒度粗糙集理论为背景,结合可变多粒度思想与错误分类率思想,提出可变多粒度概率粗糙集(VMGPRS)模型.结合粗糙集理论中的属性约简思想,提出粒度约简算法,发现并解决可变多粒度模型中由于参数设定而引发的约简后粒度冗余问题.将约简前后的数据应用于SVM、KNN、NB等经典分类算法,验证约简对数据的分类能力几乎无影响.将规则与算法结合,设计基于规则的分类算法,并且实验分析VMGPRS模型中的2个调节参数α、 β对分类器分类效果的影响.     

基于Rough Set的属性值约简算法研究

从逻辑的角度分析了属性值约简的本质及过程,在此基础上构造辨识矩阵,提出了一种基于Rough set的属性值约简新算法,并对此进行了证明。该算法比以往的算法更简便、直观,易于编程实现,也更易从本质上理解属性值约简的实质及过程,并且算法不破坏决策系统中的不一致规则所蕴含的信息量。实例分析表明该算法是有效可行的。     

Theory and applications of granular labelled partitions in multi-scale decision tables

Granular computing and acquisition of if-then rules are two basic issues in knowledge representation and data mining. A formal approach to granular computing with multi-scale data measured at different levels of granulations is proposed in this paper. The concept of labelled blocks determined by a surjective function is first introduced. Lower and upper label-block approximations of sets are then defined. Multi-scale granular labelled partitions and multi-scale decision granular labelled partitions as well as their derived rough set approximations are further formulated to analyze hierarchically structured data. Finally, the concept of multi-scale information tables in the context of rough set is proposed and the unravelling of decision rules at different scales in multi-scale decision tables is discussed.     

基于回溯搜索算法的决策粗糙集属性约简

属性约简是粗糙集理论的核心问题,为了获得更多更稳定的最小属性约简,根据决策粗糙集模型将最小属性约简问题转化为决策风险最小化问题,并给出了新的适应度函数计算方法;在此基础上利用回溯搜索算法较强的全局搜索性能,提出了基于回溯搜索算法的决策粗糙集属性约简算法;对UCI数据集的实验结果以及与其他约简算法的比较表明,该算法能够得到更多的最小属性约简,而且能够在多次运行中保持约简结果个数的稳定性。     

基于粗糙集理论的属性约简算法的VB实现

粗糙集理论成为近年来数据挖掘领域的研究热点,基于粗糙集理论的属性约简算法具有重要的研究意义,开发一套用于研究粗糙集理论属性约简算法的软件将是有效的辅助工具。论文首先对粗糙集理论基本概念及属性约简问题进行介绍,接着介绍该软件的设计和结构功能,举例说明该软件的应用,并提出该软件有待进一步扩展的功能。