不完备信息系统中集对粗糙集模型

粗糙集理论在数据挖掘中的成功应用已成为近来人工智能领域研究的热点,人们将经典粗糙集中的等价关系放宽后使粗糙集理论的运用更加广泛,但在不完备信息系统中的运用仍受到限制。在已有的集对粗糙集模型的基础上,提出了针对不完备系统更加有效的集对粗糙集模型,通过实例说明了这种模型的可行性和有效性,使粗糙集模型在一定程度上得到了推广。     

不完备信息系统中基于集对相似度的粗集模型

讨论了已有粗集扩充模型处理不完备信息的局限,分析了空值相等与确定值相等在概率上的明显差异.依据集对分析理论,提出了集对相似度和相似度容差关系,进而给出一种基于集对相似度的粗集拓展模型.该模型的方法是:通过引入差异度系数体现空值相等与确定值相等之间的差别,利用相似度容差关系及差异度系数确定数据对象的邻域,再利用该邻域得到上下近似集,同时在求上近似时忽略空值的差异性,在求下近似时强调空值的差异性.实验表明,该模型在相同阈值参数的情况下,结果更加合理,精度更高.     

基于新集对理论下的粗糙集模型

为了用集对分析方法进一步刻画不完备信息系统,文中把新集对分析理论与粗糙集理论结合在一起,提出了一种新的集对粗糙集模型,从而拓宽了集对分析方法的应用;定义了一种不完备信息系统的上、下近似算子,得到了一些相关的性质。最后通过一个简单的例子说明了上述方法的可行性。     

基于新集对理论下的粗糙集模型

为了用集对分析方法进一步刻画不完备信息系统，文中把新集对分析理论与粗糙集理论结合在一起，提出了一种新的集对粗糙集模型，从而拓宽了集对分析方法的应用；定义了一种不完备信息系统的上、下近似算子，得到了一些相关的性质。最后通过一个简单的例子说明了上述方法的可行性。     

基于SPA的不完备信息系统的双向S-粗集模型

利用集对分析(SPA)理论,定义不完备信息系统的同异反联系度及集对α相似关系,描述了不完备信息系统中元素迁移奇异集合的上下近似,给出其双向S粗集模型和数学结构,并通过实例说明不完备信息系统的双向S粗集存在的背景与实际意义。不完备信息系统的双向S粗集是对其理论的完善和发展,是双向S粗集的一般形式,为不完备信息系统的动态近似规则的提取和分析研究其动态近似特性奠定了理论基础。     

集对分析与粗糙集的结合

经典的粗糙集理论是基于完备信息系统的,然而实际中由于种种原因会碰到不完备信息系统,论文给出了利用集对联系度定义不完备信息系统中集合的上、下近似集,在一定程度上将粗糙集用于不完备信息系统方面进行了推广。     

不完备信息系统中的集对粗糙集模型分析

考虑一种不完备信息系统,其中同时具有缺席和遗漏型未知属性值,在这种不完备信息系统中,采用集对分析的方法构建了一种新的基于联系度的加权相似度量。在此基础上,分析了加权相似度量在两种特殊情形的不完备信息系统中的表现形式,并通过实例说明了它的有效性。     

基于集对顺势相似关系的变精度粗糙集模型

为了能有效处理含有含噪音数据、模糊性的不完备信息系统,利用集对分析与粗糙集的思想与方法,在比较几种集对相似关系的优势与劣势的基础上,提出了一种基于阀值[α]联系度系数的集对顺势相似关系,并将其代替变精度粗糙集的不可区分关系,构建了一种基于集对顺势相似关系的变精度粗糙集模型,探讨其性质。通过实例验证了所构建模型的合理性与有效性。     

不完备信息系统中的集对分析方法

考虑了既有遗漏型又有丢失型未知属性值的不完备信息系统。在这种不完备信息系统中,采用集对分析的方法构建了一种新的基于联系度的二元关系,此关系仅满足自反性。在此基础上,分析了这种二元关系在两种特殊情形的不完备信息系统中的表现形式,然后根据新建立的基于联系度的粗集模型,使用决策矩阵讨论了规则生成方法,最后用一个实例说明了此方法的有效性。     

基于集对分析的变精度粗糙集模型

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具,在人工智能及数据挖掘等众多领域已经得到了广泛的应用。对于不完备信息系统目前也有多种扩充方法,如基于容差关系的扩充、基于相似关系的扩充等等。该文是在集对粗糙集模型的基础上,引入相对分类错误率的概念,提出了一种基于集对分析的变精度粗糙集模型。然后用集对分析的方法得到了变精度的上、下近似的性质,将经典粗糙集理论和集对粗糙集理论进行了推广。最后,通过一个不完备信息系统的具体例子,说明了这种基于集对分析的变精度粗糙集模型对不完备信息系统中处理模糊和不确定性知识的可行性和有效性。     

基于Rough集的动态信息系统的规则挖掘

在动态信息系统模型下,采用Rough集的方法对信息系统在时间进程与场景变化中的规律进行研究.在论域不变的条件下,提出差异信息系统的概念与构造过程,并在此基础上给出了一种启发式的规则挖掘算法,并对算法复杂度进行了分析.利用该算法得到的决策规则,很好地反映了条件性值的变化与决策变化趋势之间的内在联系.     

基于集对分析的决策支持系统及其应用

本文比较了群决策支持系统（G-DSS）的几个常见决策模型，且综合它们的优缺点，提出了基于集对分析的集对决策支持系统（SP-DSS），并阐述了SP—DSS的决策原理和模型以及在病体系统诊断中的应用。     

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.     

加权多粒度直觉模糊信息系统的粗糙集模型及其决策*

针对现有多粒度直觉模糊粗糙集决策模型的不足,提出粒度加权的多粒度直觉模糊粗糙集模型.首先研究加权多粒度直觉模糊粗糙集的基本性质,分析加权多粒度直觉模糊粗糙集与乐观多粒度、悲观多粒度直觉模糊粗糙集之间的关系,并给出这几种模型不确定度量之间的关系.然后给出决策规则的置信度和支持度定义以及决策规则的获取方法,弥补目前常用的多粒度直觉模糊粗糙集的不足.最后通过决策实例分析验证文中模型的有效性.     

基于Rough Set的属性约简及应用研究

设计简洁的切实可行的基于Rough Set的属性约简的算法.通过基于Rough Set的属性约简方法对两个实际应用说明了如何利用该方法计算条件属性相对于决策属性的重要度,去除冗余属性,形成新的精简的知识发现属性集,从而提高数据挖掘效率.     

基于粗糙集和神经网络的信息融合方法

在运用粗糙集理论和神经网络理论进行信息融合的基础上,分析了其各自的优势和存在的问题,设计了将两者综合的信息融合方法.该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构.利用这种方法对煤矿中各种与瓦斯危险相关的信息进行融合,以此对其瓦斯安全性进行评价.结果表明,这种方法减少了训练次数而且收敛效果比传统神经网络效果好.     

基于标记关系的模糊粗糙集模型*

多标记分类任务中的数据通常是高维的,直接利用高维数据建模可能导致训练效率低下,模型复杂,同时可能影响分类效果.针对多标记数据,文中提出属性-标记矩阵的概念,建立基于标记关系的模糊粗糙集模型,设计此类模型的约简算法,用于多标记数据分类任务的特征选择.在8个公开的数据集上实验验证文中算法的有效性.