粗集、S-粗集、函数S-粗集及其关系定理

针对Pawlak粗集理论的现况,着重介绍了S-粗集、函数S-粗集的定义、两种结构及对偶形式,详细讨论了S-粗集与Pawlak粗集之间的关系,函数S-粗集与S-粗集、Pawlak粗集之间的关系。最后给出了S-粗集理论的可应用领域。     

单向S-概率粗集

既考虑集合 的动态特性, 又考虑知识库中的统计信息, 提出了单向S-概率粗集. 讨论了单向S-概率粗集的动态特性, 为获得动态的决策规则奠定了基础. 给出了单向S-概率粗集的意义解释, 单向S-概率粗集是对经典粗集理论和单向S-粗集理论的进一步完善与发展.     

函数S-粗集与规律F-隐藏

函数单向S-粗集(Function one direction singular rough sets)是用R-函数等价类定义的,函数是个规律;函数单向S-粗集具有规律特征、动态特征.利用函数单向S-粗集,给出规律F-隐藏概念,提出规律的F-隐藏定理,隐藏识别准则,给出规律的F-隐藏的应用.规律的F-隐藏是函数S-粗集中的一个新的应用研究方向,函数S-粗集是信息规律研究中的一个新理论与新工具.     

函数单向S-粗集对偶生成的■-模型

利用函数单向S-粗集对偶,给出R-函数等价类[u(x)]的-模型与-t阶单向动态模型的生成及有关概念,给出■-模型与■-单向动态模型生成及有关概念,提出■-单向动态模型序关系定理及动态分离定理,■-模型的动态特征依赖于属性集α上的属性删除。利用这些讨论,给出■-模型生成原理及应用。     

基于单向S-粗集对偶的知识堆垒与知识垛识别

利用单向S-粗集对偶（dual of singular rough sets）,给出知识堆垒及其生成的知识垛的概念,知识垛具有动态特性;给出粗知识垛的生成,提出粗知识垛生成原理及粗知识垛的还原定理,提出粗知识垛分辨尺度及识别准则与识别定理,给出应用。     

变精度双向S-粗集及其应用

提出基于副集的双向S-粗集,变精度双向S-粗集;给出基于副集的双向S-粗集,变精度双向S-粗集的数学结构;给出变精度双向S-粗集的存在背景和意义解释。变精度双向S-粗集是对双向S-粗集理论的完善和发展。     

S-粗集系统不确定性的近似处理方法

针对S-粗集的动态特性,提出了内（外）边界的概念,讨论了内（外）边界的一些性质,给出了相对精度的度量,并举例说明了S-粗集系统不确定性的近似处理方法。     

单向变异S-知识的过滤特征及数据挖掘

本文提出了单向变异S-知识、单向变异S-知识粒度、过滤度的概念。利用这些概念讨论了单向变异S-知识的颗粒特征、过滤特征。最后给出了单向变异S-知识的最先挖掘原理,变异S-知识的最先过滤原理。     

知识挖掘与它的链式特征

利用S-粗集与它的属性迁移,提出f、■知识、挖掘度概念,讨论了属性迁移与知识挖掘的数量关系;给出了f、■知识链式定理和f、■知识最小、最大挖掘度定理。最后,给出了■知识挖掘的实例分析。     

单向S-粗模糊集及其特性

提出动态的模糊集,即单向S-模糊集。由此提出了单向S-粗模糊集概念,给出了单向S-粗模糊集结构。定义了单向S-粗模糊集的截集概念,讨论了单向S-粗模糊集的特性。分析了单向S-粗模糊集与Z.Pawlak 粗集、Dubois粗模糊集以及单向S-粗集之间的关系。给出了单向S-粗模糊集的背景和意义解释,单向S-粗模糊集是具有动态特性的粗模糊集。     

双向对等S-粗集及其应用

S-粗集赋予了传统粗集动态特性,但未给出其动态的程度,而这一点往往是实际问题中需要考虑的.针对这一问题,文中给出了一类S-粗集--双向对等S-粗集,给出了其定义及相关性质.双向对等S-粗集不仅具有S-粗集的动态特性,而且充分考虑了其动态的度.使得传统S-粗集在具有动态特性的条件下,集合中元素的数量属性保持不变,即元素迁移前后集合基数相同,从而使S-粗集兼具动态与静态两种属性.最后,给出了双向对等S-粗集的产生背景和在系统决策中的一个应用实例.结果表明了该方法的有效性.     

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。     

具有属性析取萎缩-扩张特征的动态数据智能挖掘

S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征.S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集.利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一.主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用.     

P-模糊集(AF,AF)及其应用

把动态特性引入到有限普通集合X内,改进了普通集合X,提出了P-集合(packet sets) ; P-集合是由内P集合XF (internal packet set XF)与外P集合XF (outer packet set XF)构成的集合对;或者(XF,XF)是P集合。P-集合具有动态特性:内P-集合具有内一动态特性,外P集合具有外一动态特性。把P集合(XF,XF)引入到L. A. Zadeh模糊集A中,改进L. A. Zadeh模糊集A,提出P模糊集(packet fuzzy sets). P-模糊集是由内P模糊集AF (internal packet fuzzy sctAF)与外P模糊集AF (outer packet fuzzy set AF)构成的模糊集合对,或者(AF'AF)是P模糊集。P模糊集具有动态特性,给出了P模糊集的若干特征与应用。在一定条件下,P模糊集(AF, AF)能够回到L.A. Zadch模糊集A的“原点”。P模糊集比L. A. Zadeh模糊集具有更大的应用空间。P模糊集是模糊集理论与应用中的一个新的研究方向。     

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。     

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.     

粗糙集理论在医学数据挖掘中的研究与应用

如何有效地挖掘和利用医疗活动过程中所产生的大量医学信息资源,使之有效地服务于医学的科学研究和临床诊断是医学信息数据挖掘所面临的主要问题.本文首先介绍目前医学数据挖掘研究的特点和现状,以及其区别于其它一般数据挖掘方法的地方;然后探讨粗糙集理论在医学乳腺X片数据挖掘中的应用,最后分析和总结实验中涉及的一些关键问题,并对未来...     

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。