一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

访问控制中基于粗糙集的授权规则知识发现

为实现访问控制中客体对主体预授权的准确和及时,针对基于信任的访问控制信任和权限的映射问题,将成功交互的实体授权信息作为用于知识发现的数据决策信息表,结合访问控制的授权规则,提出了一种基于粗糙集的授权规则知识发现方法,实现授权规则中的属性约简、知识决策规则的提取.最后,通过算例分析验证了基于粗糙集的授权规则知识发现方法的有效性.     

一种智能化的数据分类、分级及保护模型

结合本体和粗糙集理论,提出了一种数据分类分级及保护模型.从业务流程的角度出发对数据进行分类,建立分类数据本体;利用粗糙集理论对数据进行属性约简,并利用规则对约简后的数据进行智能分级,进而对不同等级的数据采取不同的保护措施;还利用粗糙集理论从历史数据中挖掘规则,进行本体学习.以某省电力系统为例进行实验.结果表明,该模型能按照不同单位的特点对数据进行合理分类分级.     

滚动轴承故障诊断虚拟系统的实现

针对滚动轴承,实现了一种粗糙集理论和神经网络技术相结合的新型的故障诊断虚拟系统.该系统利用粗糙集对知识的约简能力,对采集的故障征兆数据进行预处理,即采用竞争学习神经网络把连续属性离散化,将结果导入Rosetta软件中逐步分析处理,得到最小条件属性集,在此基础上构建BP神经网络进行故障识别,将网络输出送回LabView进行显示.实例分析表明,该系统可以提高滚动轴承故障诊断的收敛速度,在期望误差相同的情况下,网络训练时间减小了176步.     

粗粒度多尺度属性约简启发式算法

粗糙集理论(RS)从它出现到现在一直是数据推理方面的一种强有力的工具,而作为数据推理的一个非常重要组成部分——知识的约简也一直是粗糙集理论的研究重点.本文基于信息论中信息熵、相对熵和条件熵的概念和性质,在粗糙集系统中增加了一个粗粒度逼近量,并根据粗粒度逼近量提出了一种多尺度逼近的属性约简或者叫规则提取的新算法.     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

基于粗糙集理论的多传感器信息融合

利用粗糙集理论的属性约简、值约简、核和不完备信息系统等概念来进行多传感器信息的融合,除了传感器测量的数据之外,无需任何额外的信息.针对完备信息系统和不完备信息系统分别提出了相应的融合算法,为解决传感器数据超载以及不完整传感器信息融合提供了有效的方法.     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于模糊-粗糙集理论的神经网络模式识别方法

目的 通过对数据进行约简提高模式识别中数据的有效性,以提高胶合板缺陷检测的准确率和在线的实时性.方法 利用粗糙集理论在数据约简上的优势,提取出对模式识别决策结果影响最大的属性,约简掉对决策结果影响较小的属性.利用模糊逻辑在不确定性问题的能力,提高边缘属性在模式识别中的权重值.利用神经网络在模式识别中的有效性,将粗糙集算法、模糊逻辑、神经网络的人工智能算法有效相结合,提出一种基于模糊粗糙集神经网络的模式识别分类方法.结果 结合胶合板缺陷检测,针对胶合板的13类缺陷的17个属性,提取出最有效的数据,约简了对决策影响最小的4个属性.结论 基于模糊-粗糙集理论的神经网络模式识别算法提高了数据的有效性,增强了缺陷检测的准确度,提升了在线检测的实时性,取得了良好的研究结果.     

粗糙集在CBR中的应用研究

在CBR中引入了粗糙集技术，可以有效地进行知识约简，从中发现规则；建立基于粗糙集的案例索引机制；对案例库的精简维护，以及实现集成推理等，极大地提高了案例推理的能力与效率。     

粗糙近似算子在无限论域上的特征刻划

用构造性方法定义了无限集上的近似算子和粗糙集,讨论了无限集上的近似算子的一些性质,并得出各种类型的二元关系与粗糙近似算子之间的关系。用公理形式定义了粗糙近似算子,各种类型的粗糙集代数可以被各种不同的公理集所刻划阐明了近似算子的公理集可以保证找到相应的二元关系,使得由关系通过构造性方法定义的粗糙近似算子恰好就是用公理化定义的近似算子。     

基于近似约简的集成学习算法及其在入侵检测中的应用

为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对应的数据集训练得到的基学习器具有较大的差异性,从而保证了集成学习器具有较强的泛化性能。为了验证本算法的有效性,本算法被应用于网络入侵检测中。在KDD CUP 99数据集上的实验表明,与传统的集成学习算法相比,本文所提出的算法具有更高的检测率和更低的计算开销,更适合于从海量高维的网络数据中检测入侵。     

基于粒计算的规则发现研究

主要对粒计算在规则发现中的应用进行了研究。数据挖掘中的规则发现已经有了许多方法，例如Roughsel理论。粒计算和Roughset理论有很多的关联，将这两者结合起来应用是一个很有意义的研究。文中先介绍粒及粒计算的基本性质，接着对粒计算和Roughset理论两者进行了一定的比较，最后对粒计算在规则发现中的应用进行了讨论研究。     

Generic reconstruction technology based on RST for multivariate time series of complex process industries

In order to effectively analyse the multivariate time series data of complex process, a generic reconstruction technology based on reduction theory of rough sets was proposed. Firstly, the phase space of multivariate time series was originally reconstructed by a classical reconstruction technology. Then, the original decision-table of rough set theory was set up according to the embedding dimensions and time-delays of the original reconstruction phase space, and the rough set reduction was used to delete the redundant dimensions and irrelevant variables and to reconstruct the generic phase space. Finally, the input vectors for the prediction of multivariate time series were extracted according to generic reconstruction results to identify the parameters of prediction model. Verification results show that the developed reconstruction method leads to better generalization ability for the prediction model and it is feasible and worthwhile for application.     

Rough Sets in Approximate Solution Space

1 Introduction In classicalm athem aticalapplication,w e always attem ptto getthe exactsolution to a problem .Ifan ex- actsolutionisnotavailable,we trytofindan approx- imate one.But infact,many so-calledexactsolutions arenot accuratewhatsoever,forthey are…     

Two Hybrid Methods Based on Rough Set Theory for Network Intrusion Detection

In this paper,we propose two intrusion detection methods which combine rough set theory and Fuzzy C-Means for network intrusion detection.The first step consists of feature selection which is based on rough set theory.The next phase is clustering by using Fuzzy C-Means.Rough set theory is an efficient tool for further reducing redundancy.Fuzzy C-Means allows the objects to belong to several clusters simultaneously,with different degrees of membership.To evaluate the performance of the introduced approaches,we apply them to the international Knowledge Discovery and Data mining intrusion detection dataset.In the experimentations,we compare the performance of two rough set theory based hybrid methods for network intrusion detection.Experimental results illustrate that our algorithms are accurate models for handling complex attack patterns in large network.And these two methods can increase the efficiency and reduce the dataset by looking for overlapping categories.     

关系积理论及属性约简算法

属性约简是粗糙集RS (rough set)理论的重要研究内容.决策表的最小属性约简是NP-hard问题.本文基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,充分利用关系积的相关性质,提高了关系积属性约简算法的效率.     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.