一种基于Rough集理论的不完备数据分析方法

Rough集方法是一种处理不确定或模糊知识的重要工具.本文对基于Rough集理论中的差异矩阵进行了研究.在引入扩充差异矩阵的基础上,提出了一种基于Rough集理论的不完备数据分析方法ROUSTIDA.该方法充分利用Rough集分析方法的优点,只需利用信息系统提供的信息,不需要另外附加信息,计算简单、直观.实验表明,该方法能充分利用信息系统中数据所反映的规律性,能有效地对不完备信息系统进行完整化分析.     

一种数据约简方法的探讨

Rough集理论在数据挖掘中的重要性已日益为大家所重视，也已经发展出一些行之有效的方法如：数据分析法，分明矩阵法。本文从以上两种方法出发，提出简单相异矩阵，并用以进行数据约简。     

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具,对基于Rough集理论的缺省规则挖掘算法进行研究,在引入规则支持度概念后,提出了一种基于Rough集的缺省规则挖掘算法MDRBR。实验结果表明,该算法能较好地过滤噪音,提高规则的挖掘效率。     

基于Rough集方法的数据约简与机器学习

用一种新的增加属性值的方法进行数据约简，并把这种方法用于机器学习和机器研究，提出了完全分明，分明度等新概念，使数据约简和机器学习完全统一。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

基于Rough集理论的分布式知识获取模型

分布式知识获取是当前数据挖掘研究领域的热点问题之一.为了利用Rough集理论荻取分布决策表中的知识,提出了一个基于Rough集理论的分布式知识获取模型,并讨论了数据在粗糙分布式环境下,运用信息抽取算子及知识生成算子获取全局决策规则的方法.这些理论与方法扩展了Rough集理论处理多数据源的知识获取问题.实例证明了这些方法的可行性.     

基于数据库系统的Rough集模型的扩展

针对基于数据库系统的Rough集模型中的知识约简算法对一致决策表适用,而对不一致决策表不适用的局限性,给出了将不一致决策表转换为一致决策表的算法,证明该算法能保持核和约简集合不变,并分析了该算法的时间复杂度,在此基础上,利用数据库系统的集合操作和SQL语言描述转换算法,将基于数据库系统的Rough集模型中的知识约筒算法扩展到不一致决策表．理论分析和实验结果表明,扩展后的算法仍是高效的．     

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     

基于集值的Rough集扩充模型

基于文献[7]中的相容关系和优势关系,提出了一种k度限制相容关系模型,同时研究其性质。最后通过实例验证该模型具有很好的灵活性,分类结果也更加切合实际。     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。     

基于Rough Set理论的"数据浓缩"

本文了基于ＲｏｕｇｈＳｅｔ（ＲＳ）理论数据浓缩的几个问题。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

一种基于粗糙集的集成算法及应用

粗糙集理论的主要思想是在保持信息系统分类能力不变的前提下,通过知识约简,导出问题的决策和分类规则：本文提出一种基于信息量的属性约简和规则提取的集成算法,并结合汽车里程试验数据进行验证,通过仿真实验,表明了该算法的有效性和可行性。     

基于Rough Set的最小决策算法的研究

在决策表中，每一行对应了一条决策规则，介并非所有的条件属性对该决策都起作用，所以要进行决策规则的简化，简化后的规则集中仍可能会含有可以去掉而又不影响决策制定过程的冗余规则，找到最小规则集，能去掉所有的冗余信息信息，达到最简化目的，因而最小决策算法的研究很有意义，文中提出一种算法，可在不求得核值表的情况下，直接找到各规则的最小前提条件属性集，获得最小决策算法。     

一种基于粗糙集和信息熵理论的属性离散化算法

在分析和研究C5算法中连续属性处理的必要性及C5算法中离散化方法的不足后,采用基于粗糙集理论-信息熵-可辨识矩阵的离散化的方法(RSIEDM)进行离散化。该方法利用粗糙集、信息熵和可辨识矩阵能更合理、更准确地对连续属性进行离散化,使创建的决策树具有更好的准确率。在优化雷电灾害统计和评估雷电灾害导致的损失应用中,该算法取得了较好的效果。     

CBA分类算法的一种改进

CBA算法是将关联规则挖掘与分类技术相结合的一种分类算法,在许多领域中得到了广泛应用.针对CBA处理海量数据效率低的缺点,提出了一个改进的CBA算法.该算法将粗糙集理论应用到CBA算法中,对决策表进行属性约简,提高了分类关联规则的生成效率;并应用PEP(pessimistic error pruning)方法对候选规则进行剪裁.实验结果表明,该算法比CBA具有更高的分类效率和准确度.