基于粗糙集的不一致决策表约简算法

对传统的区分矩阵法进行分析,提出一种基于等价类的约简算法。该算法的主要思想是将不相容决策表通过等价类划分转化为相容决策表,然后利用已有的区分矩阵方法对其约简。     

粗糙集理论及其应用进展

粗糙集理论以其出色的处理模糊和不确定知识的能力，成为数据挖掘研究中的有力工具。文章首先描述了粗糙集理论的基本思想，接着介绍了基于粗糙集理论的数据分析过程，给出了作者等人的相关研究工作，最后论述了粗糙集的应用进展及未来的研究方向。     

关于粗糙集理论的一些探讨

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。文章介绍了Rough Set理论的基本思想及分析了粗糙集方法的特点,描述了一种基于粗糙集理论的知识发现步骤。     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用.利用蚁群算法的搜索技术,可以很好地解决这一难题.它不仅能得到最小约简属性集,而且可以得到很多的约简属性集.本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值.     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用。利用蚁群算法的搜索技术,可以很好地解决这一难题。它不仅能得到最小约简属性集,而且可以得到很多的约简属性集。本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值。     

基于蚁群算法的粗糙集属性约简方法

利用蚁群算法的搜索技术,提出了一种基于蚁群算法的粗糙集属性约简方法。该算法将核引入初始信息素分布中,以加快算法的收敛。同时为提高全局搜索能力,根据蚂蚁在搜索过程中所得解的分布状况动态地调解蚂蚁的路径策略和信息量更新策略。实验证明该算法是有效的,具有较好的收敛速度和稳定性。     

蚁群算法融合粗糙集理论的属性约简算法

为了克服属性约简过程中寻找最小属性集算法存在时间复杂度高搜索空间大等不足,把属性抽象为节点,通过蚁群算法搜索得到节点的最少组合,使得其能代替原有的属性节点并保持决策系统的粗糙分类能力.针对蚁群算法初期信息素匮乏,收敛速度慢的问题,将蚁群算法和粗糙集理论融合,采用粗糙集理论的相关算法确定属性核,并将其作为蚁群算法的初始节点.利用蚁群算法的搜索能力,用于最小属性集的搜索.理论分析和实验结果表明,该算法可行有效.     

一种基于粗糙集理论的决策规则提取方法

粗糙集理论是一种新兴的数学工具,用于分析、处理不确定或不完整的复杂信息,适合于从大量复杂的数据中发现隐含的、潜在有用的规律。提出了一种基于粗糙集理论的决策规则提取方法,通过重要度分析和属性约简,找出影响决策属性的关键因素。通过值约简,得出决策规则。运用该方法对大学生自主学习风气与能力培养之间的关系进行研究,实例分析表明,这种新的方法具有实际应用价值。     

基于粗糙集的综合评价方法研究

粗糙集特有的属性约简和属性重要度原理能对有限的指标数据进行有效挖掘, 且具有客观性, 能优化综合评价过程.根据这种思路, 提出了基于粗糙集的综合评价流程及各步骤方法, 并通过同行评议专家的科技信用评价验证了该方法的实用性.     

粗糙集理论在高层建筑结构知识发现中的应用

粗糙集理论处理高层建筑方案设计知识发现问题时,须对样本属性逐次处理,导致挖掘速度缓慢,针对这一缺点,采用一种基于概念普遍化和粗糙集的数据发掘算法,利用概念普遍化和粗糙集对数据进行压缩和维数精简的特长,利用知识归纳的方法压缩信息表中数据,再用标准粗糙集理论对表中数据进行属性约简、合并,从而导出决策规则.根据实际需要对信息表中的数据进行处理,达到高效发掘感兴趣模式的目的.并给出一个应用实例.     

基于粗糙集的数据集预处理研究

针对分类模型在构造过程中存在冗余属性的特点,提出了一种基于粗糙集理论的分类预处理技术,利用其理论的属性约简与分辨矩阵得到属性的约简集.经实例证明,此方法对提高分类模型构造效率有较好的效果.     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

多值Rough集的一般化

给出了多值信息系统中的等域关系的定义,讨论了等域关系的性质,进而,给出了将多值Rough集一般化的方法,并将经典Rough集理论和方法的应用范围扩展到了多值的情况。     

粗糙集理论在商业数据挖掘中的应用

商业智能研究中的商业数据挖掘,是从数据库中抽取对商业零售企业进销存具有潜在应用价值的隐含信息.给出了基于粗糙集理论的商业数据挖掘完整过程,结合商场客户价值分析的实例,使用粗糙集数据挖掘系统(RSDMS)进行数据预处理,消去冗余属性,抽取决策规则.     

基于Rough集和概率统计方法的决策规则提取

Rough集是一种处理不精确的、不一致的、不完整的信息,并从中发现隐含的知识,揭示潜在规律的新型方法.Rough集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,删除其中不相关或不重要的知识,从而导出问题的决策或分类规则.概率统计方法是传统数据处理方法,两者各有其优缺点.在决策规则提取过程中,将两者方法结合起来,在满足决策规则力度、肯定因子和覆盖因子的基础上对规则进行筛选,从而提高了决策的准确性和合理性.     

基于粗集理论的约简算法

在基于属性重要性和基于分辨矩阵两种算法的基础上,提出了一种同时满足属性重要性和频度的启发式约简算法RedFreSigni。该算法的基本思想是:以属性的核为基础,把核和用户偏好集同时作为属性近似约简的一部分,以频度作为选择属性的启发信息可同时生成计算属性的频度信息与不可分辨矩阵,减少了计算时间。在此基础上进而提出了基于规则支持度和置信度的决策挖掘算法,该算法能有效提取出用户感兴趣的规则。     

Rough集理论在结构损伤识别中的应用

提出以光纤光栅传感嚣为传感元件、简支板结构为研究对象、运用粗集理论对结构损伤部位进行检测识别。介绍了用Rough集理论来构建检测对象的知识表示方法，用K-均值量化算法实现连续信息离散化，采用基于Rough集的约简方法来生成目标决策规则。检验样本的实验显示出所提方法获得了满意的检测识别结果，且运算效率远高于神经网络。     

基于粗糙集数据挖掘方法的最大功率研究

风电机组在运行过程中会产生大量的机组数据,随着大量数据的积累及数据库的应用,为了有效地利用产生的有用数据,运用粗糙集数据挖掘方法对数据的属性进行简约、决策,发现数据之间的关联规则,为机组高效运行提供条件.仿真结果表明,基于粗糙集数据挖掘方法不仅可以减小特定属性信息提取的工作量,还能在数据分析中发挥决策的优越性.