Dominance-based Rough Set Classifier without Induction of Decision Rules

Rough Sets Theory is often applied to the task of classification and prediction, in which objects are assigned to some pre-defined decision classes. When the classes are preference-ordered, the process of classification is referred to as sorting. To deal with the specificity of sorting problems an extension of the Classic Rough Sets Approach, called the Dominance-based Rough Sets Approach, was introduced. The final result of the analysis is a set of decision rules induced from what is called rough approximations of decision classes. The main role of the induced decision rules is to discover regularities in the analyzed data set, but the same rules, when combined with a particular classification method, may also be used to classify/sort new objects (i.e. to assign the objects to appropriate classes). There exist many different rule induction strategies, including induction of an exhaustive set of rules. This strategy produces the most comprehensive knowledge base on the analyzed data set, but it requires a considerable amount of computing time, as the complexity of the process is exponential. In this paper we present a shortcut that allows classifying new objects without generating the rules. The presented approach bears some resemblance to the idea of lazy learning.     

基于Rough集的决策规则提取

通过分析分明矩阵方法进行属性约简时存在的一些弱点，本文提出了分明矩阵方法的简化，并将其应用于数据库中决策规则的提取。在求核集时，该方法不必生成分明矩阵这一环节，从而减少了时空上的不必要开销，提高了属性约简的效率，并通过一个实例详细地说明了具体提取过程，该实例说明了基于Rough集提取决策规则的方法简单易行。     

基于不完备信息系统的Rough Set决策规则提取方法

对象信息的不完备性是从实例中归纳学习的最大障碍。针对不完备的信息，研究了基于不完备信息系统的粗糙集决策规则提取方法，利用分层递减约简算法，通过实例有效地分析和处理了含有缺省数据和不精确数据的信息系统，扩展了粗糙集的应用领域。     

一种基于Rough集获取规则知识的增量式学习方法

将Rough集理论应用于规则归纳系统,提出了一种基于粗糙集获取规则知识库的增量式学习方法,能够有效处理决策表中不一致情形,采用启发式算法获取决策表的最简规则,当新对象加入时在原有规则集基础上进行规则知识库的增量式更新,避免了为更新规则而重新运行规获取算法。并用UCI中多个数据集从规则集的规则数目、数据浓缩率、预测能力等指标对该算法进行了测试。实验表明了该算法的有效性。     

一个基于Rough set理论的增量式学习算法

为了获取最小决策规则,当增加新例子时,传统的方法通常需要对决策表中所有数据重新计算,效率欠佳。为了尽量减少重复计算量,该文从Roughset理论出发,提出了一种新的增量式学习算法和最小重新计算的标准,并且用理论和实验对新算法和传统算法在算法复杂度上做了对比。     

启发式知识获取方法研究

归纳学习是解决知识自动获取的有效方法，针对ID3算法、基于粗集的归纳学习以及其它一些归纳学习方法存在的问题，提出了一种新的归纳学习算法ITIL。此算法用信息增益为启发式，选择尽量少的重要属性或组合，以可分辨性为依据提取规则，许多实例表明，这些规则不仅简单，而且冗余小，作为知识获取模块的一部分，ITIL已被集成到一个“基于知识发现的医疗诊断辅助系统”动态知识库子系统中。     

基于粗糙集的拒绝决策规则获取和约简

针对确定性和不确定性决策规则无法给出拒绝判断的缺陷,提出一种拒绝决策规则获取方法。通过分析拒绝决策规则的度量因子,设计2种可以保持下近似不变和上近似不变的相对约简算法,给出基于分辨矩阵的拒绝决策规则约简的判定定理和操作方法,实例分析结果验证了该方法的有效性和实用性。     

覆盖广义粗糙集中近似集增量更新方法研究

研究覆盖广义粗糙集中近似集变化的增量更新问题,分析属性增删时覆盖广义粗糙集模型近似集的性质,根据边界域与近似集关系,得出属性集变化时近似集的变化趋势,并在此基础上,提出一种属性集变化时近似集的动态增量更新方法。通过实例验证该方法的有效性。     

关联规则的增量式更新算法

关联规则的开采是一个重要的数据开采问题.目前已经提出了许多算法用于高效地发现大规模数据库中的关联规则，而对关联规则维护问题的研究工作却很少.在用户开采关联规则的交互过程中，为了找到真正令其感兴趣的规则，用户将需要不断调整两个描述用户兴趣程度的阈值：最小支持度和最小可信度.本文提出了两种增量式更新算法——IUA(incremental updating algorithm)和PIUA(parallel incremental updating algorithm),用来解决这一关联规则高效维护问题.     

Incremental Induction of Decision Trees

This article presents an incremental algorithm for inducing decision trees equivalent to those formed by Quinlan's nonincremental ID3 algorithm, given the same training instances. The new algorithm, named ID5R, lets one apply the ID3 induction process to learning tasks in which training instances are presented serially. Although the basic tree-building algorithms differ only in how the decision trees are constructed, experiments show that incremental training makes it possible to select training instances more carefully, which can result in smaller decision trees. The ID3 algorithm and its variants are compared in terms of theoretical complexity and empirical behavior.     

不完备模糊系统的优势关系粗糙集与知识约简

以不完备模糊决策系统为研究对象,根据拓展的优势关系,构建了粗糙模糊集模型,以获取不完备模糊决策系统中的"at least"和"atmost"决策规则.为了获取简化的"at least"和"at most"规则,在不完备模糊决策系统中,提出了两种相对约简(相对下近似约简与相对上近似约简)的概念,给出了求得这两种约简的判定定理及区分函数,并进行了实例分析.     

增量式的多变量决策树构造算法研究

针对增量数据集,结合粗糙集理论和多变量决策树的优点,给出了增量式的多变量决策树构造算法。该算法针对新增样本与已有规则集产生矛盾,即条件属性相匹配,而决策属性不匹配的情况,计算条件属性相对于决策属性的核,如果核不为空,则计算核相对于决策属性的相对泛化,根据不同的结果形成不同的子集,最终形成不同的决策树分支。该算法很好地避免了在处理增量数据集时,不断重构决策树。实例证明该算法的正确性,对处理小增量数据集具有良好的性能。     

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。     

基于层次决策表增量学习算法的网络入侵检测

针对网络入侵检测系统面临的检测规则更新问题,提出一种解决方法,用粗糙集层次决策表表示系统的入侵检测规则,利用其增量学习算法完成新规则的学习。仿真实验结果表明,与仅用决策表规则的系统相比,使用层次决策表表示规则的系统所用的训练时间更短,漏报率低,对于Probe和R2L&U2R入侵具有更好的检测效果。     

一种基于粗糙集的信息系统决策规则提取方法

以粗糙集理论为基础,引入相似性的概念,并提出其衡量方法,改进了粗糙集理论中不可辨关系的确定条件,给出了基于新的相似关系的上下近似空间定义,并举例说明了基于粗糙集的相似性规则提取方法。     

粗糙集在销售决策系统中的应用

在销售决策支持系统中,存在着大量的信息和很多不确定的因素,这使得做出科学合理的决策变得很困难。粗糙集理论是处理不确定性知识与不完整数据的有效工具,因此可以根据粗糙集理论通过分析推理找出销售数据中存在的有用的知识。依据粗糙集理论实现了一种对销售决策表知识简化的方法,采用粗集理论处理大量销售信息,从中提取有用规则,通过分析和推理产生最小决策规则。通过实例分析,验证了粗糙集理论与销售决策支持系统相结合方法的可行性。该方法有效地解决了智能销售决策支持系统中决策规则的获取与理解等问题。     

一种从不完备数据集中发现规则的RS方法

Rough集(Rough SetS、Rs)理论被广泛应刑于数据分类问题,该文用基于RS的方法从不完备数据集中产生确定和可能的规则集,提出了一种新的规则发现算法,可以同时从不完备数据集中产生规则和估计缺失值,并指出了进一步的研究方向。     

基于Rough Set理论的增量式规则获取算法

从Rough set理论出发,讨论在新增数据时,新数据与已有规则集的关系、属性约简以及值约简的变化规律.并在此基础上提出一个新的基于Rough Set理论的增量式算法.从理论上和实验上对新算法和传统算法在算法复杂度上做了分析与比较.     

编队协同对地攻击粗决策仿真与研究

编队协同对地攻击系统,由于其具有不同于其他作战模式的独特特点,其指挥决策信息系统也不同于其他作战样式,针对编队协同对地攻击特点,建立了编队协同对地攻击指挥决策信息系统以及决策表,并基于粗糙集理论,对完备信息条件下的编队协同对地攻击决策信息系统的决策规则与条件属性约简方法进行仿真与研究,仿真结果表明,粗决策方法能够针对建立的决策信息系统提取简要的作战决策规则,且规则合理有效,能够为作战指挥决策提供依据.