基于粗糙集理论的面向个性化知识发现算法

在基于粗糙集理论的数据处理与决策分析的基础上,从实际应用的角度出发,提出了面向个性化知识发现的启发式算法。从理论上证明了算法的正确性,给出了面向个性化的知识获取算法的描述,分析了算法的性能。算法的关键在于规则合成的方法和可信度、覆盖度和规则强度计算的方法。通过例子说明了算法的有效性和实用性。     

决策规则获取算法及规则表示

提出了一种基于粗糙集理论的决策规则获取算法及实用的决策规则表示方法。产品智能设计系统中,在概念设计阶段需要决定产品的类型。一般的产品设计过程,是从分析用户给定的技术参数、设计要求开始。规则获取算法就是从设计参数中挖掘设计知识,从而确定哪种类型的产品最适合用户的要求。该算法不需要任何先验知识。为了将算法应用到实际系统中,必须解决规则表示问题。本文将关系数据库成功地应用于设计规则的表示,使设计出的专家系统推理方便,运行效率高。通过继电器智能设计实例,说明了本方法的应用。     

基于SSA算法的飞行动作规则自动提取

针对空战知识获取问题展开研究，提出了一条从海量飞行参数中获取知识的途径。构建空战专家系统知识库；对于飞行动作规则知识的提取，提出了一种基于樽海鞘群优化算法的飞行动作规则知识提取方法，为了使提取的规则知识简洁有效，对算法的评价函数进行了设计。通过对水平右转弯机动动作和斤斗动作进行规则提取仿真与分析，验证了该方法的有效性和可行性。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

医疗健康数据的模糊粗糙集规则挖掘方法研究

医疗健康数据通常属性较多,且存在连续型、离散型并存的混合数据,这在很大程度上限制了知识发现方法对医疗健康数据的挖掘效率。以模糊粗糙集理论为基础,研究混合数据上的分类规则挖掘方法,通过引入规则获取算法的泛化阈值,来控制获取规则集的大小和复杂程度,提高粗糙集知识发现方法在医疗健康数据上的分类效率。最后通过对比实验验证了该算法在医疗决策表上挖掘规则的有效性。     

非过程性规则描述语言NRDL

规则描述语言是自然语言处理系统的开发环境中十分重要的知识获取工具。本文介绍一种非过程性的、面向汉语理解的规则描述语言NRDL, 详细说明了NRDL的语言结构、规则书写方法、实现机制和功能特点, 并且介绍了在计算机使用的情况。     

一种增量式规则提取算法

扩展了决策矩阵的定义，并在此基础上提出一种增量式规则提取算法(IREA)，该算法能够以增量的方式从样本数据中提取确定性和可能性规则．对于缺乏领域知识时的知识／规则获取具有重要使用价值．     

面向查询扩展的词间正负关联规则挖掘算法

查询扩展是改善和提高信息检索性能的核心技术之一,其关键问题是如何获取与原查询相关的扩展词。通过关联规则挖掘技术获取扩展词是一种有效的扩展词来源方法。为了获取高质量的扩展词,提出了一种面向查询扩展的基于文本数据库的词间正负关联规则挖掘算法。该算法采用支持度-置信度-相关度框架衡量关联规则,避免产生自相矛盾的正、负关联规则,并结合查询项,给出新的剪枝策略,挖掘出只含有查询词项的正负规则,提高了挖掘效率。实验结果表明,与传统的挖掘算法比较,提出的算法更有效、合理,能检测和删除相互矛盾的规则。     

改进的关联规则在文献个性化检索中的应用研究

针对当前高校图书馆文献检索系统不能面向不同读者提供个性化检索服务的弱点,进行文献个性化检索的研究,提出将关联规则运用于对原始检索结果集按照读者层次进行个性化排序的设想,并以某高校图书馆的数据为例,详细描述利用改进的关联规则算法挖掘历史借阅数据,然后利用挖掘结果进行排序的过程,理论和实验验证将关联规则应用在文献个性化检索中的可行性。     

一个不完整分类规则挖掘算法

1 引言在专家系统中,知识获取被公认为是最大的“瓶颈”。目前,随着数据挖掘的兴起,出现了大量的算法,这些算法中利用Rough集方法是非常有效的,因为此类算法不需要关于数据的预先的或附加的信息,因此可用于专家系统中的知识获取,以克服知识获取的“瓶颈”。利用Rough集理论的挖掘算法主要着重生成与数据一致的规则,且这些规则所利用的属性是最少的。但由于各种原因,进入专家系统的数据往往不完全或有错,特别在实时专家系统中,这     

个性化决策规则的发现: 一种基于Rough Set 的方法

为发现用户真正感兴趣的决策规则，利用RS理论和方法设计了个性化决策规则发掘算法．算法分为两步：首先在属性约简中通过提出的理论尽可能去除用户不感兴趣的属性的方法来找出最佳约简；然后在属性值约简中进一步去除与用户无关的属性，从而抽取个性化决策规则．从理论上论证了算法的有效性，给出了实验分析，证实了算法的可行性．     

利用MLC++实现数据挖掘

数据挖掘是从大量原始数据中抽取隐藏知识的过程。大部分数据挖掘工具采用规则发现和决策树分类技术来发现数据模式和规则,其核心是归纳算法。与传统统计方法相比,基于机器学习技术得到的分类结果具有较好的可解释性。在针对特定的数据集进行数据挖掘时,如果缺乏相应的领域知识,用户或决策者就很难确定选择何种归纳算法。因此,需要尝试各种算法。借助MLC＋＋,决策者能够轻而易举地比较不同分类算法对特定数据集的有效性,从而选择合适的分类算法。同时,系统开发人员也可以利用MLC＋＋设计各种混合算法。     

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。     

Discovering Robust Knowledge from Databases that Change

Many applications of knowledge discovery and data mining such as rule discovery for semantic query optimization, database integration and decision support, require the knowledge to be consistent with the data. However, databases usually change over time and make machine-discovered knowledge inconsistent. Useful knowledge should be robust against database changes so that it is unlikely to become inconsistent after database updates. This paper defines this notion of robustness in the context of relational databases and describes how robustness of first-order Horn-clause rules can be estimated. Experimental results show that our estimation approach can accurately identify robust rules. We also present a rule antecedent pruning algorithm that improves the robustness and applicability of machine discovered rules to demonstrate the usefulness of robustness estimation.     

基于专家知识和决策树的设备状态诊断方法

实践了基于专家知识和决策树的设备状态诊断方法。利用专家知识,一方面对样本数据属性进行裁剪,另一方面对正常运行中不易发生的边缘样本点进行人工构造,从而形成一个较完整的样本数据集;利用决策树算法进行规则提取,基于该树形规则,可实现快速状态诊断。     

基于决策熵的决策树规则提取方法

在决策表中,决策规则的可信度和对象覆盖度是衡量决策能力的重要指标。以知识粗糙熵为基础,提出决策熵的概念,并定义其属性重要性;然后以条件属性子集的决策熵来度量其对决策分类的重要性,自顶向下递归构造决策树;最后遍历决策树,简化所获得的决策规则。该方法的优点在于构造决策树及提取规则前不进行属性约简,计算直观,时间复杂度较低。实例分析的结果表明,该方法能获得更为简化有效的决策规则。     

一种不确定性条件下的自适应知识学习方法

通过研究决策表和决策规则的不确定性，分析了由不分明关系划分的粒度引起的规则不确定性的两个方面，即不一致性和随机性，建立基于信息熵和粗糙集表示的不确定性信息度量的方法．利用该方法计算决策表局部最小确定性，并以此为阈值来控制规则集生成的数量，避免不必要的冗余规则的生成．同时结合Skowron的缺省规则获取算法，实现了没有领域先验知识条件下的不确定知识的自适应学习过程．试验结果表明．阈值的选取是合理的，在保持较高的决策正确率的同时，有效地控制了规则集的生成．     

关于对象排序的研究

排序和分类是人类的两种基本的知识,一般文献中讨论的都是关于分类规则的挖掘,分类规则是一种刚提出的新思想,文章对犤3犦犤4犦提出的挖掘排序规则的算法作了更为全面深入的探讨和改进,所做的工作包括:比较可用于比较对象优劣的基于支配关系(dominancerelations)的扩充粗集理论的算法犤1,2犦和直接挖掘有序规则的算法犤3,4犦,分析各自的优缺点;指出犤3犦犤4犦中的算法存在两种情况下的对决策表的过分匹配;用定量翻译决策表的方法和翻译后的决策表的对称性改进犤3犦犤4犦的算法;针对翻译后的决策表基数往往很大和在扩充的粗集理论下是对联合(union)而不是对决策类求规则造成的时间复杂度高的问题,提出了一种启发式的寻找最小规则的算法。