基于概率粗糙集模型的信息检索

针对经典粗糙集模型难以分类标引空间以及体现类间关联的缺陷,将条件概率关系结合粗糙集理论引入信息检索,提出一种基于概率粗糙集的信息检索模型。定义标引词空间的条件概率关系,自动挖掘概念相似类形成概念空间。定义文档与查询、文档与文档间语义贴近度的计算方法。根据贴近度实现检索匹配结果的排序输出。仿真实例表明了该方法的可行性和有效性。     

使用粗糙集进行智能信息检索的方法

提出了一种在信息检索过程中利用粗糙集理论和用户的查询兴趣扩充和优化查询的新方法。首先利用粗糙集理论对文档中用到的关键词进行同义等价类划分,并用同义等价类表示文档简化其描述,然后根据用户的不同查询级别进行不同程度的查询得到查询结果文档集,若结果集中文档数量较大则按文档与查询的相似度高低排序,先返回相似度较高的相关文档。实验表明该方法不仅解决了查询中同义渊智能检索的问题,而且也提高了用户查询的准确率和有效性。     

基于粗糙集的犹豫模糊多属性决策方法

针对属性值为犹豫模糊元的决策问题,提出一种基于粗糙集理论的多属性决策方法.首先,依据属性值与理想点的贴近度和给定的阀值得到判断矩阵;然后,根据判断矩阵对属性集进行约简,确定属性权重;最后,基于TOPSIS思想,计算各方案与理想点的综合贴近度,得到方案的优劣次序,并通过算例分析表明了该方法的有效性.     

基于模糊集的信息检索方法

模糊集理论是一种处理含糊和不确定性问题的数据分析方法,以其为理论基础的数据处理技术得到深刻关注和不断发展。信息检索致力于寻求准确、高效、智能的信息组织与存取方法,成为当今智能信息处理领域的重要研究内容。文档的信息检索过程实际上涉及文档集的表示、用户查询的表示、相似性匹配及其排序三部分,文中利用了模糊集理论中的模糊集合间中的包含关系——包含度定理,利用其中的“包含”关系体现了文档集和用户查询之间的匹配,给出一种信息检索方法,并用其包含度实现检索结果文档集的排序。     

基于模糊集的信息检索方法

模糊集理论是一种处理含糊和不确定性问题的数据分析方法,以其为理论基础的数据处理技术得到深刻关注和不断发展。信息检索致力于寻求准确、高效、智能的信息组织与存取方法,成为当今智能信息处理领域的重要研究内容。文档的信息检索过程实际上涉及文档集的表示、用户查询的表示、相似性匹配及其排序三部分,文中利用了模糊集理论中的模糊集合间中的包含关系——包含度定理,利用其中的“包含”关系体现了文档集和用户查询之间的匹配,给出一种信息检索方法,并用其包含度实现检索结果文档集的排序。     

基于粗糙集理论的权重确定方法研究

针对属性权重完全未知且属性值以专家经验给出的多属性决策问题,提出了利用属性重要度计算客观权重的分配方法。根据粗糙集中的相对正域概念,探讨了如何运用属性重要度确定各属性的客观权重。决策者可以通过经验因子的选取来调整客观权重和主观权重所占的比例,通过实例说明该方法更加有效合理。     

基于粗糙集的WEB页分类研究

随着网络信息资源的急剧增长，自动构造和精简WEB页特征空间已成为解决WEB信息检索的瓶颈。本文旨在利用粗糙集理论的优越性对WEB页表示进行特征选择和约简，并提出一种基于粗糙集的WEB页自动分类系统。主要完成了以下几个方面的任务：对WEB页进行预处理；生成初始特征属性空间，并进行权值计算和特征过滤；约简特征属性空间；运用ELEM2归纳规则；最后通过规则匹配实现WEB页自动分类。     

基于粗糙集的神经网络建模方法研究

提出了一种基于粗糙集的神经网络模型,该方法利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上,而后在这个子空间上用神经网络进行逼近.利用这种方法对岩石边坡工程中边坡稳定性进行分析建模,并和传统的神经网络建模方法进行比较,说明了该方法的有效性.     

基于本体的语义信息检索模型研究

为了弥补传统检索模型基于关键词匹配的缺陷,探讨领域本体的语义信息检索模型。阐述了四元组本体内涵,给出了资源映射方案,制定了本体概念扩展策略,描述了本体概念相似度计算算法,并进行了实验对比分析。结果表明:本体语义检索模型查准率及查全率均高于传统检索模型,具有一定的理论及实用价值。     

基于粗糙集理论的中文知识问答的知识谓词分析

在基于知识的问答系统中,问句中的知识谓词信息分析结果将会对知识元组的整体匹配效果产生影响。中文短问句中的知识谓词的信息表达方式存在着不确定性,这些不确定性的表达增加了知识谓词分析的难度。从粗糙集理论的角度,提出了一种问句中的知识谓词的分析方法,对问句中的知识谓词的弱相关表达进行约简,使问句中与知识谓词强相关的表达词能更有效地与知识元组中的知识谓词匹配,进而提高系统 对知识谓词的整体分析能力。实验结果验证了新方法的有效性。     

基于粗糙集的归纳推理检索方法

归纳推理检索是基于事例推理（CBR）中常用的检索方法之一，是基于ID3算法的检索方法。文章在基干事例推理方法的背景下论证了事例的属性的重要性和冗余之间的关系，并在此基础上从属性相对于其属性的重要性角度来构造启发函数。和ID3算法相比较，该算法不但降低了计算复杂性，而且在一定程度上可以消除样本中的噪声，使归纳推理检索方法的检索效率有所提高。     

一种基于Rough本体的信息检索方法

基于本体的信息检索是实现知识检索的有效途径,针对目前本体支持的形式化概念还不足以表示不完备知识的问题,提出一种基于Rough本体的信息检索方法,该方法中本体以本体信息系统的形式表示。用户提交关键字查询后,首先结合基于关键字检索的方法在预先定义的语义文档空间中搜索文档,然后利用关联搜索的方法来搜索与关键词关联的个体集和属性集,以属性集作为等价类构造Rough本体的近似空间,最后通过近似空间计算个体集和文档集的相似度,根据相似度高低对文档排序。实验表明,此方法比基于关键字和基于经典本体的方法有更高的查准率。     

基于Rough Set和神经网络的CBR快捷检索方法

检索是CBR中的关键技术,直接影响CBR的推理效率和质量,检索出的案例质量的好坏直接影响着案例重用与修改的难易,该文提出先用粗糙集约简理论去除冗余的案例决策表特征,再用BP神经网络模型来实现相似案例检索,这种检索方法不需要定义案例属性之间的相似度,检索速度快。     

基于随机模糊集的不完全信息系统粗集模型

传统的Pawlak粗集理论对处理不完全信息系统具有一定的局限性,研究其相关理论及方法具有重大意义.本文引入随机模糊集概念,首先根据专家的领域知识对不完全信息系统进行模糊值完备化,在对象论域构造以随机模糊集为基础的复合模糊关系,以此作为构造复合近似粗糙集模型的出发点.将Krysckiewez容差关系粗集模型和Stefanowki不对称相似关系粗集模型扩展到模糊领域,并对属性约简的一些重要概念进行模糊集扩展.本文的结果为利用粗糙集理论处理不完全信息系统提供了一种新思路.     

基于粗糙集和神经网络的信息融合方法

在运用粗糙集理论和神经网络理论进行信息融合的基础上,分析了其各自的优势和存在的问题,设计了将两者综合的信息融合方法.该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构.利用这种方法对煤矿中各种与瓦斯危险相关的信息进行融合,以此对其瓦斯安全性进行评价.结果表明,这种方法减少了训练次数而且收敛效果比传统神经网络效果好.     

基于不完备区间值信息系统的决策粗糙集

在不完备区间值信息系统中,提出一种基于极大相容类的决策粗糙集模型。首先,针对不完备区间值信息系统中属性相似度存在的缺陷,对属性相似度进行改进。其次,在不完备区间值信息系统中,由于容差关系下建立粗糙集模型存在冗余度高、分类精度低的问题,采用极大相容类代替等价类,结合贝叶斯最小风险决策原则,建立决策粗糙集模型。经证明,基于极大相容类建立粗糙集模型可有效提高分类精度。最后,基于正域分布不变的原则提出基于区分矩阵的属性约简算法并将该算法应用于实例。