数据样本集残缺的粗集解决法

数据样本集是人工智能发展需要的主要要素,所以要求提供的数据样本集,应该是全面的、有效的集合。当所提供的数据样本集残缺不全时,会影响人工智能的有效应用。针对此问题,文章提出了一种基于粗集理论的数据样本集补全方法,能科学的、正确的、有效的补全数据样本集,为提高人工智能的决策推理,铺平了道路。     

基于决策算法的残缺数据样本集补全方法

数据样本集作为人工智能不可缺少的部分，应是全面的，有效的集合。当所提供的数据样本集残缺不全时，会影响人工智能的有效应用，针对这一问题，该文提出了一种基于决策算法的数据样本集补全方法，能科学、正确、有效地补全数据样本集。为提高人工智能的决策推理铺平了道路。     

对于粗糙集应用中数据不全的解决方法研究

该文针对在粗糙集理论的应用中,由于本身存在或者经过粗糙集理论处理后,所得到的数据不全、短缺的情况,为了发现新的规则,使整个规则系统完备,能够根据以往的数据给决策者提供全面的决策依据,提出了修正唐建国补全法。修正唐建国补全法弥补了唐建国补全法中事先未考虑数据规则的完整性和盲目地进行数据补全的不足,同时对于其决定规则的决策属性的概率计算进行了修改,从而使规则的决策属性的预测性有了明显的提高。     

粗糙集理论在医疗诊断系统中的应用

粗糙集理论能有效地分析和处理不精确、不一致和不完整等各种不完备信息.并能从中发现隐含的知识,揭示潜在的规律.讨论粗糙集理论用于医疗诊断中的方法,实践表明该方法具有重要的应用价值.     

粗糙集在大同房地产市场分析中的应用

粗糙集理论具有很强的定性分析能力,能够有效地表达不确定的或不精确的知识,善于从数据中获取知识,并能利用不确定、不完整的经验知识进行推理。利用粗糙集理论,以房地产信息为实例,通过粗糙集的属性约简和规则提取方法,得到更多房地产信息中潜在的规律,为购房者提供更多的参考。     

粗糙集理论在简化过程建模参数中的应用

利用粗糙集理论知识约简的特点,以连续催化重整反应过程中重整产品辛烷值监控建模参数选择为例,对生产过程工况特征参数建立决策表,计算条件属性的重要性,对决策表进行属性约简,简化过程建模参数。此外还将该方法与主成分分析法作了比较。最后利用选择的建模参数建立起神经网络模型。     

F-残缺数据与F-残缺数据圆特征-应用

F-残缺数据是由F-数据(x)F与损失数据(x)-构成的数据对((x)F,(x)-),((x)F,(x)-)具有内-动态特性,应用于一类具有数据元减少特征的信息系统。基于F-残缺数据可视化问题,应用F-残缺数据提出F-残缺数据圆概念,讨论F-残缺数据辨识与恢复的几何方法。给出F-残缺数据圆位置关系定理,F-残缺数据的F-残缺数据圆辨识定理与辨识准则;给出F-残缺数据的F-残缺数据圆恢复定理,并给出应用。F-残缺数据圆是由数据圆OF,O-构成的数据圆对(OF,O-),F-残缺数据圆为研究F-残缺数据提供了一种几何方法。     

粗糙集在客户分类中的应用研究

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。设计了一个基于粗糙集的客户分类模型,并利用粗糙集的知识约简和决策规则提取算法对超市客户进行了分析。通过决策表约简,剔除冗余属性、消除过剩规则。最后得出了属性约简的最小化结果以及决策规则。     

■-残缺数据与■-残缺数据圆特征—应用

Fˉ-残缺数据是由Fˉ-数据(x)Fˉ与损失数据(x)-构成的数据对((x)Fˉ,(x)-),((x)Fˉ,(x)-)具有内-动态特性,应用于一类具有数据元减少特征的信息系统。基于Fˉ-残缺数据可视化问题,应用Fˉ-残缺数据提出Fˉ-残缺数据圆概念,讨论Fˉ-残缺数据辨识与恢复的几何方法。给出Fˉ-残缺数据圆位置关系定理,Fˉ-残缺数据的Fˉ-残缺数据圆辨识定理与辨识准则;给出Fˉ-残缺数据的Fˉ-残缺数据圆恢复定理,并给出应用。Fˉ-残缺数据圆是由数据圆OFˉ,O-构成的数据圆对(OFˉ,O-),Fˉ-残缺数据圆为研究Fˉ-残缺数据提供了一种几何方法。     

基于粗糙集的数据聚类方法研究

RoughSets理论是一种新型的处理含糊和不确定性知识的数学工具,将RoughSets理论应用于知识发现中的聚类分析,给出了信息系统的约简、信息系统的可辨识属性矩阵和信息系统的辨识公式等定义,在此基础上提出了基于粗糙集的数据聚类算法RSDC,实验结果验证了该算法的可行性,并且对符号属性和数值属性数据都具有良好的聚类效果。     

粗糙集中若干新的模糊度计算公式

依据模糊集的模糊度和贴近度的公理化定义,基于粗糙集的模糊度和贴近度的基本概念,进一步研究粗糙集的模糊性度量方法,给出了文[3]中模糊度公式的等价形式;同时讨论了粗糙集中由贴近度诱导的模糊度,给出了粗糙集中若干新的模糊度计算公式。     

基于容错粗集理论的知识约简

粗集理论(RoughSetsTheory,RST)在处理不完全、不精确、不确定性智能信息问题等许多领域已取得成功的应用。然而RST理论还存在某些局限性,比如对等价关系的定义使得知识约简相对复杂化。该文提出利用容错粗集犤1犦RST的概念,建立属性值之间的容错关系,用容错关系对对象进行分类。该方法首先采用遗传算法求出属性阈值的最优组合,然后分别建立属性和对象的特殊矩阵,最后求出属性的相对约简和对象的相对商集。采用容错粗集进行知识约简减少了量化的过程,从而提高知识约简的有效性。该文最后提供了一个实例表明该方法是可行的。     

人性化地址簿的粗糙集分析模型

本文介绍了一种基于粗糙集分析模型的人性化地址簿构适算法。以地址簿模型为实例，解决了智能化信息管理过程中项目自动分类的不精确，不完整问题。实验证明该算法是抽取自动归类规则的有效技术和实现智能化、人性化信息管理的快速实用方法。     

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的数据预处理

RoughSet理论是一种新的处理不精确,不完全与不相容知识的数学工具。数据预处理是数据挖掘中必不可少的步骤,处理的结果对下一步数据挖掘有直接影响。论文利用RoughSet一些特性对KDD99中的数据集进行处理,并且针对数据集的特点实现了对其进行数据离散化、属性约简等处理。通过这些处理过程为下一步的数据挖掘打下了基础。     

粗集理论中的容错关系及其构造方法

粗集理论（Rough Sets Theory,RST）在许多领域已得到成功的应用,它在处理不完全、不精确、不确定性智能信息问题中表现出优秀品质。然而在标准RST理论中存在有局限性,比如对等价关系的定义使得知识约简相对复杂化。论文提出了基于RST的容错粗集的概念,给出了容错粗集上的性质,使得在进行知识约简时无需进行量化。从而大大提高了知识发现的效率。