基于粗糙集和贝叶斯网络的作战效能评估

针对部队作战不确定因素多、建模复杂的特点,提出一种作战行动效能的评估模型。运用粗糙集理论除去冗余的评估指标,降低朴素贝叶斯分类器的时空复杂度。给出该模型的评估算法步骤,通过贝叶斯网络的参数学习,将不同数据类型的评估指标统一在类条件概率分布中,既保证了评估的客观性,又较好地表达出作战过程随机性的特点。实例研究表明,将该方法用于作战行动效能的评估是可行的。     

基于贝叶斯粗糙集的图像分类方法的应用

基于贝叶斯粗糙集,引入全局增益,以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。     

基于粗糙集和信息熵的属性约简算法

粗糙集具有很强的定性分析能力，通过不可分辨关系找出内在规律性，很适合做属性的约简。可辩识矩阵为属性约简提供了一个浓缩了的属性区分信息，可以方便求到核属性，但对于矩阵中除核属性之外的其他属性组合的研究却不容易。熵是概率统计方法中一个概念，概率性的知识提供了一种度量。本文就是基于粗糙集的理论，运用可辨识矩阵，结合信息熵思想，提出一种属性约简算法，保证约简效果与速度。     

基于粗糙集理论的属性约简新算法

以属性在可分辨矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。引入二进制可辨识矩阵,利用二进制可辨识矩阵求出相对核。以相对核为基础,依次加入属性重要度大的属性,直到不能再加。     

薄膜蒸发器远程参数化设计技术研究

针对单机版薄膜蒸发器参数化设计系统的诸多局限性,研究了B/S模式远程参数化设计的基本原理及实现方法,并开发了基于WebClass的薄膜蒸发器远程参数化设计系统,对实现其它过程设备的远程参数化设计有一定的参考价值。     

基于粗糙集理论的属性约简新算法

以属性在可分辨矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。引入二进制可辨识矩阵,利用二进制可辨识矩阵求出相对核。以相对核为基础,依次加入属性重要度大的属性,直到不能再加。     

基于粗糙集理论和贝叶斯决策的WSN节点的故障诊断

提出了一种无线传感器网络(WSN)节点故障诊断的新方法,首先基于Rough Set理论的区分矩阵和区分函数得到故障诊断决策的属性简约;然后通过贝叶斯决策理论对WSN各个节点的功能模块进行故障定位以及维修决策.仿真实验表明,该方法在WSN节点故障诊断时通信代价小,能量消耗低,诊断正确率高,因而具有在能量有限的WSN节点中应用的可能性.     

基于粗糙集和贝叶斯分类器的变电站故障诊断

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和贝叶斯分类器的变电站故障诊断方法.首先利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行挖掘,实行属性优选,再运用朴素贝叶斯分类器对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示了该方法能有效地缩小问题求解规模和较强的抗干扰能力,是一种有效的变电站故障诊断方法.     

基于粗糙集贝叶斯网络的电子产品设计缺陷评估模型

为了对电子产品设计缺陷进行评估与预测,需要构建电子产品设计缺陷粗糙集数学描述模型。由于电子产品设计缺陷影响因素关系复杂,直接构造贝叶斯网络预测模型困难大、精度差,因此提出一种贝叶斯网络与粗糙集相结合的方法。采用粗糙集来生成贝叶斯网络预测模型的网络结构和各节点的条件概率表,再通过贝叶斯网络的参数估计建立电子产品设计缺陷的预测模型。实际应用证明,该方法简洁有效,可以预测项目可能存在的设计缺陷。     

一种基于粗糙集和信息熵理论的属性离散化算法

在分析和研究C5算法中连续属性处理的必要性及C5算法中离散化方法的不足后,采用基于粗糙集理论-信息熵-可辨识矩阵的离散化的方法(RSIEDM)进行离散化。该方法利用粗糙集、信息熵和可辨识矩阵能更合理、更准确地对连续属性进行离散化,使创建的决策树具有更好的准确率。在优化雷电灾害统计和评估雷电灾害导致的损失应用中,该算法取得了较好的效果。     

基于粗糙集和信息增益的属性约简改进方法

针对属性过多对于有效的数据挖掘很不利以及约简中差别矩阵的产生会占用较大存储空间的问题,提出了一种基于粗糙集和信息增益的属性约简改进算法.该算法首先采用信息增益技术对决策表属性进行相关分析,删除部分冗余属性,减小属性约简的复杂度,然后直接从决策表中提取出分明函数,求出属性约简.由于避免了分明矩阵的生成,因此该算法不仅节约了时间和空间,而且提高了效率.     

概念格与粗糙集的数据分析方法研究

概念格和粗糙集是数据挖掘中对数据进行分析与处理的两个有力工具,它们在数据分析方面有相似之处.通过运用概念格刻画粗糙集的一些概念与性质给二者建立了联系.指出了概念格每个结点都是粗糙集中一个等价类,并借鉴粗糙集的思想,提出了在概念格中进行概念近似的方法.同时使用概念格中的概念重新描述了粗糙集的上下近似,最后通过事例将粗糙集中改进的区分矩阵运用于概念格中的属性约简,从而减少了区别矩阵的存储空间,并同时减少了区别矩阵的计算量,真正从一定意义上结合了二者的优点.     

基于模糊集截集的模糊粗糙集模型

基于L.A.Zadeh模糊集的截集的概念给出了论域U上任意模糊子集的上、下近似的刻画,得到了基于模糊集的截集的粗糙集模型,亦即模糊粗糙集,实现了用论域U中的模糊集近似论域上的任意模糊集,进一步推广了Z.Pawlak粗糙集模型,扩展了粗糙集的应用范围。最后,研究了其基本性质以及其与其他粗糙集模型的关系。     

基于覆盖的区间直觉模糊粗糙集

在经典的覆盖近似空间中,定义了区间直觉模糊概念的粗糙近似。通过区间直觉模糊覆盖概念,给出了一种基于区间直觉模糊覆盖的区间直觉模糊粗糙集模型。讨论了两种模型的一些相关性质。     

基于模糊集和粗糙集联系度的商务决策系统

粗糙集理论和模糊集理论都是研究信息系统中知识的不完整、不确定性问题,把集对分析中的联系度概念应用于粗糙集中,说明了粗糙集联系度与下近似集和上近似集的值化的关系,将粗糙集联系度理论与模糊集理论相结合,提出了一种基于模糊集和粗糙集联系度的综合评价方法,实例验证了该方法对一大类复杂信息系统的知识发现具有一定的应用价值。     

Knowledge acquisition in vague objective information systems based on rough sets

Abstract: The growing volume of vague information poses interesting challenges and calls for new theories, techniques and tools for analysis of vague data sets. In this paper, we study how to extract knowledge from vague objective information systems (VOISs) based on rough sets theory. We first introduce the basic notion termed rough vague sets by combining rough sets theory and vague sets theory. By using the rough vague lower approximation distribution in the VOIS, the concept of attribute reduction is introduced. Then, we develop an algorithm based on a discernibility matrix to compute all the attribute reductions. Finally, a viable approach for extracting decision rules from the VOIS is proposed. An example is also presented to illustrate the application of the proposed theories and approaches in handling medical diagnosis problems.     

基于粗糙集理论的协同训练算法

为了提升风险决策环境下协同训练的效果, 提出了一种基于粗糙子空间的协同决策算法。首先利用粗糙集属性约简的概念, 将部分标记数据属性空间分解为两差异性较大的粗糙子空间; 在各子空间上训练分类器, 并依据各分类器决策风险代价及隶属度将无标记数据划分为可信、噪声和待定样本。综合两分类器的分类结果, 标注少量可信无标记样本后重复协同训练。从理论上分析了算法性能提升的区间界, 并在UCI数据集上进行实验, 验证了模型的有效性及效率。     

基于粗糙集和灰色理论的物流联盟稳定性研究

基于对有关战略联盟稳定性文献的综述,提出具有层次结构的物流联盟稳定性评价属性模型。然后,利用粗糙集和灰色的基本理论和方法,建立基于粗糙集和灰色理论的物流联盟稳定性状况评价模型框架结构图,并给出其中的基于分辨矩阵的指标属性约简算法,优化评价指标。在此基础上,使用灰色理论对物流联盟的稳定性状况进行评估。最后通过实例说明该模型的有效性及实用性。     

Soft sets and soft rough sets

In this study, we establish an interesting connection between two mathematical approaches to vagueness: rough sets and soft sets. Soft set theory is utilized, for the first time, to generalize Pawlak’s rough set model. Based on the novel granulation structures called soft approximation spaces, soft rough approximations and soft rough sets are introduced. Basic properties of soft rough approximations are presented and supported by some illustrative examples. We also define new types of soft sets such as full soft sets, intersection complete soft sets and partition soft sets. The notion of soft rough equal relations is proposed and related properties are examined. We also show that Pawlak’s rough set model can be viewed as a special case of the soft rough sets, and these two notions will coincide provided that the underlying soft set in the soft approximation space is a partition soft set. Moreover, an example containing a comparative analysis between rough sets and soft rough sets is given.     

Approximations and reducts with covering generalized rough sets

The covering generalized rough sets are an improvement of traditional rough set model to deal with more complex practical problems which the traditional one cannot handle. It is well known that any generalization of traditional rough set theory should first have practical applied background and two important theoretical issues must be addressed. The first one is to present reasonable definitions of set approximations, and the second one is to develop reasonable algorithms for attributes reduct. The existing covering generalized rough sets, however, mainly pay attention to constructing approximation operators. The ideas of constructing lower approximations are similar but the ideas of constructing upper approximations are different and they all seem to be unreasonable. Furthermore, less effort has been put on the discussion of the applied background and the attributes reduct of covering generalized rough sets. In this paper we concentrate our discussion on the above two issues. We first discuss the applied background of covering generalized rough sets by proposing three kinds of datasets which the traditional rough sets cannot handle and improve the definition of upper approximation for covering generalized rough sets to make it more reasonable than the existing ones. Then we study the attributes reduct with covering generalized rough sets and present an algorithm by using discernibility matrix to compute all the attributes reducts with covering generalized rough sets. With these discussions we can set up a basic foundation of the covering generalized rough set theory and broaden its applications.