基于模糊概念层的核属性集确定方法及其应用

核属性集的确定是从海量数据中发现决策规则的重要步骤。该文在结合粗糙集理论和层次聚类方法的基础上,改进了已有的模糊概念层核属性集确定方法,不仅能运用模糊概念层方法对原始数据进行模糊化处理,排除边缘数据的干扰作用,还可减少噪声数据的干扰作用以进一步简化可区分矩阵,得出核属性集且使得生成的判定规则可信度更高。最后以汽车生产厂商汽车样本各项指标实测数据为例论证了算法的有效性和实用性。     

数据库关键条件属性集确定方法及应用

在大数据库中确定关键条件属性集,是使用基于粗集理论的集合论生成分类规则算法的重要步骤。该文在简述分类规则形成算法的基础上,对确定关键条件属性集的模糊聚类算法进行了详细的讨论,并给出该方法应用的一个实例。     

一种模糊概念格构造算法研究

基于有限L_背景的模糊格在扩展和时空复杂度上有局限。该文定义了广义的模糊概念格和其上的截运算以简化格构造,提出了一种模糊格构造算法。在概念格结点级上定义了两个模糊参数α和δ粎,以避免提取因高偏差导致的无效规则。给出一个实例,说明了从模糊概念格提取不确定规则、计算规则支持度、置信度的原则、方法。实现了构造算法与Godin算法的对比实验,结果表明本算法在时空性能上要优于Godin算法。     

一种基于属性集重心的多概念层数据采掘方法

文章在属性测度空间和有序分割类概念基础上,仿照力学上的重心概念,定义了属性集的重心及属性重心的高阶中心矩,将属性集重心和多概念层次生成相结合,提出了一种基于属性集重心的多概念层的数据采掘算法,特别是属性集重心概念的引入,极大地方便了人们对属性数据的采掘,提高了数据采掘结果的可信度,符合人们思维推理的习惯。并以年龄概念为例,表明了这种方法直观、切实可行。     

基于模糊概念的量化关联规则挖掘

提出了一种新的基于模糊概念的量化关联规则挖掘方法，该方法利用在量化属性域上定义的一组模糊概念表示属性间的关联关系，克服了传统的离散分区法的不足，使得规则的表示自然，简明，有利于专家理解，同时，给出了挖掘算法。     

基于Rough集理论的模糊值属性信息表简化方法

为了有效地在信息表中处理取值为模糊术语的属性,解决Rough集对模糊值属性处理能力较弱的问题,提出了模糊不可分辨关系的概念,用于处理属性值为模糊术语的信息表．将约简、核、相对约简与相对核以及规则的约简与核等Rou曲集理论中一系列知识约简的概念推广到模糊环境下,提出了一种有效的模糊值信息表简化的启发式算法．数值实验验证该方法在模糊值属性信息表简化方面比传统的Pawlak方法和其他一些学者的相关工作更为有效．     

面向属性的归纳与概念聚类

面向属性的归纳是新近提出的一种广泛用于数据库中的知识发现的方法，提出这种方法与一种机器学习方法－－概念聚类之间的紧密联系，并描述如何使用一个概念聚类算法进行面向属性的归纳。     

模糊概念格在知识发现中的应用研究

概念格是一种优良的形式化分析工具,已经广泛应用于知识发现和数据挖掘中。在大量研究中概念格基于精确的形式背景,即二值背景,而在实际中,形式背景中的信息往往是模糊、不确定的。本文将“模糊”引入概念格,定义了属性模糊概念格和其上的截运算,在概念格结点级上定义了两模糊参数α和δ,提出了从模糊概念格提取不确定规则、计算规则支持度、置信度的原则、方法,并给出了一个实例。     

面向属性的归纳与概念聚类

面向属性的归纳是新近提出的一种广泛用于数据库中知识发现的方法，文章指出这种方法与一种机器学习方法－概念聚类之间的紧密联系，并描述如何使用一个概念聚类算法进行面向属性的归纳。     

基于属性相悖集的有明确语义的关联规则挖掘方法APSM

发现关联规则是知识发现的有效方法之一,现有的关联规则挖掘算法,对于存在数据属性相悖时,往往会挖掘出一些无法理解的关联规则。该文针对学生素质综合评估,提出一种基于属性相悖集的过程和优先序列方法,成功地判定和消除了相悖属性,从而使所挖掘出的关联规则成为有明确语义的知识。     

一种基于属性的模糊聚类算法及其应用研究

运用模糊集理论,对基于属性的模糊聚类从概念、原理、算法等方面做了深入的论述,最后给出了一个应用实例,实践证明该算法是有效的。     

决策粗糙集属性约简算法与属性核研究

属性约简是粗糙集理论的重要研究内容之一。在Pawlak粗糙集模型中,正区域大小随着属性增多而变大,呈现单调性。然而,在决策粗糙集模型中,概率正区域与属性集之间不具有单调性,从而产生各种属性约简定义。为此,深入研究了决策粗糙集属性约简问题,阐述了几种约简定义之间的关系,证明了保持局部最大概率正区域的约简具有较大的代价,指出了保持所有对象的正决策不变的约简呈现稳定性和存在属性核。     

基于模糊类层次的广义模糊关联规则挖掘

项目的分类通常是呈模糊类层次,该文基于模糊类层次的概念,讨论模糊关联规则支持度和置信度的计算,并给出挖掘广义模糊关联规则的两个扩展算法。     

基于模糊集的数据挖掘研究与应用

关联规则的挖掘是数据挖掘的重要研究内容之一,该文探讨了模糊集在这方面的使用,提出了模糊关联规则的概念,研究了模糊关联规则的性质及其挖掘算法,并将其应用于炼油工业的一个实例中。     

基于距离的粗糙集属性约减改进算法研究

属性约减是粗糙集理论的重要研究内容之一。由于Z.Pawlak经典粗糙集模型在处理集合间隶属关系过于简单的缺陷,文章提出了以集合间距离作为集合隶属关系的判别依据,对属性依赖度和重要度重新进行了定义,从而对属性约减算法进行改进。最后,通过一个数据模型的验证,改进后的算法能够更有效地滤除冗余属性,保留关键属性。     

一种基于核集与相似性的模糊推理方法

在稀疏规则库条件下,当给定的输入落入规则"间隙"时,采用传统的模糊推理方法是得不到任何结论的.学者已经证明模糊推理本质上就是插值器.Koczy和Hirota首先提出了KH线性插值推理方法,然而推理结果存在着无法保证凸性和正规性等问题.为了能有一个较好的插值推理结果,本文提出了一种基于核集与相似性的模糊插值推理方法,并把此方法扩展到多维变量的情况,该方法不仅推理简单,推理结果较好,并且能很好地保证推理结果的凸性和正规性.这为智能系统中的模糊推理提供了一个非常有用的工具.     

基于粗糙集理论的属性值约简算法研究

对基于粗糙集的属性值约简算法及相关理论进行研究,并针对启发式值约简算法进行了性能测试和分析。在数据规模不是很大的情况下,启发式值约简算法与一般值约简算法相比,具有较好的执行效率。     

基于模糊集的连续域决策表属性约简算法

把模糊集和粗糙集结合起来,对连续域决策表属性约简算法进行研究。使用三角隶属度函数将连续属性值转化为模糊值。定义两模糊对象间的相似度、模糊对象的相似类以及连续属性在对象集上划分所形成的相似类集组成的特征向量。给出连续型属性的数字特征向量,以此为基础建立连续型属性间的相似矩阵。提出一个新的属性约简算法,并用一个实例加以验证。     

基于距离比值尺度的模糊粗糙集属性约简

属性约简能有效地去除不必要属性,提高分类器的性能。模糊粗糙集是处理不确定信息的重要范式,能有效地应用于属性约简。在模糊粗糙集中,样本分布的不确定性会影响对象的近似集,进而影响有效属性约简的获取。为有效地定义近似集,文中提出了基于距离比值尺度的模糊粗糙集,该模型引入了基于距离比值尺度的样本集的定义,通过对距离比值尺度的控制,避免了样本分布不确定性对近似集的影响;给出了该模型的基本性质,定义了新的依赖度函数,进而设计了属性约简算法;以SVM,NaiveBayes和J48作为测试分类器,在UCI数据集上评测所提算法的性能。实验结果表明,所提出的属性约简算法能够有效获取约简并提高分类的精度。