模糊粗糙集理论在纳税评估中的应用

纳税评估是税收管理工作的一个重要组成部分,纳税评估指标体系的建立是纳税评估工作的一个重要环节.关键是评估效率和准确性.为了提高纳税评估的业务效率,准确地对纳税人的申报税款情况进行评价,利用模糊粗糙集理论,选用不同的离散区间化方法,对选取的评估指标进行属性约简,最后采用支持向量机机器学习的方法对约简属性进行评价,经过实验比较分析后,得出一种新的纳税评估指标体系,通过实例验证.实验结果表明指标体系能很好地提高纳税评估预测性能.     

粗糙集理论下的支持向量机新模型研究

支持向量机(SVM)是一种重要的分类工具,其有效性依赖于对数据信息获取的准确性。传统的支持向量机模型对于噪声点过于敏感,从而分类面的选取往往会偏离最优解。因此将粗糙集理论引入到支持向量机中,去解决由于噪声点和野点数据的存在而出现的过适应问题,同时将数据之间一个非常重要的关联信息等价类信息考虑进去,从而提出一种新的粗糙支持向量机(RSVM)模型。对比实验表明,新的RSVM比传统的支持向量机(CSVM)和模糊支持向量机(FSVM)尤其是在处理多类数据问题时,其测试精度有明显提高。     

基于粗糙集支持向量机的网络故障诊断系统

该文针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用支持向量机方法和粗糙集理论,提出了RSVM方法,实现不一致情况下的规则获取和学习样本的净化处理。该算法具有简化样本、适应性强、容错性高等特点,能有效处理网络故障诊断中噪声或不相容的信息。由于该方法选择了比SMO更大的工作集而没有增加过多的计算,总的优化步骤减少,收敛速度也更快,平均训练速度约为SMO的两倍。实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度。     

基于粗糙集和支持向量机的机械故障诊断系统

提出了一种基于粗糙集和支持向量机(SVM)的机械故障诊断系统：首先将故障诊断决策系统中的连续属性值离散化；再基于粗糙集理论计算决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统基础上设计SVM多分类器进行故障诊断。4135柴油机的实际故障诊断结果验证了所提出的粗糙集理论与SVM相结合的故障诊断系统的可行性。     

基于粗糙集和支持向量机的机械故障诊断系统

提出了一种基于粗糙集和支持向量机(SVM)的机械故障诊断系统:首先将故障诊断决策系统中的连续属性值离散化;再基于粗糙集理论计算决策系统的约简,根据实际需要确定最优决策系统;最后在最优决策系统基础上设计SVM多分类器进行故障诊断.4135柴油机的实际故障诊断结果验证了所提出的粗糙集理论与SVM相结合的故障诊断系统的可行性.     

基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

基于邻域粗糙集与支持向量机的油层识别研究

运用邻域粗糙集理论,对储层含油性的属性进行约简,并将约简后的属性作为支持向量机输入变量,对某油田的3口井油层类别进行实证研究,将结果与人工神经网络方法进行了比较,结果表明该方法是行之有效的方法。具体步骤为：先把邻域粗糙集作为前置系统对属性进行约减,剔除冗余信息,将剩余的属性作为支持向量机的输入变量。而支持向量机作为后置系统,不仅能消除指标之间信息重叠,而且可以降维。它们之间各司其责,相互配合从而得到好的评价结果。     

基于粗糙集边界的v-支持向量机混合分类算法

针对v-支持向量机在样本集规模较大的情况下,需要占用大量训练时间的问题,提出基于粗糙集边界的v-支持向量机混合分类算法。该算法根据粗糙集理论边界区域的优点,生成分类数据的边界集,使其包括全部的支持向量,用此边界向量集替代原始样本作为训练集,减少训练集的数量,则可以在不影响分类精度和泛化性能的前提下显著缩短v-支持向量机的训练时间。仿真结果表明该算法的有效性。     

基于粗糙集与支持向量机的企业短期贷款违约判别

建立了粗糙集和支持向量机集成的企业贷款违约判别模型,该模型首先利用自组织映射 (SOM)神经网络对具有连续属性值的财务数据进行离散处理,并应用遗传算法约简评价指标,然后将约简得到的最小条件属性集及相应的原始数据送入支持向量机进行训练,最后对企业短期贷款检验样本进行违约判别.采用贷款企业数据库558家制造业样本企业和522家房地产业样本企业进行交叉验证的实证研究,结果表明,与BP神经网络、多元判别分析、Logistic等违约判别模型相比,粗糙集和支持向量机集成的违约判别模型有更好的预测效果.     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

基于粗糙集理论和模糊SVM的车牌识别技术研究

针对传统的SVM多分类存在不可分区域,提出一种粗糙FSVM识别算法。该算法根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计。不但有效改善训练时间,而且解决了传统的SVM多分类存在不可分区域的问题。实验表明,将该识别算法应用于车牌字符识别,取得在相同的条件下比支持向量机方法更为理想的识别效果。     

基于粗集理论和SVM算法的入侵检测方法研究

提出了一种将粗集方法与SVM算法结合起来的入侵检测方法。利用粗集理论在处理大数据量、消除冗余信息等方面的优势,减少SVM训练数据,克服SVM算法因为数据量大,处理速度慢等缺点。同时,借助于SVM良好的分类性能,对粗集约筒后的最小属性子集进行分类,实现入侵检测的快速性能,高检测率和抗噪声强等优点。实验结果表明,该方法优于其它同类方式。     

基于粗集理论的特征子集选择算法

1.引言长期以来,特征子集选择技术一直是机器学习领域中的关键难题之一。由于学习对象的多样性,尤其是新的系统随着应用的发展而不断涌现,使人们无法用某种特定的工具或方法来完全解决这一问题,新的特征子集选择技术仍然受到人们广泛关注。20世纪80年代初,波兰数学家Z.Pawlak提出一种新的理论工具——“粗集”,用于解决不完整和不精确信息的知识表达、学习及归纳等问题。这一理论的特点是:除了问题所需处理的数据之外,不需要额外提供任何外界信息或     

基于粗糙集理论的数据清洗模型

论文在基于粗糙集理论的基础上提出一个大数据系统的数据清洗模型,以利于信息不完备决策问题的实施。模型从给定的初始数据出发,在假定属性的重要性量度σ0的前提下,经过一系列的计算,比较属性实际重要性量度σCD(x)与σ0的大小,由此确定属性x的清洗,然后根据清洗后的数据得出相应的决策规则。并给出一个简单的例子来验证数据清洗模型。     

基于相容关系的粗糙集理论的推广

文章给出了一种基于相容关系的推广的粗糙集模型。当传递性不能满足时,等价关系弱化为相容关系,用相容核代替等价类来构造上、下近似算子,从而给出一种推广的粗糙集模型。较之于以R(x)代替等价类所得到粗糙集模型,该文所得到的上、下近似算子分别是闭包算子和内部算子,而且对未知知识的(近似)刻画更为精确。     

基于粗糙集理论的数据清洗模型

本文在基于粗糙集理论的基础上提出一个大数据系统的数据清洗模型,以利于信息不完备决策问题的实施。模型从给定的初始数据出发,在假定属性的重要性量度σ0的前提下,经过一系列的计算,比较属性实际重要性量度σCD（x)与σ0的大小,由此确定属性x的清洗,然后根据清洗后的数据的出相应的决策规则。并给出一个简单的例子来验证数据清洗模型。     

基于粗糙集理论的安全日志分析模型

叙述了利用粗糙集（Rough Set)理论实现的Linux系统安全日志分析方法，系统以日志记录的记录长度，记录中是否存在非ASCII打印字符以及记录中进程之间执行时间隔为统计对象，检测由格式化串漏洞（Format String Vulnerabilty)引起的攻击，利用集对单个记录的记录长度集进行了属性重要性的离散化预处理，同时对3种属性在检测异常事件中的重要性进行度量，为形成新的检测规则作了准备。     

基于新集对理论下的粗糙集模型

为了用集对分析方法进一步刻画不完备信息系统,文中把新集对分析理论与粗糙集理论结合在一起,提出了一种新的集对粗糙集模型,从而拓宽了集对分析方法的应用;定义了一种不完备信息系统的上、下近似算子,得到了一些相关的性质。最后通过一个简单的例子说明了上述方法的可行性。     

一个基于粗糙集理论的邮件分类模型

论文讨论了垃圾邮件对网络造成的影响。大量未经收件人请求而发送的垃圾邮件充斥了用户的电子信箱,给用户造成带宽、时间和金钱的浪费。为此,论文提出一个基于粗糙集(RoughSet)的模型,并进行了实验分析,通过与流行的邮件分类模型朴素贝叶斯模型的比较,证明本文提出的基于粗糙集(RoughSet)的模型可以大大降低把正常邮件错划为垃圾邮件的比率。