基于包含度的变精度模糊粗糙集

利用模糊集的一个强包含度,在弱模糊划分的基础上建立了基于该包含度的变精度模糊粗糙集模型,对其重要性质进行了深入研究,并给出了对应形式粗糙度的计算方法,进一步利用海明距离和欧几里得距离定义了该模型下模糊粗糙集的两个粗糙性度量。给出的变精度模糊粗糙集模型能够使模糊粗糙集的运算按照模糊集的运算实现,为变精度模糊粗糙集理论的研究和应用莫定了一定的理论基础。     

粗糙集的两种相似性度量

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具.在近似空间中,首先基于集合的上下近似给出了一种粗糙集间的相似度量方法.然后通过定义一种基于粗糙隶属函数的包含度,给出了另外一种粗糙集间的相似度量方法,并分别研究了这两种相似度量方法的有关性质.最后讨论了这两种相似度量方法之间的关系.     

知识包含度及其在粗糙集理论中的应用

提出一种新的集合包含度,并用新的集合包含度定义粗糙集理论中的知识包含度。研究了知识包含度的几个基本性质,给出了粗糙集理论中基于知识包含度的属性约简算法,通过一个汽车性能决策表的实例来表明算法的有效性。     

基于包含度的直觉模糊粗糙集模型

将直觉模糊包含度引入粗糙集与直觉模糊集的融合建模。首先,介绍直觉模糊集在特殊格L上的定义;其次,将模糊包含度拓展到直觉模糊环境下,提出取值于特殊格L的直觉模糊包含度定义和计算公式;在此基础上,分别利用直觉模糊包含度的隶属度与非隶属度定义了上下近似算子,建立了直觉模糊相似关系下的直觉模糊粗糙集模型,并对近似算子的重要性质进行了证明。     

基于包含度的Vague集相似度量

在模糊模式识别中经常要根据最大相似度原理来分辨待测样品属于哪种模式．由于现有的vague集相似度量公式都是基于距离测度的，因此只要vague集间距离测度一样，它们就无法分辨，因此非常有必要寻找其它的相似度量计算方法．首先将模糊集上的包含度概念扩展到Vague集上，指出Vague集相似度量可以由包含度诱导出，然后给出一组新的Vague集相似度量计算公式．数值算例证明它们是有效的，最后将它们与现有方法进行比较，发现它们各有所长．     

基于包含度的区间二型模糊粗糙集

基于区间二型模糊包含度的公理化定义,给出了新的区间二型模糊包含度计算公式.进一步,通过包含度定义了区间二型模糊粗糙集,并讨论了它的一些基本性质.最后,利用区间二型模糊粗糙集研究了连续域决策信息系统的属性约简,给出了新的约简方法.实例说明了该约简方法的具体计算步骤,并且通过实验验证了该算法的有效性和可行性.     

概率粗糙集模型

1.引言原始的RS模型(常称为Pawlak RS模型)是建立在二元等价关系的基础上的,但由于实际问题的需要,PawlakRS模型的应用受到了限制,因此人们将二元等价关系推广成一般的二元关系,得到了一般关系下的RS模型,Yao还在文[4]中讨论了基于邻域算子的RS模型。另一方面Pawlak粗糙集模型是基于可利用信息的完全性的,因而忽视了可利用信息的不完全性和可能存在的统计和随机信息,这类模型对于不协调的决策表的规则提取往往显得无能为力。本文我们从概率论的观点出发来研究粗糙集理论,为研究不确定信息系统提供了新的粗糙集模型。     

关于模糊粗糙集的相似度量

基于对不确定性信息处理的背景,定义了模糊粗糙值与模糊粗糙集的相似度量,研究了它们的有关性质。     

基于包含度的直觉模糊相似度量方法

针对现有文献中涉及到直觉模糊相似度量的计算公式大多是基于直觉模糊距离测度的现状,提出一种基于包含度的直觉模糊相似度量方法。借助模糊蕴涵算子和集合基数,建立了IFS包含度的一系列具体公式,揭示了IFS包含度与相似度的关系,提出了一种基于包含度的IFS相似度量方法,并以具体算例表明该方法不仅可以解决中部分存在的问题,而且为研究IFS相似度量理论开辟一个新的途径。     

数据挖掘之粗糙集方法研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘方法,它采用启发式算法,可以挖掘出最简的产生式规则知识。与其它方法的比较说明,该文提出的方法可以得到更简化的规则。     

基于误差度的Rough集近似质量的分析

在分析Pawlak近似空间Rough集的近似质量时,常采用准确性因子α和精确性因子β;在比较两个划分的好坏时采用属性的依赖度来描述。文章提出了误差度概念,利用误差度能更好地分析Rough集的近似质量,比较分划的优劣;同时也给出了属性依赖度新的表达式。     

邻域系统粗糙集和覆盖粗糙集

邻域系统粗糙集和覆盖粗糙集是经典粗糙集的两种重要扩展。通过分别比较各模型中下(上)近似集之间的包含关系和近似精度之间的大小关系,深入探讨邻域系统粗糙集和6种覆盖粗糙集模型之间的关系,得出了邻域系统粗糙集和6种覆盖粗糙集模型的下(或上)近似集之间的关系是明确的,其要么是可以比较的,要么是不可以比较的,证明了可比较的具有包含甚至等价关系,不可比较的通过反例进行了佐证。对不同扩展粗糙集的对比研究加深了对这些模型的理解,同时也为宏观上学习和认识粗糙集提供了帮助。     

基于粗糙模糊集的不确定数据流聚类算法??

为解决高维和高不确定级别的数据流聚类问题,提出了一种针对不确定数据流的聚类算法HFMicro。引入粗糙模糊集理论,定义了一种新的不确定数据流模型,并利用隶属程度的上、下近似来描述微簇。根据粗糙模糊集间的相似程度来选择最合适的微簇。使用动态衰减窗口模型提高算法的效率和聚类效果。由于采用了离线聚类模式,使得算法具有较好的实时性。实验结果表明,该算法能够很好地处理高维和高不确定级别的数据流,同时兼容存在级不确定性和属性级不确定性,与现有算法相比效果更好。     

基于粗糙集的生物数据分类

自从人类基因组计划实施以来,生物数据的数据量以惊人的速度迅速增长,面对这么庞大的数据如何利用,如何从中挖掘出对科学研究有用的知识,成为一个关键性的问题。本文阐述了粗糙集理论,并结合该理论在各个领域的应用,尤其是在生物信息学中的应用,讨论它在提取规则方面的一个通用算法及其应用在生物数据挖掘中对数据预处理和规则提取方面的应用。     

基于粗隶属函数的粗糙集模型的推广

通过粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系。把粗隶属函数视为论域上的一个特殊模糊集,用它的!-截集和强"-截集的概念,将经典粗糙集模型进行推广,提出基于等价关系的隶属度粗糙集模型,验证一些有用的性质,并证明该模型比Pawlak粗糙集模型具有更好的精度。最后将基于等价关系的隶属度粗糙集模型拓展到基于一般二元关系的广义隶属度粗糙集模型,并给出其相应的性质。     

一个基于粗糙集理论的数据挖掘模型及应用

本文提出一种基于粗糙集理论的数据挖掘模型,从实际数据出发,运用不同简化层次的算法导出每个层次上的信息集,最后得到规则集。在进行推理和决策分析时,按照一定算法进行匹配得出结论。另外,还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

基于粗糙集理论的数据挖掘的应用

在粗糙集理论的基本思想及其特点的基础上说明它是数据挖掘的一种工具,并对其广泛的应用作了描述。介绍了常见的粗糙集理论的应用工具软件（如Rosetta),并给出了一个应用粗糙集技术来实现数据挖掘的实例系统（电力系统中操作点的分类）。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。