过程控制中的一种数据挖掘算法

结合粗糙集理论,提出了一种适合工业控制领域使用的数据挖掘算法.工业控制的采样数据以决策表的形式表示,用模糊c-方法对采样信息表进行模糊语言化,依据适合实际应用的语言值关联规则支持度和信任度,通过属性约简,剔除冗余规则,挖掘出隐含的关联规则.以水泥生产线中分解炉控制为例,采用现场实时采集的数据集,挖掘出了相关控制对象之间的关联关系.关联规则的挖掘,有助于在先验经验不足的条件下获取模糊规则,通过动态的模糊模型的建立,实现一定程度的智能控制.     

基于模糊相似度的实值属性信息系统规则约简

为了克服传统的规则约简方法容易导致信息丢失和约简错误的不足，提出了一种对实值属性信息系统进行规则约简的算法.该算法在粗糙集理论的基础上，把模糊集合相似度引入到信息系统的规则约简中，通过把每一个实值属性的取值归一化，使得每一条规则所对应的条件属性值都落在0到1范围内；并且把每一条规则看作一个模糊集合，通过模糊集合的相似性来考察规则的相似性；在规则约简过程中，用改进的模糊集合相似度参数进行规则约简，并针对国际水稻信息系统（IRIS）数据库进行了实验.结果表明，该算法能够正确地对实值属性信息系统进行规则约简.     

基于模糊粗糙集依赖度的两步属性约简方法

为获取连续属性值数据集的最小属性子集,提出了一种两步约简方法.该方法以模糊粗糙集模型为基础,将描述条件属性和决策属性依赖关系的模糊依赖度概念进行了扩展,使其能对条件属性之间的依赖关系进行度量,利用属性与类别之间的依赖度选出候选属性集,然后根据单个属性与类别和属性之间的依赖度对候选属性集进行约简.仿真结果表明,该方法在有效降低属性维数的同时一定程度上保证了分类正确率.     

基于区间直觉模糊信息系统的知识获取

主要是将包含度拓广应用到区间直觉模糊信息系统的知识获取中。首先给出区间直觉模糊集的包含度概念和公式;然后,利用区间直觉模糊集的包含度给出区间直觉模糊信息系统的知识获取的具体方法,主要包括两方面：一是获取模糊决策规则,二是对信息系统进行属性约简;最后,用实际算例说明了该方法的合理性和有效性。     

基于模糊相容关系的集值决策表的相对约简

从模糊粗糙集的角度讨论集值决策表的相对约简。首先,基于2个对象取相同值的可能性大小,在集值信息系统中定义了一个模糊相容关系,给出了模糊相容关系的上近似和下近似;其次,通过引入模糊近似质量,定义了集值决策表中条件属性的重要度与相对重要度,进而提出了一种计算相对约简的启发式算法;最后,通过实例说明该算法能够得到集值决策表的相对约简。     

一种基于互信息增益率的新属性约简算法

为了获得决策系统中更好的相对属性约简，提出了一种基于互信息增益率的属性约简算法.该算法考虑了所选择条件属性与决策属性的互信息，还考虑了所选择属性的值的分布情况，从信息论角度定义了基于互信息增益率的属性重要性度量方法，并以此度量为启发式信息，算法从空集开始逐步将最重要的条件属性加入到选择属性集，直到所选择的条件属性集与决策属性集的互信息等于整个条件属性集与决策属性集的互信息时，算法停止.结果表明，算法能更有效地对决策系统进行约简，同时约简后的对象数目较少.     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法,提出了一种基于信息增益的属性约简算法.该算法总是优先考虑对于决策更为重要的属性,用条件属性对决策属性的信息增益作为条件属性的属性重要性度量,并以此度量作为启发式信息,算法从空集开始逐步将重要的属性加入到选择属性集,直到决策表达到一致分类时结束.并通过实例分析验证了该算法能有效地对属性进行约简,同时可以得到简单规则集.     

一种改进的基于粗集理论的有导师学习方法

属性约简和属性值约简是基于粗集理论进行有导师学习的基础,在分析经典约简算法的基础上,根据粗集理论中属性的依赖度和重要度等性质,提出一种改进的约简方法,以获取简洁的决策规则,从而使有导师学习变得既快捷又准确.并通过实例验证了该算法的正确性和有效性.     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法，提出了一种基于信息增益的属性约简算法．该算法总是优先考虑对于决策更为重要的属性，用条件属性对决策属性的信息增益作为条件属性的属性重要性度量，并以此度量作为启发式信息，算法从空集开始逐步将重要的属性加入到选择属性集，直到决策表达到一致分类时结束．并通过实例分析验证了该算法能有效地对属性进行约简，同时可以得到简单规则集．     

基于粗糙集的属性约简算法

针对Rough Sets理论的属性约简进行了研究.引入了决策属性集相对于条件属性集的条件信息量的概念,证明了条件信息量在属性约简过程中的变化规律是单调递减的,并利用其计算属性集中属性间的相关性,其平均值最小的属性集即为最后属性约简的结果,由此,提出了一种新的基于信息量的属性约简算法.     

决策表中属性的重排

研究决策表中属性的重排。对同一个决策表,把其中不同的属性分别指定为结论属性,借助决策表中属性之间的约简和冗余关系判别哪种重排可以导致粗糙集以及哪种属性重排导致非粗糙集。提出了属性重排粗糙度的概念,基于属性重排粗糙度提出了属性最佳逻辑流向、最佳逻辑属性等概念。分析并指出不同属性重排所对应的粗糙度和属性最佳逻辑流向反映了决策表中不同属性之间的因果蕴含关系。数值算例表明,利用决策表的属性重排可以有效地对缺失数据进行插补。     

面向对象修改的核属性更新算法

决策表中的对象被修改,核属性将会发生变化,需要对核属性及时更新。为此,首先,构造决策表等价类链表存储结构,并引入基于该存储结构的简化决策表定义和基于简化决策表的核属性定义;同时证明了该核属性与正区域核属性是等价的。然后,讨论修改指定对象情况下核属性更新方法,并给出相应的算法实现;算法以简化决策表为基础,仅需对等价类链部分搜寻,查找待修改对象,缩小了查找范围,提升了算法效率;另外,采用核属性计数方法,避免可分辨矩阵的存储,降低了空间复杂度。最后,通过实例验证了该算法的有效性。     

一种改进的基于粗糙集的启发式值约简算法

在求得决策表中属性值核的基础上,用属性重要度指导增加后续属性值,还引入包含度和支持度统计度量,生成了不同置信度水平下的决策规则集,并设计了基于规则集的分类算法。对Monk数据集的对比实验表明,该算法是有效的。     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

粗糙集理论在关键功能零件识别中的应用

关键功能零件的识别可以提高装配体模型检索的效率并提高重用水平,同时为自主设计提供关键参考信息.为降低人为因素的影响和评价的主观性,本文提出了一种基于粗糙集理论的关键子装配功能零件的自动识别方法,利用装配体模型自身数据对功能零件的排序过程进行驱动.分析、讨论复杂装配体中零件类型与零件之间的装配连接关系,构建了基于复杂网络...     

一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

基于模糊粗糙集的图像自动分类研究

如何使用图像底层特征有效表达高层语义是实现图像自动分类难以逾越的鸿沟。本文将模糊粗糙集理论引入图像自动分类,在使用图像底层特征表达高层语义的图像自动分类过程中,把高维特征向量处理、合适的描述符集合选择难题转换为模糊决策表,使用图像语义贴近度概念来检验图像特征属性间的数据依赖关系,以达到属性约简,剔除冗余信息和图像分类规则推导的目的,并定义了图像类别隶属度函数对图像进行分类。实验结果表明该图像分类系统的分类正确率达81.7%,说明该方法具有很好的精确性和有效性,能较好地实现图像自动分类。     

广义特征矩阵及其应用初步

属性约简,即在保持知识库的分类或决策能力不变的条件下,删除其中不相关或不重要的属性,是Rough set理论的核心研究内容之一.决策表属性重要性度量方法是决定属性约简算法性能的重要启发式信息.合理的属性重要性度量方法,将有助于提高启发式搜索算法的效率和优化效果.针对基于分辨矩阵的属性重要性度量的缺陷,提出了广义特征矩阵概念,并在分析其性质的基础上,建立了一种新的基于广义特征矩阵的属性重要性分层度量方法,该方法不需要计算属性重要性的权值而直接给出重要性的排序,具有分辨能力强,度量准确的特点,对决策表的属性约简和知识荻取有重要应用价值.