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.     

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。     

基于模糊粗糙集模型的医疗信息系统属性约简算法

属性约简是粗糙集理论的重要研究分支,对信息系统进行属性约简有助于提高其数据的分类性能。针对医疗信息系统的多类型复杂数据环境,首先对多种数据类型分别提出了数据对象之间的模糊相似性度量;然后将这些度量方法进行整合,构造出医疗信息系统的一种新的模糊等价关系,并提出相应的模糊粗糙集模型;最后利用模糊粗糙依赖度,提出了医疗信息系统的一种属性约简算法。实验分析证明了所提出的算法具有更高的属性约简性能。     

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。     

基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

模糊信息系统中基于OWA算子的模糊粗糙集模型

在模糊信息系统中,属性值并不是一个确定的值,而是一个隶属度函数。因此,通过利用有序加权平均(OWA)算子聚合对象间在每个属性上的差异,刻画出对象之间的相似性,定义对象的相似度并讨论其相关性质。借助对象相似度,通过逻辑关系和相应的函数运算,分别给出了对象隶属于上、下近似集合的隶属度。最后,通过实例分析说明在模糊信息系统中,该相似度能较准确地刻画出对象的相似性,同时,对象对于上、下近似的隶属度能更直观、合理地反应对象隶属于某一集合的上、下近似的情况,且能更合理地描述这一粗糙集合。     

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。     

基于模糊粗糙集的Web文本分类

网络信息的多样性和多变性给信息的管理和过滤带来极大困难,为加快网络信息的分类速度和分类精度,提出了一种基于模糊粗糙集的Wdb文本分类方法.采用机器学习的方法:在训练阶段,首先对Web文本信息预处理,用向量空间模型表示文本,生成初始特征属性空间,并进行权值计算;然后用模糊粗糙集算法来进行信息过滤,用基于模糊租糙集的属性约简算法生成分类规则:最后利用知识库进行文档分类.在测试阶段,对未经预处理的文本直接进行关键属性匹配,经模糊粗糙因子加权后,用空间距离法分类.通过试验比较,该方法具有较好的分类效果.     

一种改进的模糊粗糙集知识约简方法

针对模糊信息系统,通过分析R.Jensen所定义近似算子的松散性,构造了一种严格状态下的近似算子,该算子可以保证下近似随信息系统中属性个数的增加而单调递增;在此基础上,对模糊信息系统的相对约简概念进行了定义,应用所定义依赖度提出了一种模糊信息系统的启发式知识约简算法;将该方法应用于目标威胁等级评估信息系统的知识约简,计算结果验证了该方法的有效性。     

包含度与粗糙集数据分析中的度量

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。粗糙集数据分析是粗糙集理论中的主要应用技术之一,它主要用来分析数据的性质、粗糙分类、分析属性的依赖性和属性的重要性、抽取决策规则等,在人工智能与认知科学领域有着重要的应用。该文通过将包含度概念引入到粗糙集理论中,建立了包含度与粗糙集数据分析中的度量之间的关系,证家了粗糙集数据分析中的有关度量均可归结为包含度。这些结论有助于人们深刻理解粗糙数据分析的本质,可作为建立粗糙集数据分析中的度量的主要依据。     

Attribute Reduction Based on Inclusion Degree for Incomplete and Fuzzy Decision Information Systems

The information systems with incomplete attribute values and fuzzy decisions commonly exist in many applications whose knowledge reduction is one of the most important practical significance. Model of incomplete and fuzzy decision information system is firstly constructed. On the basis of the notion of inclusion degree between fuzzy sets, the attribute reduction for incomplete and fuzzy decision information system, which ensures invariable inclusion degree between every tolerance class and fuzzy decision set, is raised. To reduce the complexity of finding attribute reduction, discernibility sets, discernibifity matrixes and the minimal disjunctive normal form of discernibility sets for incomplete and fuzzy decision information system are introduced. Finally, the algorithm and an example are given, and the solution of the example is proved that the approach to attribute reduction based on inclusion degree is valid.     

Rough Sets Model Based on Random Fuzzy Sets and Fuzzy Logic Operators

As knowledge block in knowledge base is fuzzy and obtained randomly, we propose a random fuzzy rough set model based on random fuzzy sets and fuzzy logic operators. We give some properties of the random fuzzy rough set. We investigate the relationship between fuzzy measures defined by lower approximation and upper approximation of fuzzy set and fuzzy probability measures.     

基于标记关系的模糊粗糙集模型*

多标记分类任务中的数据通常是高维的,直接利用高维数据建模可能导致训练效率低下,模型复杂,同时可能影响分类效果.针对多标记数据,文中提出属性-标记矩阵的概念,建立基于标记关系的模糊粗糙集模型,设计此类模型的约简算法,用于多标记数据分类任务的特征选择.在8个公开的数据集上实验验证文中算法的有效性.     

基于粗糙集的属性约简算法

本文主要研究基于粗集理论的属性约简算法。提出了一种新的启发式约简算法,即基于加权平均和频度的双向选择约简算法。本文还通过实例验证了该算法的可行性和有效性。     

改进集对粗集模型

粗糙集理论在数据挖掘中的成功应用已成为近来研究的热点,人们将经典粗糙集中的等价关系放宽后使粗糙集理论的运用更加广泛,但在不完备信息系统中的运用仍受到了限制。论文在文犤1犦的基础上利用集对联系度定义了不完备信息系统中集合的上、下近似运算,并得到比文犤1犦定义的近似运算更为完善的一些基本性质;通过实例说明了这种方法是可行的,在一定程度上将粗集用于研究不完备信息系统方面进行了推广。     

基于关系数据库的粗糙集约简改进算法

以粗糙集约简和关系数据库为研究对象,提出了一种带有数据预处理和新启发式信息值的粗糙集约简改进算法.通过应用了该改进算法的DBRuduct工具进行实验,实验数据表明决策表的对象个数和约简计算时间之间成近似线性的关系;以Rosetta中的遗传算法求得的约简作为实验参照,该算法不但可以在含有不一致数据的情况下获得正确的核属性,而且还使约简算法求得的约简更加趋向于最小约简.     

图支配集问题的粗糙集属性约简方法

探讨粗糙集的属性约简和图的支配集问题之间的联系。通过构造信息系统,将粗糙集的属性约简问题与图的支配集问题相联系,从而把图的支配集问题转化为粗糙集的属性约简问题。首先证明图的极小支配集恰是其构造的信息系统的属性约简,然后提出一种基于信息熵的最小支配集算法,最后通过实例验证该算法的可行性和有效性。     

加权多粒度直觉模糊信息系统的粗糙集模型及其决策*

针对现有多粒度直觉模糊粗糙集决策模型的不足,提出粒度加权的多粒度直觉模糊粗糙集模型.首先研究加权多粒度直觉模糊粗糙集的基本性质,分析加权多粒度直觉模糊粗糙集与乐观多粒度、悲观多粒度直觉模糊粗糙集之间的关系,并给出这几种模型不确定度量之间的关系.然后给出决策规则的置信度和支持度定义以及决策规则的获取方法,弥补目前常用的多粒度直觉模糊粗糙集的不足.最后通过决策实例分析验证文中模型的有效性.     

基于归并的粗集约简分析

粗糙集理论研究的重要内容是分类与约简。在对分类与归并性质充分研究的基础上,探讨了条件分类、约简与核的层次关系。基于归并的思想,描述了条件类归并对决策表一致性的影响,证明了代数核属性的充要条件。