基于粗糙集理论的分层递阶约简算法􀀂

粗糙集理论的分层递阶约简算法是根据属性的获取方式、采集成本和实时性要求等对属性进行分类,使信息系统或者决策系统中的所有属性在单层次和单粒度上的知识表示变为部分属性所构成的知识在多种层次和多种粒度上的表示,从而可以逐层对信息系统进行约简.分层递阶约简算法在某水泥窑炉控制决策获取中的应用证实其有效性.     

分层递阶迭代学习控制的研究与仿真

本文对分层递阶迭代学习控制算法进行了研究。研究表明,采用分层递阶迭代学习控制算法以后,控制器不仅可以用于开环稳定系统,也可以应用于开环不稳定系统。通过对人工髋关节模拟试验机位置系统的数学模型进行仿真应用后表明,无论是开环迭代学习控制,还是闭环迭代学习控制,都能使系统的输出渐近跟踪希望轨迹,但闭环学习控制效果要比开环学习控制要好。     

一种分层递阶的定性拓扑推理方法

文章针对现有的定性表示方法和拓扑推理算法存在的问题,提出了一种新的方法.首先,提出了基于概念邻域结构的定性表示方法.然后,给出了不同粒度层次上拓扑关系复合表的计算方法.最后,设计得出分层递阶的拓扑推理算法.文章给出的方法具有较高的认知合理性,所提出的推理算法可根据问题来选择合适的表示和推理层次,在已有推理算法给不出解的情况下,可以给出问题的合理解,对一般定性推理研究有参考价值.     

粗糙集理论的分层递阶约简算法及其信息理论基础

本文模拟人类认知的分层递阶原则,提出一种粗糙集理论的分层递阶约简算法.该算法首先将信息系统或决策系统的知识在由部分属性所构成的多种层次和多种粒度上表示出来,然后分别对各个属性层次进行递阶约简.因此,该算法具有较强的实用性和较好的动态特性,并且能并行运算.同时,本文从信息理论的角度证明了分层递阶约简的理论基础.文章的最后将该算法应用于某水泥窑炉控制决策的获取中,证实了其有效性.     

SDG故障诊断中的分层建模递阶推理方法

针对采用符号有向图(signed directed graph,SDG)对石化工业系统进行故障诊断时,经常存在SDG建模和推理过程十分繁琐、困难的问题,提出了一种基于控制回路分解系统的SDG分层建模及递阶推理方法.在建立SDG模型时将整个系统分解为含有系统层、子系统层和回路层的多层次模型架构,进而利用递阶推理在分层SDG模型中搜索相容通路来实现故障诊断.该方法能清晰表述工业系统的SDG模型,减少了建模和推理的复杂度.以Tennessee Eastman仿真系统为例进行了验证,证明了方法的有效性.     

递阶智能控制系统的一般结构

研究递阶智能控制系统的结构问题,介绍了递阶智能机器的一般结构,讨论了与组织级模型有关的决策段结构,并研究了协调级和执行级的控制结构模型。     

基于粗糙集和感知器网络的分层递阶变电站故障诊断方法研究

给出了一种基于粗糙集（Rough Set）和具有开关作用函数的感知器网络的分层递阶 变电站故障诊断方法．该方法以短路器和保护继电器的开关信息为基础，利用粗糙集处理不 确定性信息的能力，分层挖掘变电站故障诊断的知识，然后通过具有开关作用函数的多层感 知器网络实现诊断．研究表明该方法是一种有效的在线变电站故障诊断方法．     

分层递阶的网络结构洞占据者挖掘及分析

结构洞是在社会网络信息传播中占据重要位置的一类关键节点。据研究,5%的结构洞控制着50%的信息传播。学者们研究了单一粒度网络下结构洞的挖掘方法及分析,然而很多网络存在分层递阶的多粒度结构特性,对分层递阶网络的结构洞挖掘和分析具有现实意义。因此,该文提出了一种分层递阶网络的多粒度结构洞挖掘方法HI-SH,并对不同粒度下的结构洞进行了分析。在该方法中,首先对网络进行多粒度社团划分,得到每一粒度下网络的社团;然后,根据两级信息传播理论,使用单一粒度下结构洞挖掘算法,挖掘每一粒度下top-k结构洞。在公用数据Topic16和真实数据上进行了实验,结果表明,网络的结构洞是动态变化的,单一粒度下的结构洞排名不能代表整个网络的结构洞排名。     

定笥空间住是的分层递阶框架

定性空间推理是定性推理和空间推理的重要组成部分,拓扑和形状是定性空间推理研究的关键问题,针对定性空间推理已有一般框架存在的问题,提出了定性空间推理的分层递阶框架,并结合拓扑和形状方面的定性空间推理研究工作阐述了所提出的框架的有效性和合理性,最后总结了分层递阶框架的要点并提出了基于该框架的进一步研究工作。     

复杂网络的分层递阶算法研究

复杂网络的计算方法研究在复杂网络建模方向起着不可或缺的作用,事实上,网络科学的建模在复杂网络领域研究最早、成果最多的一个方向,同样也是学术界广泛关注的一个重要的研究课题。在分析传统的网络节点遍历算法的基础上对节点遍历进行改进,重点介绍了复杂网络分层递阶算法的具体实现。复杂网络系统数值计算量大而繁琐,改进后的节点遍历法可以大大减少其运算量。文中提出的分层递阶算法可以较好满足一定范围内复杂网络数值计算的需求。     

粒化单调的条件邻域熵及其相关属性约简

在邻域粗糙集中,基于信息度量的属性约简具有重要应用意义.然而,条件邻域熵具有粒化非单调性,故其属性约简具有应用局限性.对此,采用粒计算技术及相关的3层粒结构,构建具有粒化单调性的条件邻域熵,进而研究其相关属性约简.首先,揭示条件邻域熵的粒化非单调性及其根源;其次,采用3层粒结构,自底向上构建一种新型条件邻域熵,获得其粒化单调性;进而,基于粒化单调的条件邻域熵,建立属性约简及启发式约简算法;最后,采用UCI(University of CaliforniaIrvine)数据实验,验证改进条件邻域熵的单调性与启发式约简算法的有效性.所得结果表明：新建条件邻域熵具有粒化单调性,改进了条件邻域熵,其诱导的属性约简具有应用前景.     

邻域互补信息度量及其启发式属性约简

信息熵体系是进行不确定刻画与近似推理的重要理论,已经被引入粗糙集进行数据分析与智能处理。经典的互补熵、互补条件熵和互补互信息能够刻画粗糙性与模糊性,该信息体系的拓展具有应用意义。本文基于邻域粗糙集,扩张构建邻域互补信息度量并研究其启发式属性约简。通过解析式模拟与信息粒替换,定义邻域互补熵、邻域互补条件熵和邻域互补互信息,得到系统方程、双界刻画和粒化非单调性;基于邻域互补互信息,提出非单调属性约简并设计启发式约简算法;采用决策表实例与UCI数据实验有效验证性质与算法。基于邻域扩张,相关信息度量与属性约简具有应用前景。     

面向不完备邻域系统的三支决策粒计算方法

针对许多应用领域中的数据大多是连续型数值,且由于成本限制和隐私保护等因素导致数据呈现不完备性。为此,提出面向不完备邻域系统的三支决策粒计算方法,引入邻域概念改进非对称相似关系,并通过改进的非对称相似关系计算不完备邻域系统的邻域粒度;在此基础上计算对象属于决策类的最大条件概率,再根据三支决策规则分别将对象划分到各决策类的正域、负域和边界域;通过实验比较和分析,进一步验证了该方法能获得较好的划分准确率和较低的误划分损失,为三支决策对不完备邻域数据的分析和处理提供了一种有效可行的方法。     

邻域近似条件熵的特定类属性约简及启发算法

针对属性约简的推广,采用邻域近似条件熵,建立邻域粗糙集的特定类属性约简及其启发算法。粒化分解决策分类的高层邻域近似条件熵,提取定义特定类的中层邻域近似条件熵并得到上下界与粒化非单调性;提出基于邻域近似条件熵的特定类属性约简,设计启发式约简算法;采用决策表实例与数据集实验进行有效验证。所得结果有利于特定类模式识别的不确定性度量与优化应用。     

一种基于邻域近似精度的离群点检测方法

针对混合属性离群点检测问题,提出基于邻域近似精度的混合属性离群点检测方法。首先,定义异构邻域关系度量来表示混合数据之间的近邻性。然后,定义一种特定的邻域近似精度来构建邻域粒离群度。进而,定义基于邻域近似精度的离群因子及提出基于邻域近似精度的离群点检测（Nighborhood approximation accuracy-based outlier detection,NAAOD）。最后,用UCI数据集对NAAOD算法的有效性进行了验证。理论研究和实验结果均表明,NAAOD算法对混合属性离群点检测是有效的。     

基于云计算的层次粗糙集模型约简算法研究

传统的并行属性约简算法通过利用抽样技术获取小数据样本进行知识约简,但对于大数据集来说,样本数据不具有一般性且无法代表整个数据集.为了弥补传统并行属性约简算法只能用来计算最小属性约简、处理小数据集的缺陷,论文通过分析了先验知识在粒计算中的重要性,结合云计算技术处理海量数据的优势,以粗糙集理论为背景,从不同角度、层次出发建立层次粗糙集模型,提出基于云计算的层次粗糙集模型约简算法,讨论并实现了知识约简算法中的可并行化操作,利用Hadoop在普通计算机集群上进行试验,从运行时间、加速比、可扩展性三个方面对所提出基于正区域、信息熵、边界域算法的重要性进行评价.实验证明：基于云计算的层次粗糙集模型约简算法可以有效处理大数据集.     

一种基于邻域粒度熵的离群点检测算法

离群点检测是数据挖掘领域的重要研究方向之一,其目的是找出数据集中与其他数据对象显著不同的一小部分数据。离群点检测在网络入侵检测、信用卡欺诈检测、医疗诊断等领域有着非常重要的应用。近年来,粗糙集理论被广泛用于离群点检测,然而,经典的粗糙集模型不能有效处理数值型数据。对此,本文利用邻域粗糙集模型来检测离群点,在邻域粗糙集中引入一种新的信息熵模型——邻域粒度熵。基于邻域粒度熵,提出一种新的离群点检测算法OD_NGE。实验结果表明,相对于已有的离群点检测算法,OD_NGE具有更好的离群点检测性能。     

基于邻域粒化和粗糙逼近的数值属性约简

对于空间中的任一子集,通过基本邻域信息粒子进行逼近,由此提出了邻域信息系统和邻域决策表模型.分析了该模型的性质,并且基于此模型构造了数值型属性的选择算法.利用UCI标准数据集与现有算法进行了比较分析,实验结果表明,该模型可以选择较少的特征而保持或改善分类能力.     

基于粒度矩阵的非协调信息系统知识挖掘

非协调信息系统的知识挖掘是传统数据挖掘方法实践的难点和最重要的研究方向之一。本文在经典粗糙集理论的基础上进行粒计算结构的设计与相应的计算模型研究,提出了基于上述理论的粒度矩阵非协调信息系统知识挖掘方法。首先定义了保留冗余数据的粒度矩阵、决策规则的协调度算法,以及基于可控协调度的粒度矩阵的可导度计算方法,其次在该研究基础上设计了非协调信息系统的属性约简算法和属性值约简算法。最后的仿真实验和初步的企业应用验证了算法对非协调信息处理的鲁棒性和可用性。本研究为非协调信息系统的知识挖掘提供了一个有效的粒计算模型。     

不完备信息系统的粒计算方法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法．不完备信息系统的直接处理也是粗集研究的一个重要内容．本文结合粒计算的处理方法给出了不完备信息系统的粒表示、粒运算规则和粒分解算法，同时结合粗集中的属性约简问题，提出了不完备信息系统在粒表示下属性必要性的判定条件，并给出了严格的证明．