一种近似决策规则生成算法及其应用

实际应用中,Rough集理论所推导出的基本决策规则在对新对象进行匹配时,往往会遇到新对象不能被匹配的情况,使得不能对新对象作出有效的决策.为了提高规则对新对象的匹配能力,提出了一个更有效的近似决策规则生成算法,并将其应用于基于Rough集理论的垃圾邮件过滤模型中.实验结果表明,该算法所产生的近似决策规则能够有效地提高规则对新邮件的匹配能力,以及对邮件的过滤性能,因此该算法是可行的.     

基于Rough集和概率统计方法的决策规则提取

Rough集是一种处理不精确的、不一致的、不完整的信息,并从中发现隐含的知识,揭示潜在规律的新型方法.Rough集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,删除其中不相关或不重要的知识,从而导出问题的决策或分类规则.概率统计方法是传统数据处理方法,两者各有其优缺点.在决策规则提取过程中,将两者方法结合起来,在满足决策规则力度、肯定因子和覆盖因子的基础上对规则进行筛选,从而提高了决策的准确性和合理性.     

Rough集理论在结构损伤识别中的应用

提出以光纤光栅传感嚣为传感元件、简支板结构为研究对象、运用粗集理论对结构损伤部位进行检测识别。介绍了用Rough集理论来构建检测对象的知识表示方法，用K-均值量化算法实现连续信息离散化，采用基于Rough集的约简方法来生成目标决策规则。检验样本的实验显示出所提方法获得了满意的检测识别结果，且运算效率远高于神经网络。     

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.     

基于Rough集联系度的决策表简化方法

提出了集合型Rough集（粗集）联系度的概念以及利用Rough集联系度对决策表进行条件属性简化和属性冗余值简化的计算步骤，通过算例说明方法比较的Rough集理论中使用范畴的相地简化方法更简单。     

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.     

模糊信息表决策规则获取与属性约简方法

将粗糙集方法用于模糊信息表上的规则获取和属性约简, 在包含度概念的基础上, 定义了齐次包含度.对两类模糊信息值的信息表, 条件属性是离散值，而决策属性是模糊的模糊决策信息表和条件属性与决策属性均为模糊的模糊信息表, 采用齐次包含度研究了条件属性在决策属性中的包含关系, 得到了包含度意义下模糊决策信息表的属性约简判定定理和决策规则获取方法. 给出了模糊条件属性的所有可能组合, 研究了模糊组合属性在模糊决策属性中的包含关系, 提出了最大属性协调集的概念，建立了在最大协调属性集下的模糊信息表属性约简和决策规则获取的算法步骤, 并通过算例演示了模糊决策规则获取和属性约简的过程, 从而为模糊信息表决策规则获取与属性约简提供了一类算法.     

基于粗糙集图像分层算法的研究

提出了一种基于粗糙集的图像分层新算法,首先从数字图像中提取色彩信息和空间信息构造条件属性集,分析经典的图层信息构造决策属性集,然后运用粗糙集理论进行数据挖掘,从而得到从条件属性集到决策属性集的强规则,运用这些规则对数字图像进行智能分层。最后,用实例证明了该算法的正确性。     

基于变精度粗集的生产调度规则获取

由于规则调度简单、实用，而被管理和工程技术人员广泛使用．规则调度所面临的问题是如何快速获取有效的调度规则以建立起专家系统知识库．把变精度粗集应用于生产调度中，在历史调度数据中发现成功的调度规则解决了生产调度中的规则获取难题．对调度中存在的多决策属性并存的决策表分解问题，提出了有因果关系决策属性的决策表分解方法，描述了基于粗集的生产调度规则获取过程及其应用实例．     

基于AHP和粗糙集的二阶段评价方法研究

通过分析AHP在求解过程中存在的不足，结合粗糙集理论强大的定性分析能力，提出了AHP和粗糙集相结合二阶段求解的基本思路，并针对物流服务商评价问题的一个具体实例，阐述了如何应用AHP和粗糙集二阶段方法对物流服务商进行评价。评价结果表明，新提出的二阶段评价方法与AHP、AHP—TOPSIS方法、突变理论相比较，它对于最优企业的选取，无疑是一个重要的决策参考。     

Research on extended AHP method with the aid of RST

Analytic Hierarchy Process （AHP） method can be used to solve the tasks of multi-criterion decision system fields, but some complicated questions processed by AHP cannot be easily solved by means of the general method. It is because of being unsatisfied with consistency condition or judgment matrix too intricate to solve, which causes AHP invalidation. So in order to resolve this problem, AHP knowledge systems reduced with the aid of Genetic Algorithms （GA） were proposed, which directly acquired the order of AHP issue through the rule of Rough Sets Theory （RST） method, or solved the tasks reduced by RST with classical AHP method. On this condition, the compare decision system of region informatization level was solved, and the results solved were the same to those by classical AHP, which denoted that this method was more simple and reliable, besides the four rules of changing AHP system into RST Decision System.     

基于Rough Sets的图像分割法

介绍了粗集(Rough Sets)的一般概念和理论,并提出了一种基于粗集理论中不可分辨关系的图像分割方法,从而对基于粗集理论的图像处理和分析方法进行了初步探讨。     

模糊粗糙集的分解定理

根据模糊粗糙集(FR集)中上下近似都是模糊集合的构造性质,利用模糊集不同截集定义和分解定理,给出了模糊粗糙集(FR集)截集定义和相应的分解定理,并证明了模糊粗糙集(FR集)集的分解定理,分解定理揭示了模糊粗糙集和普通集之间的关系,在理论和应用中发挥着重要的作用。     

结合ROUGH集的决策树构建方法

针对构造决策树时，分类属性的选择直接影响分类效果的问题，提出了一种新的属性选择分类标准——集合分类粗糙度，该标准结合了ROUGH集知识表示与决策树构造的特性，能在总数不变的情况下，使叶结点的层次在一定程度上上浮．     

结合ROUGH集的决策树构建方法

针对构造决策树时,分类属性的选择直接影响分类效果的问题,提出了一种新的属性选择分类标准——集合分类粗糙度,该标准结合了ROUGH集知识表示与决策树构造的特性,能在总数不变的情况下,使叶结点的层次在一定程度上上浮.     

从Rough集的发展前景看粒计算的研究趋势

论述了Rough集提出的意义、研究背景和发展趋势,分析了Rough集的实质是从一个不可定义的子集中,经等价关系构造出这个集合的上、下近似集,因而使得这个不可定义的集合转变为精确可定义的上、下近似集,从而在不可定义集上处理的问题可移到精确可定义的上、下近似集上去处理,这是Rough集创立的重大贡献.讨论了Rough集应用的广泛性及其在许多方面的应用实例,Rough集的应用,为粒计算研究提供了新思维,促进了粒计算研究崛起.     

粗糙集与模糊集的比较

近年来，人们提出许多描述不确定性的方法。本文将给出粗糙集和模糊集的比较。粗糙集理论是描述模糊性和不确定性的一种新的数学工具。由于大家对模糊集的熟悉，本文不再给出模糊集的相关概念。