一种基于改进粗糙集模型的归纳学习方法

对传统的粗糙集理论进行了扩展，提出了一种改进的粗糙集归纳学习方法。一方面，针对连续属性离散化，利用模糊集理论对连续属性进行模糊化，再根据模糊贴近度构造模糊相似矩阵，并用k-w方法粗略评估各连续属性的重要度，建立基于模糊相似关系的划分，最终生成相容的决策表。另一方面，针对解决最优属性的选择问题，提出一种加权求和的属性重要度定义。基于以上模型开发了一个原型系统，并以一个工程实例验证了此方法的有效性。     

一种变相似度的模糊粗糙集属性约简

方法.     

一种实域粗糙集模型及属性约简方法

通过对实域区间和决策值的重新划分,对已经存在的属性广义重要度度量准则进行了扩展,构建了对象空间上的广义邻域关系及广义邻域关系下的实域粗糙集模型,并在此基础上提出了实域决策系统中属性约简方法(ARRDDS).对不同数据集的实验测试结果表明,与其他相关方法相比,ARRDDS方法能够较好地处理决策表中实数域属性约简问题.     

一种基于粗糙集的属性值约简方法

利用矩阵的可操作性等优点,将决策表中的知识通过区分矩阵反映出来,对决策表的值约简操作转换为对矩阵的运算.提出基于区分矩阵的一些重要性质及在此基础上的属性值约简方法,最后通过实验和实例验证了该算法是有效可行的.     

一种基于粗糙集的最小约简算法

随着计算机技术的发展,急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本概念进行了叙述,在此基础上运用粗糙集理论提出一种新的约简算法。     

基于一种新的核函数的模糊粗糙集

模糊粗糙集作为模糊集与粗糙集的结合体,能够有效处理数据的复杂性和不确定性。由模糊相似关系产生的模糊粒结构可以对模糊粗糙集中不确定性的概念进行近似。核函数和模糊相似关系分别是机器学习和模糊粗糙集的核心因素,因此借助模糊相似关系和核函数之间的关系,构造了一种新的核函数,并定义了相应的核模糊粗糙集。最后通过实例说明新构造的核函数具有一定的推广性。     

基于直觉模糊粗糙集的一种知识获取方法

将粗糙集理论与直觉模糊集理论相结合,提出了一种基于直觉模糊粗糙集理论的知识获取方法。描述了直觉模糊相似关系下粗糙集的模型,并在此基础之上重新定义了正域、依赖度与非依赖度、确定性因子与非确定性因子等概念。详细分析了基于直觉模糊粗糙集的规则挖掘算法的基本步骤,最后通过实例验证了该算法的可行性。     

一种基于粗糙集的聚类算法

针对传统聚类算法受数据空间分布影响大且效率较低的问题,提出一种应用粗糙集理论的聚类算法。以信息表中条件属性与决策属性的一致性原理为基础,以数据超立方体、信息熵实现数据属性约简和离散化。在此基础上,利用集合特征向量加法法则运算,只需扫描一次信息表就可实现对数据对象的聚类划分。实验结果表明该算法是有效可行的。     

基于聚类有效性分析的模糊粗糙集归纳学习方法

引入模糊C均值聚类算法进行连续属性模糊化,通过聚类有效性分析来确定最佳分类数目,克服了属性模糊化方法需要人为确定划分类数的缺点。用属性模糊化得到的属性隶属度矩阵约简模糊粗糙属性,由此提出一种基于模糊粗糙集的属性约简算法。实例验证了该方法的可行性和有效性。     

一种定义粗糙集精度的改进方法

在粗糙集理论中,精度是量化由粗糙集边界引起的不精确性的一种重要数字特征。但传统精度没有考虑到由等价关系导出的划分的颗粒大小。该文在分析传统精度和由Xu Baowen 等人提出的精度的基础上,提出一种新的精度定义。给出了其一些好的性质,通过例子说明了     

基于粗集理论知识表达系统的一种归纳学习方法

基于粗集（ＲＳ）理论,针对知识表达系统提出一种新的归纳学习方法,对该方法中条件属性的简化,核值表的求取,决策规则的约简进行了详细讨论,并给出相应的求解算法,本方法为机器学习以及从数据库中进行机器发现提供了新的思路。     

基于粗糙集理论的模糊神经网络构造方法

构造模糊神经网络时确定初始的隶属函数是一个难点,提出了一种新的基于粗糙集理论的隶属函数获取算法,该算法根据粗糙集理论中基于属性重要性的离散化方法确定条件属性的断点,再通过断点确定各模糊集合隶属函数的中心和宽度,同时给出了网络各参数的修正公式;仿真结果证明,该算法在学习的快速性和精度上具有良好的性能.     

一种连续条件属性值的决策表的归纳学习方法

对由连续条件属性值和离散决策属性值组成的决策表,提出了一种归纳学习方法。把决策表中的连续条件属性值看作一矩阵,进行矩阵的奇异值分解,以确定决策表条件属性的数目。用模糊C均值聚类的方法对连续条件属性值进行不同聚类数目的聚类,得到不同聚类数目下的离散决策表,对这些决策表进行条件属性简化,从而得到不同的条件属性数目。比较矩阵奇异值分解后决策表条件属性的数目和上述不同聚类数目下的离散决策表简化后的条件属性的数目,并考虑决策属性的数目,确定最终的聚类数目。在此基础上,给出了由连续条件属性值和离散决策属性值组成的决策表的归纳学习方法,并验证了其有效性。     

一种融合本体与粗糙集的文档相似度计算方法

针对向量空间模型VSM中,在计算文档相似度时要求文档标引词必须相互独立这一缺陷,提出融合本体与粗糙集的文档相似度计算方法。在该方法中,不仅可以利用本体对概念关系的准确揭示,计算文档之间的概念相似度,还可以结合粗糙集对相关概念实例的属性重要性进行度量,从而计算属性相似度,克服了传统方法需要依赖人的先验知识这一缺陷,最后综合形成文档语义向量相似度,并通过实验分析证明该方法可以在很大程度上提高文档相似度计算的准确性。     

基于粗集理论的机器学习与推理

利用粗集理论探讨机器学习中的几个重要概念及研究方法,提出一种基于祖集理论的推理和学习方法。这种研究方法不仅开拓了一条机器学习的新途径,而且也是从数据中推理决策规则的一种新探索。     

变精度集对粗糙集模型中的属性约简

属性约简是粗糙集理论的核心内容之一。论文是继续文献[8]的工作,在变精度集对粗糙集模型的基础上,定义了变精度的重要性算子和变精度的近似约简等概念,并由此给出了一种属性约简的启发式算法。算法既能保证属性约简的准确性,又能增加其灵活性,它可以通过对相似度α和精度β的调节,按照广度优先搜索策略,从条件属性集中逐一删除重要性最小的属性,从而得到一个满足相似度和精度要求的近似约简。同时,它也是完备信息系统的属性约简算法的推广(当α=1,β=0时)。最后通过一个实例,分析说明算法的可行性和有效性。     

基于最小集合覆盖的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要的意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一。在对属性约简算法充分研究的基础上提出一种基于最小覆盖集的粗糙集属性约简算法,即通过构造知识系统的一种改进的相关矩阵将属性约简简化为最小覆盖问题。将该算法与文献[7]中的算法进行实验比较并对结果进行分析,实验结果表明,当随着数据量增大时该算法具有更小的时间复杂度。     

基于粗糙集理论的一种属性约简算法

MIBARK算法在度量属性的重要性时计算量很大,它需要多次计算不同条件属性组合与决策属性之间的互信息。论文的改进算法以属性的频率作为选择属性的启发信息,由过滤差别矩阵得到属性的频率。实验表明,在获得相同属性约简的前提下,该算法与MIBARK算法相比,属性约简的计算量较少,提高了计算速度。