Incremental Induction of Decision Rules from Dominance-based Rough Approximations

An incremental algorithm generating satisfactory decision rules and a rule post-processing technique are presented. The rule induction algorithm is based on the Apriori algorithm. It is extended to handle preference-ordered domains of attributes (called criteria) within Variable Consistency Dominance-based Rough Set Approach. It deals, moreover, with the problem of missing values in the data set. The algorithm has been designed for medical applications which require: (i) a careful selection of the set of decision rules representing medical experience and (ii) an easy update of these decision rules because of data set evolving in time, and (iii) not only a high predictive capacity of the set of decision rules but also a thorough explanation of a proposed decision. To satisfy all these requirements, we propose an incremental algorithm for induction of a satisfactory set of decision rules and a post-processing technique on the generated set of rules. Userʼns preferences with respect to attributes are also taken into account. A measure of the quality of a decision rule is proposed. It is used to select the most interesting representatives in the final set of rules.     

基于Rough集的决策规则提取

通过分析分明矩阵方法进行属性约简时存在的一些弱点，本文提出了分明矩阵方法的简化，并将其应用于数据库中决策规则的提取。在求核集时，该方法不必生成分明矩阵这一环节，从而减少了时空上的不必要开销，提高了属性约简的效率，并通过一个实例详细地说明了具体提取过程，该实例说明了基于Rough集提取决策规则的方法简单易行。     

粗糙集在智能设备诊断中的应用研究

本文对在维修预测问题中粗糙集理论的应用做了探讨。分析了用粗糙集理论进行数据库知识发现,为智能设备诊断提供数据存储的方法、可行性。着重讨论了粗糙集理论要点和用该理论分析了实际工作中的一个例子。     

基于Rough Set带结论域的关联规则挖掘

论文构建了一种基于RoughSet(RS)带结论域的强关联规则挖掘模型,采用约简决策表和改进的Apriori算法来挖掘关联规则,提高了关联规则的挖掘效率和挖掘质量,提出并实现了带结论域的关联规则挖掘的解决方案。     

基于优势决策规则的信息系统综合评估

分析信息系统安全模型,提出一种基于变一致优势关系粗糙集(VC-DRSA)决策规则的信息系统综合评估方法。对VC-DRSA决策规则的数据进行归纳分析,结合谨慎性原则与净现值最大原则,实现定性评估和定量评估。仿真实例的结果表明,该方法可以对数据进行科学的分类,提高信息系统的数据挖掘效率。     

基于粗糙集和遗传算法的数据挖掘方法

运用粗糙集和遗传算法的理论,为大型的数据挖掘提供了一种新的方法。首先通过粗糙集理论对数据进行预处理,然后对属性简约,最后通过遗传算法进行规则提取,寻找最优解。     

集值信息系统中的模糊优势关系粗糙集

以集值信息系统为研究对象,考虑对象之间的优势程度,提出了模糊优势关系的概念;将模糊的方法引入优势关系粗糙集理论,给出了基于模糊优势关系的粗糙集模型并讨论了其相关性质,为从集值决策系统中获取决策规则提供了新的理论基础与操作手段。通过实例验证了所提方法的可行性和有效性。     

基于粗集理论的决策支持系统研究

粗集作为一种数据分析方法,能有效地从不精确的、不完整的数据中发现知识。决策支持系统涉及到对不确定因素和对不完备信息的处理。应用粗集理论可以在决策支持系统中对不完备数据进行分析、推理,提取有用特征,简化信息处理,得出肯定结论。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

基于粗集的多层分类器的设计与实现

文章提出在多层分类器中使用粗集理论来进行网络的设计,由于粗集理论有强大的数值分析能力,而多层分类器具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的新型多层分类器模型。首先利用粗集理论来提取原始的领域知识,然后通过计算决策表的相对约简来产生规则,这些规则的依赖性因子被设为多层分类器的初始连接权值,这些权值在训练学习中得到改进。文章最后给出了一个决策表的实例来进一步验证了该方法的高效性和正确性。     

基于粗糙集的确定性控制规则决策模型

粗糙集属性分区数的变化会影响属性重要性和属性对决策属性的支持度。该文对知识表示系统的数据相关性进行分析,综合考虑系统的泛化能力,提出能生成确定性控制规则的决策模型,给出决策模型中属性分区数求取以及属性相对约减产生的判据与算法实现。实验结果表明,该算法简洁有效,验证了决策模型的准确性与实用性。     

基于Rough Set的最简决策树确定算法的研究

决策树是一种有效用于分类的数据采掘方法,有确定性和非确定性决策树。传统的方法是通过信息熵的计算去生成决策树,计算量大。目前有人用RS方法去计算信息熵,但存在局限性。该文将指出其局限性,并给出了一种有效的属性选择算法,确定了最简确定性和非确定性决策树的判别准则及其通用生成算法。     

不完备模糊系统的优势关系粗糙集与知识约简

以不完备模糊决策系统为研究对象,根据拓展的优势关系,构建了粗糙模糊集模型,以获取不完备模糊决策系统中的"at least"和"atmost"决策规则.为了获取简化的"at least"和"at most"规则,在不完备模糊决策系统中,提出了两种相对约简(相对下近似约简与相对上近似约简)的概念,给出了求得这两种约简的判定定理及区分函数,并进行了实例分析.     

基于不完备信息系统的Rough Set决策规则提取方法

对象信息的不完备性是从实例中归纳学习的最大障碍。针对不完备的信息，研究了基于不完备信息系统的粗糙集决策规则提取方法，利用分层递减约简算法，通过实例有效地分析和处理了含有缺省数据和不精确数据的信息系统，扩展了粗糙集的应用领域。     

基于粗糙集的拒绝决策规则获取和约简

针对确定性和不确定性决策规则无法给出拒绝判断的缺陷,提出一种拒绝决策规则获取方法。通过分析拒绝决策规则的度量因子,设计2种可以保持下近似不变和上近似不变的相对约简算法,给出基于分辨矩阵的拒绝决策规则约简的判定定理和操作方法,实例分析结果验证了该方法的有效性和实用性。     

Rough Set on Trademark Images for Neural Network Classifier

Rough set theory (RS), introduced by Zdzislaw Pawlak in the early 1980s, is a methodology that concerned with the classificatory analysis of imprecise, uncertain or incomplete information or knowledge expressed in terms of data acquired from experiences or observations. It has the ability to distinguish between object and reason about the objects in the universe in which objects are perceived through the information that is available about them through the values for a predetermined set of attribute. The main advantage of RS is that it requires no additional information to the data represented in table. On the other hand, Supervised Neural Network learns by abstracting a mapping function from the training data for classification purposes. However the drawback of using a supervised neural network is that a large amount of training data must be provided for it to obtain an accurate mapping function. The problem is further aggravated if the data are in the continuous form (real values). Thus, in this paper we overcome the problem by transforming the training data in the continuous form into discrete values using Rough Sets theory and Boolean Reasoning technique. Here, global shape features are chosen to represent the logo images. The invariant features representing logo images are obtained by using the Geometric Invariant Moment Technique (Hu, 1962). The classification results prove that discretization using Rough Sets and Boolean Reasoning can reduce the training cycle and significantly increase the accuracy of the classification of logo images.     

一种基于粗糙集的信息系统决策规则提取方法

以粗糙集理论为基础,引入相似性的概念,并提出其衡量方法,改进了粗糙集理论中不可辨关系的确定条件,给出了基于新的相似关系的上下近似空间定义,并举例说明了基于粗糙集的相似性规则提取方法。     

一种基于关联规则挖掘的粗糙集约简算法

针对粗糙集理论中的约简这个重要问题进行了研究,引入关联规则挖掘中的支持度和置信度概念,提出一种基于关联规则挖掘算法思想的约简算法,从而得到更有效的约简。     

优势关系粗糙集在RoboCup中的决策分析

截球能力是RoboCup(Robot World Cup)仿真比赛中个体智能体的核心技能之一.为提高截球的成功率,将解析法和经验法相结合,提出了一种基于优势关系粗糙集的截球策略.着重讨论了基于优势关系的知识约简和截球决策规则的提取,研究了RoboCup运动模型中截球点的二分法求解.最后进行了仿真平台中的决策分析,验证了该策略的有效性.