浅谈粗糙集理论及其应用进展

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。目前已在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了广泛应用。首先描述了粗糙集的基本算法及其复杂度，包括等价关系，上下近似及约简算法；然后对粗糙集在一些领域中的应用进展情况进行了论述，例如模式识别与人工神经元网络等，最后给出了建议的研究方向。     

基于粗糙集和遗传算法的知识发现方法

粗糙集理论是一种处理不确定和不精确问题的新型数学工具,为数据挖掘提供了一条崭新的途径。提出了结合粗糙集理论和遗传算法的知识发现方法。首先通过粗糙集理论对数据进行预处理,在实现属性约简中采用了遗传算法,以提高搜索效率,然后进行规则提取。以农业病虫害诊断知识发现应用为实例说明了该方法的可行性。     

基于熵的粗糙集属性简约算法

本文定义了四种条件熵，并在此基础上提出了四种基于熵的方法，以用于粗糙集数据分析中的属性简约。举例说明了这四种基于熵的属性简约算法各自的优缺点。最后对两个实际数据库进行了测试，结果表明了所提出的基于熵的属性简约算法的有效性。     

粗糙集理论及其应用研究

粗糙集理论是一种处理不确定和不完全数据的强有力数学工具,其主要思想是在保持分类能力不变的前提下,通过数据约简得出问题的决策或分类规则.目前,粗糙集理论已成功地应用于机器学习、决策分析、过程控制、数据挖掘等领域,是当前人工智能领域研究热点之一.现介绍了粗糙集理论及其应用的国内外研究现状,总结了主要研究方法,最后指出了粗糙集理论及其应用所面临的主要问题.     

粗糙集理论在雷达识别中的应用

基于粗糙集知识约简的思想,提出了一种雷达目标识别方法,该方法不仅能够找出雷达目标的有效特征集、降低目标识别的特征空间的雏数、减少目标识别的工作量,而且提高了目标的识别率.实践表明该方法是可行有效的.     

粗糙集的理论及应用研究

粗糙集理论是一种新的软计算方法,能效处理和分析不完备息。文章讲述了粗糙集理论的基本知识和相关算法,分析了粗糙集理论的相关应用,分析了粗糙集理论方法研究中的问题,并对粗糙集理论的发展进行了展望。     

关于粗糙集属性约简的进化算法研究和应用

粗糙集理论是一种新的处理模糊和不确定知识的数学工具．属性约简是粗糙集理论研究中的重要内容之一。本文提出了用其构建科学、合理、简洁有效的科研项目评审指标体系，为科研智能管理提供新的解决方法。本文中提出一种基于进化算法的知识相对约简算法。通过在知识表达系统中引入决策属性支持度的概念．来描述由条件属性所提供的知识对整体决策的支持程度．并通过决策属性支持度定义条件属性对决策属性的相对重要性。以此作为启发式信息求出相对核。并将相对核加入进化算法的初始种群中以加快算法的收敛。同时．在适应值函数中引入惩罚函数。可以保证所求约筒既含较少的属性又有较强的支持度，能够获得最佳的搜索效果。     

数据挖掘及应用

简要介绍了知识发现的一般过程，对其中的关键步骤数据挖掘的概念、任务、方法以及在各相关行业中的应用做了较详细的阐述。     

粗糙集理论在步战车故障诊断专家系统中知识自动获取的应用

根据粗糙集理论,实现步战车故障诊断专家系统知识自动获取。首先根据历史故障数据建立决策表,利用粗糙集数据挖掘算法对决策表进行属性约简,对得到的决策表消除冗余,再利用属性值约简算法对决策表进行属性值约简,最后得到决策规则。知识库由条件表、结论表和事实表组成,保存在Access2003中。把条件属性保存到知识库的条件表中,把决策属性保存到知识库的结论表中,这样就很方便的建立了知识库。     

基于粗糙集理论的发射机故障诊断研究

研究应用经典Pawlak粗糙集理论从发射机监控数据中提取有效信息的方法,给出了对故障监测数据表的属性约简算法,输出故障决策规则,以中波发射机“输出功率”故障为例,进行了算法推演与实例仿真,证实所建故障诊断系统科学合理,高效可行.从变论域的角度出发,引入了决策粗糙集的启发式理论,解决了故障数据先验分布的容错问题,实现预诊断,为完善发展发射机人工智能监控提供了一个新思路.     

基于粗集理论的最小化决策模型

随着Internet的出现，信息过程量已经成为电子商务经营决策人员必须面对的问题。如何才能在大量的可用信息资源中及时发现有用的知识，已经引起了广泛关注。粗集理论在数据挖掘节中的应用，提供了应用处理模糊和不确定知识的数学工具，获取知识、精炼知识和实现知识增值的方法。在粗集基本概念的基础上，探讨了根据粗集理论分析处理信息、提取有用特征的方法，以及通过分析、推理产生最小决策规则的方法。     

粗糙集理论及其在数据归约中的应用

数据预处理在数据挖掘中占有重要地位，传统的数据归约方法都有其局限性。本文介绍了粗糙集的相关概念及数据预处理的一些知识，并利用区分矩阵求粗糙集中核的思想，提出了一种知识归约的方法．为进一步的数据挖掘做准备。     

粗糙集理论在个性化需求挖掘中的应用

本文针对利用不完备信息系统,应用粗糙集理论实现客户细分系统中客户个性化需求的挖掘过程,分析了建模过程的主要步骤和关键问题。应用实例表明,该模型是合理和可行的。     

一种基于粗集理论的知识发现系统的研究与设计

文章在给出基于数据库的粗集理论的形式化描述的基础上，首先引入关联度概念，修改了一个典型的缩减算法，定义了一个能较为全成反映知识形成过程中一些得要统计特征的规则表示方法，最后设计知识发现系统的并举例验证了系统的正确性和实用性。     

基于粗集和多Agent技术的分布式数据挖掘

在分布式数据库基础上,对各个站点的数据库使用粗集的方法进行挖掘,产生各个站点的规则,将这些规则库组合起来,产生一个全局的规则库,从而可以为管理者提供决策的依据.但是,产生的全局库中往往会有不一致的规则出现,一方面,是由于数据库本身的不一致等原因,导致了规则的不一致;而另一方面,则由于各个站点都追求规则的简洁性,使得直接从全局数据提取的规则不矛盾,在分布式环境下却得到矛盾的规则.对于第一种情况,可以通过现有的增加规则的可信度等方法加以避免;而对于第二种情况,本文提出了三种算法来解决了这个问题,并对这三种算法的效率、得到的一致规则的长度等问题进行详细的分析,说明了算法3是一种高效实用的算法.另外,本文对局部站点的核和全局站点的核的关系进行了研究,并证明了一个定理.     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

粗糙集理论与相关不确定性理论的辨证研究

粗糙集理论作为一种新兴的处理不确定性问题的有效工具正越来越受到人们的关注。在介绍粗糙集理论基本内容的基础上，对粗糙集理论与模糊集理论、随机理论、灰色理论等其它用于处理不确定性问题的理论工具从差异性上进行了分析；同时讨论了它们之间的互补性问题，并构建了相应的互补模型；最后指出了粗糙集理论对于进一步丰富和完善处理不确定性问题的理论体系的重要性。     

一种新的基于粗糙集K-均值的社区发现方法

针对许多社区发现方法将社区看作一个集合而无法描述社区模糊区域的问题,该文提出一种基于粗糙集理论的社区发现方法。该方法将社区看作两个集合,即社区的下近似集和上近似集,来刻画社区的模糊区域。该方法首先选择K个节点作为社区的中心节点,然后根据节点与社区中心之间的距离将节点关联到社区中心节点形成社区,接着重新计算社区的中心点及节点的社区标签,如此迭代直到收敛。通过公开数据集和仿真数据集验证了该方法在社区发现方面的可行性和有效性。