粗糙环境下分布式知识获取方法研究

提出了一个基于粗集理论的分布式知识获取模型,并讨论了数据在粗糙分布式环境下,运用信息抽取算子及知识生成算子获取全局决策规则的方法.实例证明了它是可行的.     

偏好关系粗近似的一种新方法*

提出一种多准则方案对偏好程度粗度量的一般方法。构造了一种从参考方案集中获取偏好规则并用于全体方案排序和优选的算法。将参考方案对的偏好关系定量分级表示,应用粗集理论的近似原理对综合偏好关系进行粗近似以获取基于偏好信息的决策规则。计算实例表明新方法能充分表示决策者的偏好,有效避免了规则不一致性。     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

含序信息的粗集方法研究

经典粗集理论给出了不可识别、上近似、下近似、简式和核等概念,其核心思想是运用条件属性集导致的知识粒子来近似决策属性集导致的知识粒子,进而推导出规则。这些知识粒子的实质是根据存在于属性值问的等价关系得到的,而事实上可能存在某些属性,其属性值内部存在序关系,与其它某属性间存在语义关系,这样的属性称为标准。本文所研究的粗集方法,考虑标准所携带的这些信息,推导出含有序信息的规则,并探讨使推导的规则更加完全和一致。本文给出了含序粗集方法（CORS）的定义、数据分析以及规则生成方法,并提出了一种更加合理的质量近似公式以及生成规则的四条原则。     

基于广义粗集覆盖约简的粗糙熵

在广义粗集覆盖约简理论中,由于集合的上下近似是由其覆盖约简来确定的,因此有必要寻求一种新的度量来刻画知识和粗集的粗糙性.通过引入信息熵以刻画广义粗集覆盖约简的知识粗糙性以及粗集粗糙性,提出了一种新的知识粗糙性和粗集粗糙性度量.得到知识粗糙熵和粗糙集的粗糙熵都随广义覆盖约简的变细而单调减少的结论,从信息论观点出发,对不完备信息系统粗集理论进行了探讨.     

基于粗糙集联系度的数据挖掘算法及应用研究

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。将集对分析中的联系度概念应用于粗糙集中，说明了粗糙集联系度与下近似集和上近似集的值化的关系。文中分析了专家系统中规则抽取中存在的困难，用粗糙集理论和集对分析理论解决专家系统中规则的抽取和过滤问题，提出了一种新的规则提取方法，并给出了一个应用实例。     

基于双层并行PCNN和粗集理论的图像融合

为了能更好地进行多传感器图像融合,提出了一种基于双层并行PCNN和粗集理论的图像融合方法。该方法首先对两幅图像去噪,将一幅图像作为主PCNN网络的输入,另一幅图像作为从PCNN网络的输入,计算每幅图像的清晰度,分别将每幅图像的清晰度矩阵送入主从PCNN网络处理,然后根据粗集理论对原始图像分类,最后生成融合图像。该方法不仅能保留原图像信息,而且得到的融合图像清晰度高、对比度大。仿真实验结果以及与其他融合算法的比较,表明该算法的有效性和优越性。     

基于粗集理论与神经网络技术规则提取的研究

为了从大量数据中获取有用的知识,提出了基于粗集与神经网络技术的数据挖掘方法.首先利用粗集理论消除冗余的属性,得到数据集的一些规则,然后利用这些规则构造神经网络,利用神经网络技术完善粗糙规则.文章就这一技术的研究方法作了综述,并提出了改进的粗集约简方法.     

基于数据挖掘思想的故障模式分析

提出了一种新型的基于数据挖掘思想的故障模式分析。通过收集故障现象并整理形成故障信息维度表,产品技术参数、故障原因等组成的关系规则维度表;基于故障信息维度表与关系规则维度表应用Apriori算法的频繁项集方法对故障信息进行分析,通过故障匹配、生成候选集、过滤候选集,最后确定故障原因,优选排除故障方案。     

基于Rough集理论的分布式知识获取模型

分布式知识获取是当前数据挖掘研究领域的热点问题之一.为了利用Rough集理论荻取分布决策表中的知识,提出了一个基于Rough集理论的分布式知识获取模型,并讨论了数据在粗糙分布式环境下,运用信息抽取算子及知识生成算子获取全局决策规则的方法.这些理论与方法扩展了Rough集理论处理多数据源的知识获取问题.实例证明了这些方法的可行性.     

基于模糊粗集的不完备信息表属性约简新算法

模糊粗糙集结合了粗集和模糊集的优点,是一种有效的数据处理理论,尤其在不完备信息表数据处理中。论文对Krysckiewcz容差关系模型加以改进,充分考虑信息表中属性取值的规律,构造模糊的二元不可分辨关系,运用模糊粗糙集理论,推广属性依赖性度量概念,给出了属性约简算法,并通过一个实例验证了它的有效性,为不完备信息表的数据处理提供了一些解决问题的思路。     

基于核属性的知识获取算法

Rough集理论是近年来发展起来的一种有效地处理不精确、不确定、含糊信息的数学理论方法,在机器学习、数据挖掘、智能数据分析、控制算法获取等领域取得了很大的成功.决策表是Rough Set理论的处理对象,用RoughSet对决策表进行规则提取通常有代数观和信息观两种主要理论和方法.使用哪一种方法提取的规则集更好是很多研究者的目标.本文针对Rough Set理论的核心内容之一的知识获取进行了研究,提出了一种基于属性重要性排序的知识获取算法,并且证明了在不相容系统中使用信息观方法比使用代数观的方法更好,能够提取更合理的规则集.     

一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法

通过研究粗糙集与图论的关系,提出了以集合为权的加权多重完全多部图的概念,定义了加权多重完全多部图的邻接矩阵,得到了加权完全多部图与决策表的映射关系;给出了粗糙集决策表信息系统的图论形式和决策表信息系统属性约简的图论方法,并根据图论理论对算法进行了优化;得到了在决策表信息系统中,属性的集合不可以约简的充分必要条件;并进一步提出了基于属性置信度的计算方法和多决策属性的处理方法。编程实验结果证明该方法能有效地降低时间和空间复杂度。     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一。粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则。文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法。该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程。通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程。     

基于邻域粗糙互信息熵的非单调性属性约简

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.     

变精度粗糙集挖掘在丙酮精制中的应用

在标准粗糙集数据挖掘算法基础上,研究变精度粗糙集数据挖掘方法在丙酮精制产品质量预报中的应用,并与标准粗糙集方法、BP算法及Apriori算法进行比较。采用实际丙酮精制生产数据进行实验,结果表明,变精度粗糙集数据挖掘算法的应用效果显著优于BP算法和Apriori算法,相对于标准粗糙集方法也有明显提高,具有一定的实用价值和研究前景。     

基于Rough集的数据挖掘模型研究

这项工作的主要目的是表明怎样能够有效地实现基于Rough集的数据挖掘技术,在这篇论文里,我们详细讨论了Rough集理论,为了从基于Rough集的数据库中发现新的规则,研究了一种适合数据挖掘的面向对象的软件系结构,给出了数据挖掘算法、规则发现算法和规则约简算法,从初始数据库的信息出发,依次建造差别矩阵、约简表和规则表,最后给出了一个模拟实例,表明我们的模型和算法是可行的。     

基于粗糙集理论的客户关系管理

粗糙集理论是一种新型的数据挖掘和决策分析方法,利用粗糙集理论进行决策表的知识约简与决策规则挖掘已经成为研究热点。本文介绍了粗糙集的基本理论,通过决策属性支持度定义的条件属性对决策属性重要性的启发式信息,求取决策表的最小约简。并将该方法用于对企业客户进行分类,为客户关系管理的决策支持提供了新的解决方法。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.