基于粗集理论和神经网络的集成化数据挖掘方法研究

为了从大型数据库中获取有用的知识，本文提出了一种基于粗集理论和神经网络的集成化数据挖掘方法。论文以所提出的研究框架为基础，首先给出了一种改进的粗集属性约简的算法和消除冗余属性的方法，进而采用面向对象的概念泛化进一步对数据库进行属性约简，最后用相似权值法得到产生式规则，并将所得规则用决策树来表示，通过一个完整的应用实例演示了本文方法，证实了其有效性。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

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.     

基于论域空间模糊划分的粗集神经网络

针对粗集神经网络构建过程中的论域空间划分问题,提出一种基于模糊聚类的论域划分方法。将带交叉变异算子的粒子群优化算法(PSO)与模糊C-均值聚类算法(FCM)相结合,给出一种新的模糊聚类算法CMPSO-FCM,该算法具有良好的搜索能力和聚类效果。提出一种基于信息熵的模糊粗糙集决策规则获取方法,并用获取的规则指导粗集神经网络的构建。实验结果表明,该方法构造的神经网络具有更精简的结构、较好的分类精度和泛化能力。     

基于变精度粗集的分类方法

基于差别矩阵的约简算法简单、计算量小,但是传统的差别矩阵不能处理噪声数据。为提高差别矩阵的适用范围,提出一种能够容忍数据中包含噪声的变精度差别矩阵,并给出改进的基于条件属性偏序关系的约简算法。最后,将这一方法用于对多类图像的分类过程中,将分类结果与BP网络的分类结果和基于传统Skowron差别矩阵方法的分类结果相比较表明这种分类方法具有较好的结果。     

基于RBF神经网络的汉字粗分类方法

粗分类是提高汉字识别速度的主要手段。将RBF（Radial Basis Function neural network）神经网络用于汉字粗分类,采用汉字四边码和粗网格作为汉字粗分类的特征以进行比较。分别对GB2312-80一级字库印刷体及手写体进行实验,实验结果表明将RBF神经网络用于汉字粗分类比通常使用的欧式距离作为分类器有较好的性能。     

基于粗集的规则简化方法

鉴于实际应用中经常能遇到噪音的问题,本文通过对粗集方法的应用研究,提出规则的广义极大化方法,同时还提出了广义极大极小规则转换模型GMM.实验结果表明,采用该模型简化决策树规则既能简化单个规则,又能减少规则的总数量,更能排除数据中噪音的干扰,提高规则的分类精度.     

粗集神经网络及其在智能信息处理领域的应用

通过对近10年发展起来的粗集神经网络集成技术的总结和归纳,可将粗集神经网络集成技术分为3种:粗集神经网络混合系统、粗边界神经网络和粗-颗粒神经网络.介绍了每种集成技术的研究现状,分析和阐述了其原理及特点.最后,总结了当前粗集神经网络集成技术中需关注的一些问题,并指出了进一步研究的方向.     

一种支持向量机粗糙神经网络的构造与分类决策

本文根据支持向量机可以解决小样本学习问题的优势，再结合粗集理论对不确定性问题分析的特点，提出一种支持向量机的粗糙神经网络的构造方法．该方法引入多个类似于支持向量机的子神经网络，并将网络中的隐层单元设计成由多组粗糙神经元构成的网络单元．这种新型神经网络具有结构确定、可解释性好、计算简单、收敛速度快等特点．最后，以某型歼击机的飞机舵面故障判决为例，用仿真结果证明，本文方法是行之有效的．     

一种基于Rough集的层次聚类算法

Rough集理论是一种新型的处理含糊和不确定性知识的数学工具,将Rough集理论应用于知识发现中的聚类分析,给出了局部不可区分关系、个体之间的局部不可区分度和总不可区分度、类之间的不可区分度、聚类结果的综合近似精度等定义,在此基础上提出了一种基于Rough集的层次聚类算法,该算法能够自动调整参数,以寻求更优的聚类结果。验结果验证了该算法的可行性,特别是在符号属性聚类方面有较好的聚类性能。     

时态粗糙神经网

论文提出了一种基于粗糙集和时态概念的新神经网模型—时态粗糙神经网。在神经网的输入中加入时间的因素,即神经网络的输入是时间的函数,从而把传统的神经元改造成了时态神经元;时态粗糙神经网中的神经元是时态粗糙神经元,它包括一对时态神经元,即将数据中的上边界和下边界加入时间因素以后,作为神经网络的输入和输出。当网络的输入和输出不是单值数据而是一个随时间变化的数据的集合时,经典的神经网络建立的预测模型的输出就会产生较大的误差,而基于时态粗糙理论的神经网络则可以很好地解决这个问题,更能真实刻画实际问题。从而为解决这类问题提供了一个较好的理论模型。     

基于粗集理论的神经网络

提出了一种基于粗糙集理论的神经网络,它由传统神经元和粗糙神经元构成,粗糙神经元包含一对传统的神经元,即将数据中的上连界和下边界的作用网络的输入或输出值,当网络的输入和输出不是单值数据而是一个数据集合时,经典的神经网络建立的预测模型的输出就会产生较大的误差,而基于粗糙理论的神经网络则可以很好地解决这个问题,最后对基于粗糙理论的网络进行性能评估。     

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法. 该方法通过自适应G-K聚类实现输入输出积空间的模糊划分, 进而在聚类数和约简属性搜索的基础上, 提取优化的模糊粗糙模型(Fuzzy rough model, FRM), 并在融合神经网络后实现粗神经网络建模. 分类实验表明, FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法, 而且比单纯的FRM模型具有更强的综合决策能力, 和传统的粗逻辑神经网络(Rough logic neural network, RLNN)相比, FRM_RNN_M方法建立的神经网络结构精简, 收敛速度快, 具有更强的泛化能力.     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

基于Rough集的软件测试用例优化过程

测试用例生成是软件测试的关键环节，也是软件测试的重点和难点，如何生成高效简化的测试用例是软件测试研究的重要问题之一。对此，提出了基于Rough集的软件测试用例优化过程。针对这一过程采用一种能同时得到属性核值信息的属性约简算法，提出了一种新的属性值约简算法。最后结合一个实例说明了此优化过程具有较高的效率，达到了较好的测试用例优化效果。     

基于Rough集的软件测试用例优化过程

测试用例生成是软件测试的关键环节,也是软件测试的重点和难点,如何生成高效简化的测试用例是软件测试研究的重要问题之一。对此,提出了基于Rough集的软件测试用例优化过程。针对这一过程采用一种能同时得到属性核值信息的属性约简算法,提出了一种新的属性值约简算法。最后结合一个实例说明了此优化过程具有较高的效率,达到了较好的测试用例优化效果。     

Rough Neural Network Based on Bottom-Up Fuzzy Rough Data Analysis

Based on bottom-up fuzzy rough data analysis, a new rough neural network decision-making model is proposed. Through supervised Gaustafason–Kessel (G–K) clustering algorithm, proper fuzzy clusters are found to partition the input data space. At the same time cluster number is searched by monotone increasing process. If the cluster number matches with that exactly exist in data sets then excellent fuzzy rough data modeling (FRDM) model can be built. And by integrating it with neural network technique, corresponding rough neural network is constructed. Our method overcomes the defects of conventional top-down based rough logic neural network (RLNN) method, and it also achieves adaptive learning ability and comprehensive soft decision-making ability compared with FRDM model. The experiment results indicate that our method has stronger generalization ability and more compact network structure than conventional RLNN.     

粗糙集约简的神经网络遥感分类应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。但是该方法不能降低维数、时间开销大,针对这些不足提出一种基于粗糙集约简的神经网络方法。本文对RapidEye影像进行分析并提取纹理特征,利用粗糙集理论对纹理特征与光谱特征属性进行约简,得到的约简属性作为输入属性,利用神经网络法对影像分类。结果表明该方法具有较好的分类精度。