不协调多粒度标记决策系统最优粒度的对比*

针对具有多粒度标记的不协调决策系统的知识表示和知识获取问题展开研究.首先,介绍多粒度标记信息系统的概念,在多粒度标记信息系统中定义不可分辨关系.然后,给出由不同粒度层面下信息粒度的表示及其相互关系,并进一步定义在不同粒度层面下集合的下、上近似概念,并讨论它们性质.最后,介绍不协调多粒度标记决策系统中8种协调性和最优粒度概念,并讨论它们之间的相互关系.     

基于最大粒的悲观邻域多粒度粗糙集规则获取算法*

基于粒计算的规则获取在一定程度上弥补规则获取算法的缺陷,然而大多数算法仅适用于处理名词型数据.为了从多粒度、多层次的角度处理数值型或混合型数据,基于邻域多粒度粗糙集模型,通过计算邻域多粒度条件粒与决策粒,分析条件粒在规则获取过程中的冗余关系,进而通过剪枝规则获取过程中的冗余条件粒.在此基础上,设计较高效的基于最大粒的悲观邻域多粒度粗糙集规则获取算法.通过理论分析与实例对比验证算法的有效性和优越性.     

基于粒计算的犹豫模糊多准则决策方法*

提出基于粒计算的犹豫模糊多准则决策方法.给出各个准则下对应的犹豫模糊集中犹豫模糊元的大于可能度定义,并构造相应准则下的加性一致的模糊偏好矩阵.根据各准则的模糊偏好矩阵对应的预序熵及预序粒结构相似度确定属性的权重,对各个准则下模糊偏好矩阵的排序向量加权平均得到最终的排序向量.文中方法以评价数据序信息量及准则序与整体之间的关系确定准则权重,通过计算加权两两比较下的排序向量得到最终的排序决策结果.最后运用实例验证算法的有效性及可行性.     

基于决策规则的形式背景属性约简*

在经典形式背景中,利用对象和属性间的二元关系定义一对粗糙模糊上、下近似算子,讨论算子的基本性质,指出算子与已有粗糙近似算子的关系.利用定义的粗糙模糊上、下近似算子,得到两类决策规则,即确定性决策规则和可能性决策规则.针对两类决策规则,提出下近似约简和上近似约简的概念,关于上近似约简,得到可约属性和属性协调集的判别条件,给出属性约简方法,并举例说明方法的可行性.     

序决策形式背景的规则提取及属性约简*

基于含有多值决策信息的决策形式背景,提出序决策形式背景的概念及其序决策概念格的相关理论,给出序决策概念格的决策规则及规则的置信度与支持度,并讨论决策规则在实际应用中的意义.在此基础上定义保持规则不变的属性约简,同时得到保持序决策概念格结构不变的属性约简方法.最后讨论序决策形式背景保持规则不变的约简与保持格结构不变的约简之间的关系.     

基于局部子空间的多标记特征选择算法*

在已有的特征选择算法中,常用策略是通过相关准则选择与标记集合相关性较强的特征,然而该策略不一定是最优选择,因为与标记集合相关性较弱的特征可能是决定某些类别标记的关键特征.基于这一假设,文中提出基于局部子空间的多标记特征选择算法.该算法首先利用特征与标记集合之间的互信息得到一个重要度由高到低的特征序列,然后将新的特征排序空间划分为几个局部子空间,并在每个子空间设置采样比例以选择冗余性较小的特征,最后融合各子空间的特征子集,得到一组合理的特征子集.在6个数据集和4个评价指标上的实验表明,文中算法优于一些通用的多标记特征选择算法.     

基于多标记重要性排序的分类器链算法*

多标记分类器链中标记的预测顺序具有随机性,导致学习性能下降,容易造成错误信息的传递.考虑到标记的顺序性,文中提出基于多标记重要性排序的分类器链算法.该算法将标记间相互作用程度的大小作为衡量标记重要程度的依据,在标记相关性的基础上,按照重要性进行标记排序,并将排序结果作为分类器链算法中分类器的顺序,从而解决多标记预测顺序的问题.实验表明,相比现有方法,文中算法在多个数据集上能更稳定有效地分类多标记.     

基于标记关系的模糊粗糙集模型*

多标记分类任务中的数据通常是高维的,直接利用高维数据建模可能导致训练效率低下,模型复杂,同时可能影响分类效果.针对多标记数据,文中提出属性-标记矩阵的概念,建立基于标记关系的模糊粗糙集模型,设计此类模型的约简算法,用于多标记数据分类任务的特征选择.在8个公开的数据集上实验验证文中算法的有效性.     

基于多目标烟花算法的关联规则挖掘*

针对量化关联规则的特点,提出基于多目标烟花算法和反向学习的量化关联规则挖掘算法.该算法通过多目标烟花算法全面搜索关联规则,引入反向学习提高算法收敛速度并降低算法陷入局部最优的概率,使用基于相似度的冗余淘汰机制保持库中关联规则的多样性,经过多次迭代最终获得关联规则集合.文中算法无需人为指定支持度、置信度等阈值,实验表明,算法在不同数据集上均获得稳定结果,能充分覆盖数据集,在可靠性、相关性及可理解性之间获得较好的均衡.     

基于粒极值的最简规则提取算法

应用粗糙集的分辨关系,分别从表的行、列2个方面求出每个属性值的分辨、组合能力,以此确定出粒极值,将含粒极值的粒定义为极值粒。应用粒计算理论,以极值粒集为主要运算对象进行粒逻辑运算,使最终的组合粒最简,即所提取的规则最简。实验验证了算法的有效性。     

广义多尺度决策系统中基于可变精度的最优尺度组合

针对广义多尺度决策系统的知识表示与知识获取问题,讨论广义多尺度决策系统中基于对偶概率粗糙集模型的最优尺度组合选择问题.定义广义多尺度决策系统中β下近似最优尺度组合、 β上近似最优尺度组合、 β信任分布最优尺度组合与β似然分布最优尺度组合概念,分析不同最优尺度组合之间的关系与特征,证明当β在特殊的阈值范围内时, β下近似最优尺度组合与最大分布最优尺度组合等价,而β上近似最优尺度组合与广义决策最优尺度组合等价.     

不协调广义多尺度决策系统的局部最优尺度组合选择

针对不协调广义多尺度决策系统中每个对象事例的知识获取问题,文中提出局部最优尺度组合概念.首先,介绍广义多尺度决策系统中的尺度组合概念,给出在不同尺度组合下信息粒的表示及其相互关系.然后,在广义多尺度决策系统中,介绍不同尺度组合下集合的下近似与上近似概念及性质.最后,在不协调广义多尺度决策系统中定义7种局部最优尺度组合的概念,给出它们之间的相互关系,证明实际上只有5种不同的局部最优尺度组合概念.     

多尺度邻域决策信息系统的特征子集选择

多尺度决策信息系统的特征子集选择是处理多尺度分类问题的一种有效的数据预处理方法.在实际应用中,数据类型往往多样混合,现有的多尺度模型无法有效处理这类数据.针对该问题,文中面向多源异构多尺度数据,提出多尺度邻域半径的形式化定义,构造多尺度邻域信息粒并讨论其相关性质.在此基础上,探讨特征的重要度,提出可同步进行最优尺度选择和特征选择的特征子集选择算法.改进原有的Wu-Leung模型,在一定程度上扩展其在实际问题上应用的范围.最后,在UCI数据集上验证模型和算法的可行性和有效性.     

对象更新环境下的多粒度决策系统的最优粒度选择

多粒度决策系统是一类重要的关系数据库,最优粒度选择是研究多粒度决策系统的主要目的之一。讨论了对象更新环境下的多粒度决策系统的最优粒度选择。首先,介绍了多粒度信息系统和多粒度决策系统;然后,引入了广义决策函数,并利用此函数定义多粒度决策系统的协调性和最优粒度;最后,讨论了对象更新环境下不同协调性的多粒度决策系统的最优粒度的变化规律。     

基于GrC的信息系统软规则及其度量关系的研究

粒计算(GranularComputing,简称GrC)是一种新的软计算方法。该文利用信息颗粒的位表示(BitRepresenta-tions)来进行信息系统软规则及其度量之间关系的研究。具体地,首先利用软规则对关联规则、决策规则、函数依赖之间的关系进行了分析,然后对关联规则度量、决策规则度量、外延的函数依赖度量的关系进行了研究,并且建立了这些度量的统一模型。     

基于加权向量提升的多尺度聚类挖掘算法

多尺度聚类挖掘在指导人们进行多尺度决策方面有着不可取代的作用,然而传统的多尺度聚类挖掘算法有一个致命的弱点,即需要在每个用户感兴趣的尺度上应用聚类挖掘算法.为克服此缺陷,定义了一种将数据的多尺度特性进行向量化的方法;结合地学领域的尺度转换机制,提出了一种新的知识的多尺度转换机制——基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA(Weight Vector Based Multi-scale Clustering Algorithm).算法首先在选定的基准尺度上进行聚类挖掘,获取聚类结果,并借助尺度转换机制将基准尺度的聚类结果反演到其它感兴趣的尺度上.实验表明,算法WVB-MSCA是可行且有效的.     

基于粒矩阵的多变量真值表快速约简算法

真值表化简可简化数字逻辑电路的分析与设计。在人工智能理论中, 命题逻辑值的判定和复合命题的等值关系判定也需要用到真值表及其化简。文中将真值表定义为逻辑信息系统, 用粒矩阵由粗到细描述不同粒度空间下的知识, 将真值表化简转化为通过粒矩阵运算实现的逻辑信息系统属性与属性值的约简, 从而提出多变量真值表快速约简算法。并将算法应用到发光二极管七段数字显示器的设计中, 实验分析表明文中算法的快速性和有效性。     

基于RS在移动计算中的规则提取与仿真

RS(RoughSet)方法是一种处理不精确或不完整信息的强有力数学工具。该文首先提出了基于RS在移动计算环境中进行数据挖掘的系统模型,并给出了对数据进行规则提取的具体算法,最后给出了仿真程序和应用结果。