一种基于属性序的决策规则挖掘算法

针对面向领域用户的决策规则挖掘问题,用属性序描述领域用户的需求和兴趣,模拟人脑分辨事物的过程,提出了一种属性序下的分层递阶决策规则挖掘算法.该算法在给定属性序下输出的决策规则集不仅具有唯一性,且对任意待识别样本不会作出矛盾的决策.实例和仿真实验结果表明了算法的有效性和可行性.     

一种新的属性集依赖度研究

提出了新的属性集依赖度的概念，给出了属性集依赖度的求解步骤和算法。针对单一属性依赖度与属性集依赖度的差别，讨论了属性集依赖度的意义，得出属性集依赖度更加可信的结论。     

最小化决策规则集的计算方法

在决策算法中，并不是所有的决策规则都是必要的，一些过剩的决策规则应该消去，而不影响作决策，因此，研究最小化决策规则集的计算方法是很有意义的．传统的决策算法并没有给出最小化决策规则集的形式化计算方法，为了解决最小化决策规则集的形式化计算问题，引入了最小化决策规则可辨识矩阵概念，提供了基于可辨识矩阵的基本决策规则的最小化决策规则集的计算方法．     

一种基于粗糙集的决策规则挖掘算法

提出了一种基于粗糙集的决策规则挖掘算法。该算法主要包括属性归约、元组合并、规则提取和规则评估。最后用一个实例说明了算法的有效性。     

一种基于决策规则支持度的值约简算法

基于决策规则的条件属性支持度和规则支持度,结合Apriori算法思想,本文提出了一种利用决策规则支持度对粗糙集中决策表进行值约简的算法。实例表明该算法可以有效地对决策表进行值约简。     

Vague集多属性决策的可能度法

给出了Vague集比较的可能度定义,并研究了其所具有的性质。针对属性权重已知和完全未知的Vague集多属性决策问题,应用最优点方案来建立最优化决策模型。应用Vague集间比较的可能度公式,提出了解决Vague集多属性决策问题的新方法。最后以应用实例对该方法进行说明和验证。     

一种新的属性重要性度量及其规则获取

在分析规则知识条件和结论所在等价类包含关系基础上,提出了一个新的属性相对重要性的定义,并给出一种以决策类为基础的逐渐增加条件属性直接获取最简分类规则方法,同时用实例进行了验证。     

基于粗集理论的多属性决策分析

针对多人多属性决策问题中多个决策者对同一类对象决策结果不一致的问题,通过对多属性群决策问题的描述,首次提出将不同决策者的不一致决策对象进行合并分析,得到更加直观明确的规则.对规则集进行构成分析,从而解释决策者之间的冲突所在.     

基于联合属性重要度的决策风险最小化属性约简

经典粗糙集属性约简基本都是保持正域、负域和边界域不变,而决策粗糙集对属性的增减过程不具备单调性,因此不可能同时保持3个区域均不变。在决策粗糙集模型中,作出决策更应该考虑风险最小化原则,因此提出一种改进的风险最小化属性约简方法,在属性的选取过程中同时考虑所选取的属性子集对决策的划分能力,即联合属性重要度以及风险最小化。实验证明所提方法是有效的。     

基于决策属性的关联规则挖掘优化算法

针对贴片机的数据挖掘课题中,关联规则生成规则数较多而不易于分析的问题,研究了单决策属性作为规则后件的方法,对实际应用中存在条件约束的情况进行了分析,提出了基于决策属性的关联规则挖掘优化算法。应用结果表明这样得到的规则简洁明确,规则具有实用价值,并且频繁集优化的效果显著,达到了快速挖掘的目的。     

改进的粗糙集属性重要度

粗糙集理论知识库的属性重要度,体现的是去掉某个或某些属性前后的知识库分类变化的程度。对现有粗糙集理论的属性重要度确立方法的不足,充分考虑条件属性对决策的直接和间接的影响,提出一种新的基于粗糙集属性依赖度的属性重要度确定方法。此外,针对原有属性重要度与改进重要度的差别,讨论改进的属性重要度的意义,并证明改进的属性重要度更加可信。最后,利用改进的方法对机械故障属性重要度进行仿真;对比原有属性重要度的数据,改进方法获得的数据不但更符合属性约简结果,并且具有更大区分度,十分有利于决策者快速做出判断。     

基于属性纯度的决策树归纳算法

基于粗糙集的决策树算法由于粒化冲突与噪声影响容易导致特征选择的失效。提出属性纯度并结合属性依赖度来构建决策树归纳算法。采用统计集成策略来建立属性纯度,表示决策分类关于条件分类的识别性,并用于相应的属性特征选择;分析属性纯度与属性依赖度的同质性和异态性,采用先属性依赖度后属性纯度选择节点的方法,改进基于粗糙集的决策树算法。决策表例分析与数据实验对比均表明所提算法的有效性与改进性。     

基于决策协调度的最简决策树生成算法

在构造决策树的过程中,分离属性的选择方法直接影响着分类效果.采用粗糙集理论中决策协调度为分离属性的标准,提出条件确定度概念,并以此来控制树的增长.实例表明,与基于信息熵的ID3算法相比,该方法无需进行属性约简就可以得到复杂性较低的决策树,且能有效提高分类效果.     

一种改进的粗糙集权重方法

深入研究粗糙集表征的属性重要度,针对现有粗糙集理论的属性权重确立方法的不足,结合属性集中各个条件属性的重要度及其确定的条件属性取值个数,提出了改进的粗糙集权重的确定方法,分析了其合理性。通过实例说明了,改进的粗糙集权重方法可以解决原有粗糙集权重确定方法存在的问题。     

一种新的决策表核属性计算方法

属性约简是粗糙集理论研究的一个核心问题,而核属性的确定往往是决策表中属性约简的基础。结合决策表的树型结构表示,给出了决策表中正域和非正域的计算方法,并从核属性的定义出发,计算树型决策表中正域和非正域相对于属性全集正域和非正域的变化,提出了一种计算决策表中核属性的方法。对其时间和空间复杂度的分析,以及对一个气象决策表例子的实验结果,证明了这些方法的有效性。     

基于确定性因子的启发式属性值约简模型

现有属性值约简模型程序复杂,难以实现,而且模型所提取的关键信息往往过于追求简明,会削弱决策系统的表达能力。为解决以上问题,提出一种基于确定性因子的启发式属性值约简模型。首先,构造几种不同性质的属性集工具,并给出其相关定理及证明;同时开发一种约简信息函数,从而为约简属性赋值;然后,将确定性因子作为启发信息,并采用自底向上式分层搜索策略来构建启发式属性值约简模型,并以程序伪代码的形式直观展示模型的布置路径与运行流程;最后,采用已有研究中的模拟数据开展模型的应用与验证,并对模型的优势、适用性与延展性展开总结与讨论。结果表明,新模型可行有效,易于编程实现;对数据特征要求低,适合一般性专家系统;所提取的价值信息多元简约,泛化性强,不丢失决策系统的关键信息。     

基于一致度、覆盖度和包含度的感兴趣区域不一致性决策算法

医学影像感兴趣区域(ROI)的噪声和疾病误判是一个典型的不一致性决策问题,同时也是困扰临床诊断的一个难题。针对这个问题,基于宏观与微观结合、全局与局部相结合的思想,提出了基于一致度、覆盖度和包含度的磁共振成像(MRI)前列腺肿瘤ROI不一致决策算法(ItoC-CIC)。首先提取MRI前列腺肿瘤ROI的高维特征,得到完备不一致决策信息表;然后通过计算不一致度找到不一致样本所在的等价类;再计算不一致等价类的覆盖度和包含度得到Score值,利用Score值筛选不一致样本,实现不一致性决策向一致性决策的转换;最后通过典型算例、UCI数据集和实验提取的前列腺肿瘤ROI特征构成的不一致决策信息表等进行验证。实验结果表明,所提算法能有效地找到并筛选掉不一致性样本。