基于信息融合技术的动态安全态势评估模型

本文提出了一种基于信息融合的动态网络安全态势评估方法。此方法采用信息融合系统的三层结构,数据层用粗糙集理论确定有用属性及权值,定时收集多源数据并标准化,特征层采用模糊聚类分析进行信息预分类,决策层用模糊识别和D-S证据理论组合的识别方法得到最终结果。     

基于粗糙集和Online SVM的入侵检测规则提取

对网络入侵规则的检测提出了一种基于粗糙集和Online-SVM结合的方法.针对网络连接记录特征属性高维的特点,采用粗糙集属性约简的方法压缩数据空间,在有用信息不受损失的前提下降低了数据处理的规模,在用OnlineSVM方法对数据进行训练时,摒弃传统方法需要高质量训练样本的假设,采用样本实时更新的方法对数据进行实时分类训练、检测.试验结果表明,该方法可以减小时间开销,并使规则提取具有实时性,符合现实工作的要求.     

基于粗糙集理论的中文文本主客观性研究

随着互联网的发展,各种文本信息资源量急剧增加.如何从海量信息中挖掘出这些有用的并进行分类、获取其中潜在的信息,已经成为数据挖掘、知识发现和中文文本处理等领域的一项最新的研究课题.粗糙集理论是一种对不确定数据进行分类的数学工具,在保持基本的分类能力不变的情况下,进行属性和知识约简,从而减少数据挖掘的原始数据,提高知识发现的效率.将粗糙集属性约简算法运用于文本主客观性研究中,提高了文本主客观性判断的效率.     

粗糙集在销售决策系统中的应用

在销售决策支持系统中,存在着大量的信息和很多不确定的因素,这使得做出科学合理的决策变得很困难。粗糙集理论是处理不确定性知识与不完整数据的有效工具,因此可以根据粗糙集理论通过分析推理找出销售数据中存在的有用的知识。依据粗糙集理论实现了一种对销售决策表知识简化的方法,采用粗集理论处理大量销售信息,从中提取有用规则,通过分析和推理产生最小决策规则。通过实例分析,验证了粗糙集理论与销售决策支持系统相结合方法的可行性。该方法有效地解决了智能销售决策支持系统中决策规则的获取与理解等问题。     

基于粗糙集理论的Web服务选择方法

针对动态Web组合中经常出现QoS数据信息丢失、出错等现象,提出在没有先验知识且数据信息不完备的情况下,利用粗糙集理论进行QoS驱动的Web服务选择的方法。首先将服务选择问题建模为多属性决策模型,根据Web服务应用环境及数据特点,选择适用的数据预处理方法(数据补齐、离散化、属性约简等),在粗糙集理论生成的规则集基础上,提出基于权重排序的服务选择方法。最后以一组具有不完备属性信息的Web订票服务为实验数据,证明提出的服务选择方法有效。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

粗糙集下网络大数据混合属性特征检测仿真

由于网络混合属性集的冗余数据量多,影响数据检测的查全率,为此提出结合粗糙集理论的网络大数据混合属性特征检测方法。首先构建一个四元组,利用四元组的任意邻域信息测算其长度函数,以判断信息特征的相似性,结合粗糙集理论求解相似信息特征的邻域熵,以检测并分类重复数据属性。为优化数据分类效率,引入支持向量机分类思想,将大数据混合属性的分类问题变换为线性可分问题,实现网络大数据混合属性特征检测与分类。实验结果表明,所提方法能够有效根据数据特征筛选出无关数据信息,使用经过训练后的分类装置对约简后的特征集进行分类,与基于特征和分类器参数组合优化的网络属性特征检测方法比较,证明了所提方法的有效性,为网络大数据混合特征检测技术提供一种新的有效解决方式。     

基于信息增益和粗糙集的入侵检测方法

传统的随机森林在网络入侵检测中收敛速度慢,并且学习性能不够完善。为消除原始入侵检测数据中的冗余信息,提出一种基于信息增益和粗糙集的随机森林入侵检测方法。使用信息增益对数据的各个属性进行相关分析,删除冗余属性,减小属性简约的时间复杂度;利用粗糙集理论从数据中提取分明函数,求得属性简约;使用随机森林分类器进行分类。实验结果表明,该方法收敛速度较快,在召回率和精度方面都要高于传统的随机森林方法,尤其是在训练样本充足的网络环境下,效果更加明显。     

基于邻域粗糙集下知识划分的信息表降维

Pawlak粗糙集的知识约简包括对决策表的知识约简和对信息表的知识约简。作为Pawlak粗糙集的扩展,邻域粗糙集在针对决策表的属性约简方面应用广泛,而针对信息表的属性约简方面应用鲜少。为了设计一种适用于信息表的属性约简算法,根据Pawlak粗糙集的信息表知识约简标准,首先提出一种邻域粗糙集的信息表知识约简标准,然后根据这种标准,结合贪心思想,进一步提出了一种适用于聚类任务的信息表属性约简算法。与主成分分析(principal component analysis,PCA)算法相比,实验结果表明用该算法对数据集降维后,得到的属性约简集合的属性个数较多,K-means算法根据属性集合进行聚类的精度较高。实验结果证明该算法能有效地应用于信息表的属性约简方面。     

一种基于粒计算属性约简算法的改进及应用

本文介绍了粒计算及粗糙集的基本概念,通过对粒计算下的粗糙集模型中两种属性约简算法分析对比,提出结合两种属性约简方法,即用差别矩阵求得核属性后,将属性重要性作为启发信息继续进行属性约简,可取得合理的属性组合,并将该方法应用于农业气象数据,挖掘出了合理的可进行预测的规则集。     

基于粗糙集神经网络的信息安全等保测评方法

文章提出了一种基于粗糙集神经网络的信息安全等级保护测评方法。在该方法中,首先利用模糊理论,在安全领域专家的帮助下建立测评指标的量化决策表,然后利用粗糙集属性约简算法对决策表中数据进行预处理,最后利用经过属性约简后的数据样例进行B-P神经网络的训练,完成训练的神经网络即可以作为测评模型应用于实际的信息安全等级保护测评中。     

基于MIX_FP树的粗糙集属性约减算法的研究与应用

粗糙集对于学习分析系统的属性约减模型有着重要的研究意义和使用价值。针对教育大数据高维度、不完备、增量性等现状,提出了基于不完备决策表的差别信息增量更新算法,并结合树形结构对差别信息的高效存储和粗糙集的核属性概念,设计构建了MIX_FP树,实现高维属性的有效约减。实验结果验证了该算法具有较好的运行效率和空间性能,为教育大数据的属性约减提供了有效的方法,同时为基于粗糙集理论的属性约减算法研究和及其在学习分析领域的应用提供了新的研究思路。     

基于数据元标准与粗糙集的数据挖掘模型研究

主要研究基于数据元的信息抽取技术及基于粗糙集的属性约简算法．在结合数据元规范及粗糙集数据处理特点的基础上,提出基于数据元标准与粗糙集的数据挖掘模型．充分发挥基于数据元标准的信息共享及粗糙集在处理不确定性数据方面的结合优势．并通过一规则挖掘实例对研究成果进行分析论证,达到较好的应用效果。     

基于粗集理论的数据过滤方法的研究

为了从大型数据库中获取有用的知识,采用了roughset理论。Roughset理论是一种研究不精确和不确定性知识的数学工具。利用粗糙集理论中属性核与不可分辨关系,提出了一种基于粗集的属性约简算法和消除冗余属性的数据过滤方法,并通过一个完整的实例验证了算法的有效性。     

基于粗糙集的石油安全预警规则提取

粗糙集理论是分析不确定系统的一种有力的工具.运用粗糙集的理论和方法,结合我国历年的石油数据,建立石油安全预警指标模型.利用Rose软件,在保持分类能力不变的前提下,对该数据的各项指标进行属性约简,再对该约简的属性值进行约简,然后提取最小决策规则,挖掘其中隐含的有用信息,得出影响我国石油安全预警的重要因素.根据得出的决策规则,对我国未来几年内的石油预测数据进行分析,得出我国石油安全属于重警区,需加强防范的结论.     

基于面向属性泛化及信息增益的数据挖掘方法研究

针对面向属性的归纳方法及粗糙集方法对知识粒性连续性的特点,将两者有机结合,利用面向属性归纳方法对数据进行泛化,再用属性的信息增益技术寻找泛化属性之间的数据依赖关系,能快速地在数据集中挖掘分类规则。将其应用于经典的仿真算例中,仿真结果合理、可靠。     

基于知识约简的网络入侵特征提取

为改善入侵检测系统的性能,提出一种基于知识约简的特征提取方法,根据粗糙集理论给出入侵检测系统的形式化描述,使用知识约简提取属性特征,通过信息损耗和信息增益分别控制连续数值属性特征的离散化和属性特征的约简过程。实验结果证明,该方法可有效消除初始数据中的冗余信息和数据噪声。     

F-邻域粗糙集及其约简

邻域粗糙集可以直接处理数值型数据, F- 粗糙集是第一个动态粗糙集模型. 针对动态变化的数值型数据, 结合邻域粗糙集和F- 粗糙集的优势, 提出了F- 邻域粗糙集和F- 邻域并行约简. 首先, 定义了F- 邻域粗糙集上下近似、边界区域; 其次, 在F- 邻域粗糙集中提出了F- 属性依赖度和属性重要度矩阵; 根据F- 属性依赖度和属性重要度矩阵分别提出了属性约简算法, 证明了两种约简方法的约简结果等价; 最后, 比对实验在UCI数据集、真实数据集和MATLAB生成数据集上完成, 实验结果显示, 与相关算法比较, F- 邻域粗糙集可以获得更好的分类准确率. 为粗糙集在大数据方面的应用增加了一种新方法.     

基于卡方统计量的属性约简新方法

近年来粗糙集数据分析已经成为定性数据分析的一个常用方法,而信息系统的属性约简是粗糙集理论的一个基本问题.粗糙集方法虽然不需要数据之外的其它信息,但所得结果同时也缺乏统计证据.文中运用非参数统计的思想研究了信息系统的属性约简问题,首先将原始信息系统整理成任意两个属性子集之间的列联表,然后给出了基于卡方统计量的属性相关性的一个新度量,基于此度量给出了信息系统属性约简的新方法.数值例子说明了该方法的可行性和有效性.     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。