一种基于多元组决策表的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速、有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。该文改进了MDRBR算法,引入了广义支持度概念,并提出了一种基于多元组决策表的缺省规则挖掘算法-MTMDRBR算法,有效地解决了不一致多元组决策表的缺省规则挖掘问题,具有重要的实用意义。     

交易数据库的加权关联规则增量更新算法

针对文献犤1犦提出的加权关联规则挖掘算法,文章提出了交易数据库的加权关联规则增量更新算法(DWARIUA算法)。该算法充分利用已存在的频繁项目集,因此,算法是有效而可行的。     

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。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

CBA分类算法的一种改进

CBA算法是将关联规则挖掘与分类技术相结合的一种分类算法,在许多领域中得到了广泛应用.针对CBA处理海量数据效率低的缺点,提出了一个改进的CBA算法.该算法将粗糙集理论应用到CBA算法中,对决策表进行属性约简,提高了分类关联规则的生成效率;并应用PEP(pessimistic error pruning)方法对候选规则进行剪裁.实验结果表明,该算法比CBA具有更高的分类效率和准确度.     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

一个最优分类关联规则算法

分类和关联规则发现是数据挖掘中的两个重要领域。使用关联规则算法挖掘分类规则被叫做分类关联规则算法,是一个有较好前景的方法。本文提出了一个最优分类关联规则算法——OCARA。该算法使用最优关联规则挖掘算法挖掘分类规则,并对最优规则集排序,从而获得一个分类精度较高的分类器。将OCARA与传统分类算法C4.5和一般分类关联规则算法CBA、RMR在8个UCI数据集上进行实验比较,结果显示OCARA具有更好的性能,证明OCARA是一个有效的分类关联规则挖掘算法。     

基于排序的关联分类算法

提出了一种基于排序的关联分类算法.利用基于规则的分类方法中择优方法偏爱高精度规则的思想和考虑尽可能多的规则,改进了CBA(Classification Based on Associations)只根据少数几条覆盖训练集的规则构造分类器的片面性.首先采用关联规则挖掘算法产生后件为类标号的关联规则,然后根据长度、置信度、支持度和提升度等对规则进行排序,并在排序时删除对分类结果没有影响的规则.排序后的规则加上一个默认分类便构成最终的分类器.选用20个UCI公共数据集的实验结果表明,提出的算法比CBA具有更高的平均分类精度.     

一种基于粗集理论的增量式学习改进算法

增量式学习中,当向决策表中增加一个新例子时,为了获得极小决策规则集,一般方法是对决策表中的所有数据重新计算。但这种方法显然效率很低,而且也是不必要的。论文从粗集理论出发,提出了一种最小重新计算的标准,并在此基础上,给出了一个增量式学习的改进算法。该算法在一定程度上优于传统的增量式学习算法。     

基于基因表达式编程的规则分类

为了提高基于规则的分类法中挖掘规则的效率,提出了将基因表达式编程用于挖掘规则的分类方法.针对规则分类问题,设计出了一种新形式的染色体终端符号,引入规则的正确率作为适应度函数度量;将适应度由高到低排序,建立备选规则集;通过使用基因表达式编程挖掘Monk与Acute Inflammations中的规则,利用挖掘出的规则对数据集进行分类.实验结果表明了基于基因表达式编程的挖掘规则分类算法的准确率会高于传统分类算法.     

A Method for Rule Extraction Based on Granular Computing: Application in the Fault Diagnosis of a Helicopter Transmission System

How to extract decision rules from incomplete decision table is of importance in fault diagnosis of helicopter transmission system. This paper introduces a knowledge acquisition method based on Granular Computing (GrC) for fault diagnosis of helicopter transmission system. First, following semantic analysis of missing attribute values in decision table, the basic idea of construction and interpretation of granules based on characteristic relation is studied. Then, the definition of GrC model based on characteristic relation as well as its construction algorithm is developed. Thus, a set of granules can be obtained completely and its implied information is consistent with the original decision table. Subsequently, the algorithm of attribute reduction in GrC is proposed. According to the definition of generalized decision rule, the way of extracting optimal decision rule from granules is studied. At last, Combined with an incomplete decision table for fault diagnosis of transmission system, this method has been achieved, and the analysis result shows its validity.     

粒计算中决策规则的提取

为从决策表中获取最简决策规则,在研究粒计算理论的基础上,提出了一种基于粒计算的决策规则提取算法。该算法通过引入λ阶粒库的概念,利用粒计算的方法对由同一决策表所生成的粒库,从不同的角度和多个层次进行研究,尝试从较低阶的粒库中提取出尽可能多的具有一定规则覆盖度与置信度的简洁规则。最后通过实例验证了该算法的有效性。     

一种不确定性条件下的自适应知识学习方法

通过研究决策表和决策规则的不确定性，分析了由不分明关系划分的粒度引起的规则不确定性的两个方面，即不一致性和随机性，建立基于信息熵和粗糙集表示的不确定性信息度量的方法．利用该方法计算决策表局部最小确定性，并以此为阈值来控制规则集生成的数量，避免不必要的冗余规则的生成．同时结合Skowron的缺省规则获取算法，实现了没有领域先验知识条件下的不确定知识的自适应学习过程．试验结果表明．阈值的选取是合理的，在保持较高的决策正确率的同时，有效地控制了规则集的生成．     

基于云模型的决策表规则约简

通过对决策表的转换,将规则映射成为云向量,用云向量数字特征间的相似度来度量决策表规则间的等价关系.基于此,提出了基于云模型的决策表规则约简算法,不仅解决了粗集基于严格属性匹配的等价关系不能区分相似关系,也克服了基于模糊集等价关系依赖专家先验知识、对属性值随机性分布考虑不足的缺点.实验说明了该算法的高效性.     

基于粗糙集信息等价矩阵的关联规则挖掘

利用粗糙集理论,从矩阵分析的角度来挖掘决策表蕴含的信息,引入粗糙集信息等价关系的同构映射——等价矩阵,等价矩阵可看作是等价关系在信息表内的知识表达。给出了等价矩阵的求取算法以及等价矩阵意义下的属性重要度和核的概念。设计了基于等价矩阵的决策信息表的最小属性约简算法。从等价矩阵本身相关操作运算来挖掘客观知识之间的关联模式,提出了基于信息等价矩阵的关联规则提取的算法。实例证明提出的算法有效,为进一步研究决策信息系统的规则提取和决策算法提供了可行的计算方法。     

Dominance relation and rules in an incomplete ordered information system

Rough sets theory has proved to be a useful mathematical tool for classification and prediction. However, as many real‐world problems deal with ordering objects instead of classifying objects, one of the extensions of the classical rough sets approach is the dominance‐based rough sets approach, which is mainly based on substitution of the indiscernibility relation by a dominance relation. In this article, we present a dominance‐based rough sets approach to reasoning in incomplete ordered information systems. The approach shows how to find decision rules directly from an incomplete ordered decision table. We propose a reduction of knowledge that eliminates only that information that is not essential from the point of view of the ordering of objects or decision rules. © 2005 Wiley Periodicals, Inc. Int J Int Syst 20: 13–27, 2005.     

面向属性归纳下的多层次决策规则获取算法

针对信息系统中容错能力差、样本量小以及条件相同而决策结果不一致等问题,提出了一种在面向属性归纳下基于变精度粗糙集模型的多层次决策规则获取算法.首先,在条件属性的概念层次下分析高低层次决策表在变精度模型中下近似、正域、边界域和负域间关系.基于各层次决策表关系图,先由最高层决策表自顶向下按经典粗糙集模型获取确定性规则,然后再由最底层决策表自底向上获取更抽象的规则.实例分析说明了该算法的可行性.     

基于层次决策表增量学习算法的网络入侵检测

针对网络入侵检测系统面临的检测规则更新问题,提出一种解决方法,用粗糙集层次决策表表示系统的入侵检测规则,利用其增量学习算法完成新规则的学习。仿真实验结果表明,与仅用决策表规则的系统相比,使用层次决策表表示规则的系统所用的训练时间更短,漏报率低,对于Probe和R2L&U2R入侵具有更好的检测效果。     

不一致决策表规则获取的粒计算方法

针对不一致决策表的规则获取,从属性多粒度角度考虑,按粒度由粗到细将决策表划分成不同的粒度空间,通过定义相容粒关系矩阵和不相容粒关系矩阵,并充分挖掘隐含在矩阵中的启发式信息,实现对不同粒度空间确定性规则和不确定性规则的获取.最后,从实例分析以及UCI测试对算法进行验证,并与现有算法进行实验对比,实验结果与分析表明了所提出算法的可行性和有效性,而且按此方法获取的规则集的泛化能力更强.     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。