基于粗糙集理论的数据挖掘算法研究

本文提出一种基于粗糙集理论的数据挖掘模型，从实际数据出发，运用不同简化层次的算法，导出每个层次上的信息集，最后得到规则集，在进行推理和决策分析时，按照一定算法进行匹配得出结论。还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

基于粗糙集理论的数据挖掘算法研究

本文提出一种基于粗糙集理论的数据挖掘模型,从实际数据出发,运用不同简化层次的算法,导出每个层次上的信息集,最后得到规则集。在进行推理和决策分析时,按照一定算法进行匹配得出结论。还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

一种基于粗糙集理论的分类规则提取算法

给出了一组关于分类问题的自足而严密的形式化描述,并运用精确和覆盖两种准则,将类的特征明确划分为充分特征和必要特征。在此基础上,结合“约简”方法和“聚焦”机制,提出了一种新的分类规则提取算法。使用该算法,能从分类信息系统中提取出明确的分类规则。这些规则不仅包含了分类信息系统中类的某些潜在的充分特征和必要特征,而且比传统的归纳法所提取的规则更能反映专家的“聚焦”思维方式。最后给出了运用该算法的示例。     

一个基于粗糙集理论的数据挖掘模型及应用

本文提出一种基于粗糙集理论的数据挖掘模型,从实际数据出发,运用不同简化层次的算法导出每个层次上的信息集,最后得到规则集。在进行推理和决策分析时,按照一定算法进行匹配得出结论。另外,还给出了模拟例子说明如何建立和运用这种数据挖掘模型。     

基于粗糙集理论的数据挖掘的应用

在粗糙集理论的基本思想及其特点的基础上说明它是数据挖掘的一种工具,并对其广泛的应用作了描述。介绍了常见的粗糙集理论的应用工具软件（如Rosetta),并给出了一个应用粗糙集技术来实现数据挖掘的实例系统（电力系统中操作点的分类）。     

一种基于粗糙集带支持信息的挖掘算法

本文根据直接利用粗糙集挖掘规则难以避免偶然性、以及求出所有约简与求最小约简的问题都是NP-难的问题，提出一种求精简规则的启发式算法DR。该算法根据实际数据挖掘的特点、充分利用属性支持信息直接从数据表中挖掘高支持度和描述长度小的规则集。算法DR计算简单，其效率主要与属性的个数相关，当属性取不同值的数目不大时是一个高效算法。     

基于粗糙集和遗传算法的数据挖掘方法

运用粗糙集和遗传算法的理论,为大型的数据挖掘提供了一种新的方法。首先通过粗糙集理论对数据进行预处理,然后对属性简约,最后通过遗传算法进行规则提取,寻找最优解。     

基于RBF神经网络与粗糙集的数据挖掘算法

随着数据挖掘技术的兴起,为了提高数据挖掘的准确性,提出了很多数据挖掘算法.神经网络与粗糙集理论结合的数据挖掘算法一直是基于粗糙集理论数据挖掘研究的热点之一.文中提出利用RBF神经网络收敛速度快、泛化能力强等优势先对数据进行训练,优化数据后传递给粗糙集进行数据挖掘的新思路.并通过对比与未经过RBF神经网络训练的数据挖掘结果,发现RBF神经网络与粗糙集结合算法挖掘的精度有明显的提高,证明了RBF神经网络与粗糙集理论结合的数据挖掘算法是有效的、可行的.     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于最小约简的粗糙集数据挖掘算法研究

为了进一步提高粗糙集模式数据挖掘算法的效率,论文提出一种基于约简粗糙集的数据挖掘算法。具体研究过程为：首先提出一种优化的启发式约简算法,并分析制定了启发式规则,接着研究约简粗糙集的实现过程,最后采用对比实验来验证约简粗糙集模式数据挖掘算法的可行性。研究结果表明：论文所提算法的运行效率高出其他主流算法近30%,为高效的数据挖掘奠定了理论基础。     

一种基于粗糙集的多层次、逐步求精的发掘算法

数据量的巨大和高维、用户交互与先验知识的利用等等是KDD（数据库中知识发现与数据发掘）面对的问题和难点,该文针对这些问题提出了一种基于概念普遍化和粗糙集的多层次、逐步求精的发掘算法CRCG。该算法利用概念普遍化和粗糙集对数据进行压缩和维数精简的特长,达到高效发掘感兴趣模式的目的。     

基于粗集方法入侵检测系统中的安全规则的挖掘

针对入侵检测系统中安全规则提取的困难,该文提出了利用粗集方法从系统日志审计信息中挖掘安全规则,并给出了规则挖掘算法。通过KDD CUP 1999入侵数据测试集中的数据验证了该方法的有效性和可行性,为入侵检测中安全规则的提取提供了一种新方法。     

一种基于粗糙集理论的最简规则挖掘方法

提出了一种基于粗糙集理论的最简规则挖掘方法，它是一个采用基于分类正确度的粗糙集模型进行多概念分类规则挖掘的新方法，能有效处理决策表的不一致性，采用启发式算法，挖掘出满足给定精确度的最简产生式规则知识。用多个UCI数据集对算法进行了测试，并且与著名的Rosetta软件进行实验对比，结果说明此方法大大提高了总的数据约简量，可以有效地简化最终得到的规则知识。     

粗糙集数据挖掘技术在丙酮精制中的应用研究

将基于粗糙集理论的数据挖掘方法应用于丙酮精制过程产品质量的预报。针对流程工业数据高维、构成复杂、连续性强等特点，改进了基本的粗糙集数据挖掘算法，并与模糊聚类等技术相结合，提出了一种适用于流程工业数据的粗糙集数据挖掘方法。在采用实际丙酮精制生产数据作为样本的实验中应用效果良好，表明该方法具有一定的实用价值。     

一种粗糙集值约简算法及其应用

对已有的粗糙集约简算法进行了研究,分析了这些算法中存在的问题。提出一种粗糙集值约简算法。该算法重点不在于求得最佳属性约简,而在于求得满足用户需求的最佳值约简。通过实例介绍了该算法的应用。算法能实现粗糙集的值约简,并能计算出各规则的支持度。     

基于粗糙集理论的关联规则挖掘研究及应用

提出了一种基于粗糙集理论的关联规则算法,使用粗糙集理论对数据进行预处理,同时使用属性限制避免挖掘无用的关联规则,挖掘出来的关联规则是分类规则,可以对未知数据进行分类;使用规则过滤去除冗余规则,只保留本质的、一般的规则。通过对网络安全审计数据的分析的试验表明,该方法是行之有效的。     

面向大型数据表的粗分析方法

该文运用粗糙集理论,提出一种提取大型数据表中决策规则的方法。首先根据条件属性及属性值的权重将数据表分解成多个子表,再利用粗分析方法分别对各子表简约,综合每个子表归纳出的具有一定置信度的子规则形成规则集,做出推理和决策。     

基于免疫算法的粗糙集知识约简

在基于粗糙集理论的知识发现过程中,减小属性约简复杂度问题是重要研究内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识. 通过在知识表达系统中的决策属性支持度来描述由条件属性所提供的知识对整体决策的支持程度, 通过相对重要程度来描述条件属性对决策属性的重要性.然后利用免疫网络机理和约简算法融合,构造免疫网络约简算法,把相对核加入初始种群加快收敛速度.最后,以经典的实例分析表明,该方法是求解知识约简问题的快速有效方法.