不完备信息系统中决策规则的不确定性表示

将完备信息系统中决策规则的不确定性度量引入到不完备信息系统中,充分讨论了条件属性值缺失时规则的不确定性度量表现为概率区间的特性,在此基础上给出了确信度和覆盖度的近似概率值,并利用确信度计算出规则对分类的反映程度.     

一种基于粗糙集理论的快速并行属性约简算法

将并行计算的思想融入基于粗糙集理论的快速属性约简中,提出了一种基于粗糙集理论的快速并行属性约简算法.该算法在保证约简结果是Pawlak约简的情况下,将属性约简任务划分到多个处理器中同时处理,从而大大提高了属性约简的效率.仿真实验结果说明了该算法的高效性.     

基于粗糙集神经网络的燃煤发热量预测模型

通过对粗糙集和BP神经网络的分析研究,以专家系统为核心,提出了一种基于粗糙集神经网络的燃煤发热量预测模型;选取影响燃煤发热量的6个参数,利用粗糙集理论对原始信息表进行约简操作,去除冗余的属性和属性值,得到约简规则,并将其作为BP神经网络的输入,对燃煤发热量进行预测;通过分析对比线性回归方法和粗糙集神经网络方法,说明该模型能有效地简化神经网络的网络结构,减少网络的训练步数,提高网络的学习效率,能够较准确地对燃煤发热量进行预测。     

粗糙集理论在选矿生产成本分析中的应用

科学地分析影响原料消耗成本变化的主要因素,才能揭示成本变动原因,为成本控制提供有效依据.因此,提出基于粗糙集理论的原料消耗成本影响因素重要度确定方法.利用分类质量来度量各因素对原料消耗成本的影响程度,应用基于可辨识矩阵和逻辑运算方法求解决策表的最小简约,找出影响原料消耗成本的确定性因素和不确定性因素,为改进生产提供辅助决策支持.实例分析表明,该方法简捷实用,可定量分析影响因素对原料消耗成本的影响程度.     

基于BP神经网络与粗糙集理论的分类挖掘方法

分类是数据挖掘中重要的课题,为协调决策分类,提出了一种基于粗糙集理论和BP神经网络的数据挖掘的方法。在此方法中首先用粗糙集约简决策表中的冗余属性,然后用BP神经网络进行噪声过滤,最后由粗糙集从约简的决策表中产生规则集。此方法不仅避免了从训练神经网络中提取规则的复杂性,而且有效的提高了分类的精确度。     

产业结构调整的量化分析

产业结构内部各大产业的协调发展对稳定和促进GDP增长的作用巨大,由于资源的稀缺性,如何将有限的社会资源合理分配以协调各大产业的发展成为十分重要的问题.文中引入粗糙集的属性重要性的概念和数据挖掘的属性相关分析法,对安徽省和全国的产业结构指标数据作综合分析,比较分析了三大产业GDP增长的影响程度.结果表明第一和第三产业对安徽省国内生产总值影响较大,而第二产业对全国GDP的增长有突出重要的作用.最后提出了调整和优化安徽产业结构的一些建议.     

容错粗糙模型的事件检测研究

对网站发布的Web新闻内容进行必要的、合理的监督管理,是保障网络信息内容安全的重要研究内容。将现有的文本表示模型应用于Web新闻会导致文本表示的稀疏性问题和话题跟踪过程中的主题词漂移问题,一种基于容错粗糙集的文本表示模型解决了这些问题。在理论分析和实验验证的基础上,结合向量空间模型（VSM）,利用特征项在文档集中协同出现,构造了特征项的容错粗糙集。然后用特征项容错粗糙集生成文档的容错粗糙模型,来扩充原先的文档表示模型。最后用特征项容错类描述文档之间的相似性关系,实现事件检测过程。实验结果证明,容错粗糙模型能够改进事件检测系统的性能。     

基于粗糙集-LVQ神经网络的入侵检测模型研究

提出了一种基于粗糙集-LVQ神经网络的入侵检测模型。首先将粗糙集作为前置处理系统对属性进行约简,再根据粗糙集处理后的学习样本集,构建LVQ神经网络结构,实现对入侵进行检测。实验结果表明该方法优于其他同类方法。     

一种基于局部属性集的规则确定度

在传统的粗糙集中,利用确定度来评测决策规则的确定性,然而当多个决策规则拥有相同的确定度时,对给定的对象进行分类变得困难。基于局部属性集对决策规则确定性的影响,提出一种新的规则确定度,能充分反映决策规则的确定性在局部属性集上的差异。实例表明新的确定度对决策规则有较好的评测。     

粗糙集理论的双重学习方法研究

提出了一种新的粗糙集双重学习方法,该方法能用遗传算法实现外层学习,用规则提取方法进行内层学习．其基本思想是：首先引入遗传算法,将属性编码,并针对不同的属性组合进行规则提取;然后用测试样本对规则集进行检验,并基于所得到的识别率建立适应度函数;最后在合适的遗传算子下获取最佳的属性组合及相应的知识规则．与其他方法相比,本文所提粗糙集双重学习方法集属性约简和规则提取于一体,整个过程具有很强的自适应能力．最后,用算例对本文方法进行了验证．