A fuzzy-rough approach for the maintenance of distributed case-based reasoning systems

Case-based reasoning (CBR) means reasoning from prior examples and it has considerable potential for building intelligent assistant system for the World Wide Web. In order to develop successful Web-based CBR systems, we need to select a set of representative cases for the client side case-base such that this thin client is competence in problem solving. This paper proposes a fuzzy-rough method of selecting cases for such a distributed CBR system, i.e., a thin client system (a smaller case-base with rules) connected to a comparatively more powerful server system (the entire original case-base). The methodology is mainly based on the idea that an original case-base can be transformed into a smaller case-base together with a group of fuzzy adaptation rules, which could be generated using our fuzzy-rough approach. As a result, the smaller case-base with a group of fuzzy rules will almost have the same problem coverage as the entire original case-base. The method proposed in this paper, consists of four steps. First of all, an approach of learning feature weights automatically is used to evaluate the importance of different features in a given case-base. Secondly, clustering of cases is carried out to identify different concepts in the case-base using the acquired feature weights. Thirdly, fuzzy adaptation rules are mined for each concept using a fuzzy-rough method. Finally, a selection strategy which based on the concepts of case coverage and reachability is used to select representative cases. The effectiveness of our method is demonstrated experimentally using some testing data in the travel domain. This project is supported by the Hong Kong Polytechnic University Grant G-V957 and H-ZJ90.     

关于粗糙集理论及应用问题的研究

粗糙集理论作为数据挖掘的一种有效的手段，现已在为国际学术界的一个前沿研究领域，概要介绍RS核心思想，基本概念，对几个主要问题，连续属性离散化，约简的启发式算法和扩展模型进行了论述，总结整理了现有的研究思想和处理方法；并对RS的应用领域及进一步研究的前景作了简单的介绍。     

Rough Set中基于聚类的连续属性离散化方法

分析了一些RoughSet中连续属性离散化的方法，指出了其中的某些不足，并给出了一个基于聚类的连续属性离散化的方法，对当前的论域中的例子根据相似性进行聚类，对每个聚类在各属性轴上的投影的边界设离 散断点。该方法考虑了各属性之间的相关性，能得到比较合理的离散结果。     

基于粗糙集理论的故障诊断规则获取方法研究

提出了基于粗糙集理论的故障诊断规则获取方法,该方法通过决策系统的可辩识矩阵和分辨函数计算核和所有的约简集,以约简集为初始节点,建立层状节点网络模型,对于各节点,提取符合可信度要求的诊断规则写入规则集中。通过应用表明,方法是确实可行的。     

连续属性信息系统的规则约简新方法

连续属性信息系统的规则约简根本问题是属性在连续范围取任何实值,使得应用与离散属性的规则约简方法难于使用。因此解决连续属性信息系统的规则约简问题为当前研究领域所关注。该文结合粗集与模糊集理论与方法提出了一种新的数据处理与规则约简方法,并给出了该方法的实验结果。     

一种基于Rough集的属性值约简算法

文章将Rough集理论应用于不同类型的决策表(一致决策表和不一致决策表)的约简,给出了广义决策、决策规则的一致程度、属性值重要性等定义,在此基础上提出了一种基于Rough集的属性值约简算法。该算法不仅能得到更为简洁的决策规则,而且能保持决策规则的一致程度不变。实例分析表明该算法是可行的。     

移动计算中基于Rough Set的时间序列研究与应用

提出了基于Rough Set在移动计算环境中进行数据挖掘的系统模型，给出了进行数据挖掘的具体算法，介绍了由实时时态信息系统转换为时态信息系统的平均时间间隔方法，以及由时态信息系统转换为传统信息系统的增量分析方法，最后给出了实例和应用结果.     

适用于Living PSA的故障树求解方法

Living PSA是当前核电厂的安全分析与评价中最热点的问题之一，Living PSA实现中最为根本而又关键的问题是“速度”问题：在现有PSA方法的基础上，根据Living PSA的特性，设计了一种适用于Living PSA的故障树求解方法，即独立模块排序求解法，并通过例子详细地说明了该方法实现过程：这个方法除了能快速地求解故障树以外，当故障树结构或故障树中部件可靠性模型或数据发生变化时能实时地求解故障树。     

电子邮件过滤系统的粗糙集分析模型

电子邮件过滤是网络信息安全研究的热点。粗糙集理论是一种处理含糊和不精确性问题的一种新型数学工具,得到了广泛应用。该文结合粗糙集理论的数据分析技术研究了电子邮件过滤系统的建模和特征发现等问题。实例分析结果表明,该方法是有效的。     

一种基于遗传算法的属性约简算法

在基于Rough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。该文分析了基于遗传算法的约简算法,提出了一种在优化初始群体基础上提高算法性能的遗传约简算法。