基于粗集的规则提取LBR和LEM3

本文基于粗集理论,提出了一种新的规则提取法LBR(Learning By Rough Sets),并对LBR与另一种已有的规则提取法LEM1,即全局覆盖算法(global covering algorithm)进行了比较和讨论.基于比较的结果,得出了将LEM1改进后的LEM3.LBR不但可用于普通的决策表规则提取,更多地可应用于基于模糊划分的规则提取.LBR的提出,极大地简化和丰富了规则提取算法,在已知数据中可获取更为丰富的信息量.而LEM3的使用,则是在将"依赖"(depend on)这一概念推广的基础上,更灵活地使用"覆盖"(covering),扩大了获取规则的范围.LBR和LEM3因其各自不同的优点,在数据挖掘和智能领域均具有广泛的应用前景.     

程度与精度的逻辑差粗糙集模型

基于程度与精度的逻辑差需求,提出了程度与精度的逻辑差粗糙集模型,并定义了粗糙集区域概念。通过变精度近似与程度近似的转化公式,得到了粗糙集区域的基本结构,提出了计算粗糙集区域的常规算法和结构算法,进行了算法分析与比较,探索并得到了模型在决策表中的应用方向。通过该模型拓展了程度粗糙集模型和经典粗糙集模型。     

基于规则提取的粗-模糊神经网络及其应用

本文基于粗集理论中模糊类对给定范畴的隶属度,给出了一种利用决策表进行规则提取的新方法LBR(Learning By Rough sets),并在此基础上提出了一种新的粗-模糊神经网络(RFNN)模型,以降水量预测为例,得到了很好的拟合效果,从而具有广泛的应用前景.     

Fuzzy正规集合与Fuzzy右线性文法的关系

在文献[1]的基础上,对Fuzzy正规集合和Fuzzy右线性文法之间的关系作了进一步的探讨,证明了Fuzzy正规集合的右线性可表示性,为进一步研究Fuzzy正规集合与Fuzzy有限状态自动机的关系提供了一种新方法.     

Fuzzy拓扑共生g一族与Fuzzy拓扑共生结构

最近A·K·Katsaras建立了Fuzzy拓扑共生结构的基础理论。本文定义了L—fuzzy拓扑共生g—族,讨论了Fuzzy拓扑共生结构与Fuzzy拓扑共生g—族的互相诱导关系。具体地,若g(X)在L—fuzzy拓扑共生空间(Y,S_1)中稠密,则Qs_1={G_(<<1_)∶<<_1∈S_1}是L—fuzzy拓扑共生g—族。反之,如果Q是L—fuzzy拓扑共生g—族,那么S_(1Q)={<<_(1G)∶G∈Q}和S_(2Q)={<<_(2G)∶G∈Q},分别是Y上和X上的L—fuzzy拓扑共生结构。     

N个接收方的同时密集编码协议

针对当前同时密集编码中接收方数量受限问题,通过引入n比特量子傅里叶变换,提出了具有多个接收方的非受控和受控同时密集编码协议。在非受控多方同时密集编码协议中,发送方在待传粒子上执行编码以及加锁操作,接收方只有联合执行解锁操作,才能同时获得最终的编码信息;在受控多方同时密集编码协议中,只有全体接收者在控制者的允许下通过协作才能完成信息的传输。通过对内部和外部攻击进行了分析,证实了同时密集编码协议的安全性。此外,所提出的方案中只使用Bell基测量,在实验条件下容易实现。     

粒化单调的条件邻域熵及其相关属性约简

在邻域粗糙集中,基于信息度量的属性约简具有重要应用意义.然而,条件邻域熵具有粒化非单调性,故其属性约简具有应用局限性.对此,采用粒计算技术及相关的3层粒结构,构建具有粒化单调性的条件邻域熵,进而研究其相关属性约简.首先,揭示条件邻域熵的粒化非单调性及其根源;其次,采用3层粒结构,自底向上构建一种新型条件邻域熵,获得其粒化单调性;进而,基于粒化单调的条件邻域熵,建立属性约简及启发式约简算法;最后,采用UCI(University of CaliforniaIrvine)数据实验,验证改进条件邻域熵的单调性与启发式约简算法的有效性.所得结果表明：新建条件邻域熵具有粒化单调性,改进了条件邻域熵,其诱导的属性约简具有应用前景.     

变精度上近似与程度下近似粗糙集模型的正域及其算法

针对变精度近似与程度近似的结合问题及正域的核心地位,组建了变精度上近似与程度下近似粗糙集模型,并定义了其中的正域概念。研究了模型正域与精度量化指标和程度量化指标关联的内涵及意义,得到了模型正域的精确刻画与性质。为了计算模型正域,提出了自然算法与原子算法,并进行了算法分析与算法比较,得到了自然算法与原子算法具有相同的时间复杂性,而原子算法却具有更优的空间复杂性的结论。最后用一个医疗实例对模型正域及其算法进行了分析与说明。变精度上近似与程度下近似粗糙集模型的正域,从膨胀的优势方向完全扩展了经典粗糙集模型的正域,对与精度参数和程度参数相关的必然性知识发现具有意义。     

基于依赖度的区间集决策信息表属性约简

区间集决策信息表拓展了经典决策信息表,但其属性约简研究较少.针对区间集决策信息表存在的问题,采用模型正域及相关依赖度提出属性约简及其启发式约简算法.在区间集粗糙集模型中,定义关于决策分类的正域与依赖度,证明粒化单调性等性质.提出基于依赖度的属性约简,设计启发式约简算法.实例分析与数据实验表明,设计的基于依赖度的启发式约简算法是有效的,所得结果有利于依赖学习与特征优化.