一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

基于一致规则的知识约简方法

粗糙集理论应用于决策表知识约简的主要思想是在保持信息系统分类能力不变的前提下,通过寻找最佳知识约简导出问题的决策和分类规则。传统方法多是基于知识分类的相对知识约简研究,算法较为复杂;文章从决策规则本身出发,依据规则的一致性进行算法设计,方便快捷地实现了决策表的属性约简和属性值约简。     

基于Rough set理论的气象状况分类算法研究

根据粗糙集理论,提出一种基于决策表相容性的属性约简算法。对一幅经典的天气观测状况决策表进行属性约简,把表示观测状况的各参数作为决策表的属性,运用粗糙集理论对该原始决策表进行约简,以提取天气状况的重要属性,删除分析过程中的冗余属性和属性值,约简后的属性可为决策提供支持。分析表明,粗糙集理论应用于这类决策可得到更清晰、简明的判断规则。     

基于变精度粗糙集的神经模糊网络优化及应用

针对现有神经模糊网络应用中的不足,提出了一种新的基于变精度粗糙集的神经模糊网络优化方法,并讨论了其在复杂系统建模中的应用.将变精度粗糙集理论中的β分类精度作为信息函数,选择条件属性.通过选择适当的精度,对建模数据进行离散化,组成决策表.通过对决策表进行变精度的知识约简,提取重要的属性和属性值,映射到模糊规则中,简化生成的规则,从而有效地优化了神经模糊网络结构,极大地减少了网络的训练时间,且提高了训练精度.将该方法应用于有大量样本数据的非线性时延系统建模,仿真实例验证了此种方法的可行性和有效性.     

基于聚类分析的决策表约简

基于粗糙集方法提出了一种系统的决策表约简和决策规则提取方法. 为了避免现有属性离散化方法的不足,使用多元统计中的聚类分析,并借助树形图,R2、半偏相关以及伪F统计量,对连续属性进行离散化处理,得到适合粗糙集方法要求的决策表. 在此基础上,简化了基于可辨识矩阵和逻辑运算的传统属性约简算法,并完善了启发式算法进行属性值约简和决策规则提取. 最后,以应用实例验证了该方法的可行性和有效性.     

决策细化的粗糙集理论分析

对基于粗糙集的决策系统,从理论上分析了决策数据细化的程度对规则近似质量、近似分类精度、核属性和信息熵的影响.证明了决策属性的属性值划分越细,则其规则近似质量、近似分类精度和信息熵就越小,并且决策表中决策属性值细化后所得到的核属性集一定包含细化前的核属性集.因此,在对决策属性离散化时,决策数据细化的程度要适宜.研究结果对研究决策表属性的约简、决策规则的形成和有效性等问题具有实际意义.     

基于决策技术和粗糙集理论的诊断知识库构建研究

针对目前诊断推理中知识库构建存在知识获取困难,提出了一种基于粗糙集和决策理论的诊断知识库构建模型.该模型引入决策技术和粗糙集理论,对源数据进行预处理,构建决策表,通过属性约简和属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库.实例证明在保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征知识,并能有效地解决诊断知识库构建中规则获取的知识冗余或缺失问题,显著提高故障诊断的精度和效率.     

基于粗糙集理论和BP神经网络的文本自动分类方法研究

结合粗糙集的属性约简和神经网络的分类机理，提出了一种混合算法. 首先应用粗糙集理论的属性约简作为预处理器，把冗余的属性从决策表中删去，然后运用神经网络进行分类. 这样可以大大降低向量维数，克服粗糙集对于决策表噪声比较敏感的缺点. 试验结果表明，与朴素贝叶斯、SVM、kNN传统分类方法相比，该方法在保持分类精度的基础上，分类速度有明显的提高，体现出较好的稳定性和容错性，尤其适用于特征向量多且难以分类的文本.     

连续值域决策表的属性约简算法

结合模糊聚类技术与粗糙集理论，首先给出了一种求连续属性重要性的方法，然后由粗糙集中属性约简思想，给出连续值域决策表的属性约简算法，最后通过实例说明该算法的有效性。     

基于Rough集的数据挖掘在教学评价中的应用

基于粗集的数据挖掘的主要过程是数据预处理、约简及规则提取.为了分析教师教学行为和教学效果之间的关系,以教学评价的数据为基础,利用基于粗糙集的数据挖掘技术进行挖掘.实例研究中采用基于分明矩阵的属性约简算法和启发式属性值约简算法,去掉决策表中的冗余属性和属性值,得到了影响教学效果的关键因素刎和相关规则.     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

基于案例库维护的案例推理分类技术

分类是数据处理和数据挖掘的重要任务之一,文章在建立案例推理分类器之前,先利用相似粗糙集进行案例属性的约简,再利用基于案例分类的删除技术进行案例库的维护操作;不仅减少案例的存储空间,也大大提高分类的精确度;实验结果表明,相比传统的案例推理分类器和神经网络分类器,该分类器在分类精度和速度上都有一定的优势。     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

一种基于粗糙集属性度量的集成分类器

为了准确度量属性的重要性,从基于粗糙集的属性度量视角,提出一种基于混合度量机制的属性评价方法,该方法从不同的信息粒度分析属性的重要性。在混合度量机制中,根据数据分布特点引入参数权重因子。在此基础上,构造一种基于粗糙集属性度量机制的集成分类器。通过实验结果和比较分析表明,所提出的方法能有效地降低数据的属性维度,相比较于单一属性度量准则,分类器具有更好的分类性能。     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

基于机器学习的高血压病历文本分类

为了探讨中文病历文本预处理后高维稀疏性的特点,导致文本分类精度低、算法模型收敛速度慢等性能问题,提出一种基于粗糙集的词袋(BOW)模型结合支持向量机(SVM)的文本分类算法(BOW+SVM)。该算法首先采用BOW模型对特征词提取构建高维度文本空间向量,然后利用粗糙集的属性约简算法对文本特征处理,把模糊的、冗余的属性从决策规则中清除,降低空间向量维数,最后利用所提纯的特征与SVM分类器交叉结合进行文本分类。在Python+TensorFlow环境中设计六种交叉结合的算法仿真对比实验,结果表明:基于BOW+SVM高血压病历文本分类模型精准度可达97%。可见改进后的模型,能够解决样本分部不均,克服高维度稀疏特征空间的问题,有效改善病案管理工作流程。     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

基于粗集理论的神经网络

在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后,首先探讨粗集学习与神经网络学习的结合方法,然后提出一种基于粗集预处理的神经网络系统,最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子,来说明基于粗集的神经网络系统的优越性