不完备决策系统中规则提取的快速矩阵算法

提出了广义决策的不可分辨关系及其不可分辨类、联合决策相容矩阵等概念以及不完备决策系统中基于联合决策相容矩阵的约简和规则提取的快速矩阵算法.将条件属性相容矩阵和决策属性分配决策矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,有效的提高了算法的效率.通过一个实例,说明了算法的执行过程;算法复杂度分析以及相应的对比实验,进一步说明了该方法的有效性.     

基于粗糙逻辑的增量式属性约简算法

知识约简、决策规则的获取是粗糙集理论研究的核心内容。以粗糙逻辑为基础，首先给出了在新实例加入论域后判断约简变化与否以及判断原极小决策算法中决策规则变化与否的判定依据。在此基础上，提出了一种增量式属性约简算法。该算法能有效地减少计算属性约简与极小决策算法的计算量，提高了计算效率。     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

决策分析中属性约简的择优算法

粗糙集理论在决策分析中具有广泛的应用。基于优势关系的粗糙集理论只给出如何进行属性约简以得到决策规则的方法，本文则进一步研究了如何针对不同的属性约简如何进行选择。在优势关系的基础上引入格序的概念，利用序关系给出属性约简的贴近度，借此比较了不同约简下所得决策规则贴近于原知识库的程度，并通过一个具体例子加以说明。     

杂合灰色聚类与变精度粗糙模糊集的概率决策方法

在基于粗糙集理论或扩展粗糙集理论的不确定性管理决策中,仅由数据集无法获得决策表,同时决策属性呈现模糊性,以至于无法获取概率决策规则。鉴于此,本文构建了灰色定权聚类与粗糙集变精度的杂合模型,首先运用基于中心点三角白化权函数的灰色定权聚类方法对包含不同量纲指标的知识表示系统进行处理,生成多属性决策表,而后运用变精度粗糙模糊集进行决策分析,获取概率决策规则。最后以区域关键技术选择为例,表明该模型的可行性与实用性。     

肯定和否定决策规则的获取及约简

为了从不完备有噪声的信息系统中获取肯定和否定决策规则,首先提出了变精度粗糙集描述子的概念,并讨论了其性质|然后给出了该模型下肯定和否定决策规则获取的方法|最后,为了获得简化的决策规则,提出了基于分辨矩阵的描述子约简方法和保持下近似分布不变的启发式约简算法,在学生成绩的评测实例中验证了该方法的有效性。     

粗等价类融合禁忌搜索的最小约简完备算法

提出粗等价类融合禁忌搜索的最小约简完备算法.首先用全局等价类替换元组作为基本计算单位,给出3类粗等价类定义,结合0-粗等价类在约简的渐增式计算中递减至空的性质,推导出求正区域的等价方法,并设计求解中双向缩减计算域的优化策略,从而提供快速求初始解、验证解等基础算法;然后面向约简特性设计禁忌搜索下的多种策略,包括双向邻域搜索、藐视准则、有限随机搜索、有限解检验等,最后给出高效的最小约简完备算法.用UCI中20个决策表、KDDCup海量数据集从多个性能指标进行验证,实验结果证明粗等价类理论和禁忌搜索从双方面保证本文算法的完备和高效性,大多数情况下可有效求得最小约简,并在跳出局部最优解、收敛速度和处理海量数据效率等方面优于现有算法.     

基于决策类分割的动态数据环境下的归纳学习

深入分析了基于分辨矩阵和传统决策矩阵的归纳学习算法中存在的问题,提出了一种新的决策矩阵及基于它的归纳学习和动态数据环境下的递增式学习方法.其主要思想是基于决策类将决策系统分割为多个子系统,并构造其新的决策矩阵,然后将决策系统上的归纳学习转化为新决策矩阵下的递增式学习.这不仅解决了动态数据环境下归纳学习问题,而且能降低矩阵空间规模,避免了传统决策矩阵算法中的重复计算.实例分析和实验结果验证了基于分治策略算法的合理性和有效性.     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

基于区分对象对集的快速求核算法

为降低基于正区域求核算法的时间复杂度,首先给出了简化决策表和简化差别矩阵及其核的定义。然后给出了简化决策表中条件属性的区分对象对集的定义,并得出区分对象对集与决策表核属性的关系,证明了求决策表的核可以转化到求条件属性的区分对象对集上。再结合简化差别矩阵的核的性质,设计了一个基于区分对象对集的快速求核算法。该算法的时间复杂度优于同类算法的时间复杂度。最后用实例说明了新算法的有效性。     

关于偏好信息全序化的加权TOPSIS新方法

针对通过辨识矩阵无法求取偏序集,不能进行后续的偏好信息全序化算法的普遍问题,提出了基于粗糙集的加权TOPSIS偏好信息全序化方法。首先根据属性间差异程度计算各个属性的权值,然后再对信息系统进行加权TOPSIS排序分析。克服了原算法对信息表本身的过严限制,扩大了偏好信息全序化的粗糙集方法的应用范围。最后通过在球团厂中链蓖机-回转窑系统信息表的应用验证了该方法的有效性。     

基于相对分辨能力的属性约简算法

在粗糙集理论中,分辨能力反映拥有知识的多少;为此,给出分辨能力相关概念、性质和计算方法,并提出基于相对分辨能力的约简定义,同时研究该约简定义与Hu差别矩阵约简之间的等价性,指出Hu差别矩阵约简可由相对分辨能力约简获得.为了进一步提高求解效率,通过减少约简过程中基数排序次数来提升效率,设计了相对分辨能力的约简算法,其时间复杂度为O(|C|~2|U|).实例分析和UcI中数据集的实验比较表明所提出的约简算法是有效的、可行的.     

A rough set approach to feature selection based on scatter search metaheuristic

Rough set theory is an effective method to feature selection, which has recently fascinated many researchers. The essence of rough set approach to feature selection is to find a subset of the original features. It is, however, an NP-hard problem finding a minimal subset of the features, and it is necessary to investigate effective and efficient heuristic algorithms. This paper presents a novel rough set approach to feature selection based on scatter search metaheuristic. The proposed method, called scatter search rough set attribute reduction （SSAR）, is illustrated by 13 well known datasets from UCI machine learning repository. The proposed heuristic strategy is compared with typical attribute reduction methods including genetic algorithm, ant colony, simulated annealing, and Tabu search. Computational results demonstrate that our algorithm can provide efficient solution to find a minimal subset of the features and show promising and competitive performance on the considered datasets.     

GIS分析与互信息属性约简的停车库选址决策

为了使城区立体车库的选址更加合理,充分发挥其建成后对交通缓解的作用,提出了一种城区立体停车库选址决策方法.通过采用地理信息系统分析方法,建立基于地理信息系统分析的规划选址立体车库属性信息数据,运用模糊粗糙集互信息属性约简算法挖掘出立体车库的选址与多种地理因素的关系知识进行属性约简,从而用地理信息分析和演绎推理相结合的归纳学习算法生成决策树和决策规则进行选址决策的评价及分析.对兰州市规划中的立体停车库选址建模仿真,仿真结果表明该方法能较好地运用在待求解问题中,从而为智能交通系统提供参考依据.     

直觉模糊偏好信息下的多属性决策途径

研究了属性值为直觉模糊数且决策者对方案有偏好的模糊多属性决策问题.针对方案偏好信息以直觉判断矩阵形式给出且属性权重信息不能确知的情形,定义了加型一致性直觉判断矩阵、积型一致性直觉判断矩阵以及直觉模糊决策矩阵的得分矩阵等新概念.基于得分矩阵和直觉判断矩阵,分别利用两种转换函数建立一些简洁的线性规划模型.通过求解这些模型获得属性的权重,进而给出了一种基于直觉模糊偏好信息的多属性决策途径.最后通过实例对该决策途径的详细过程及有效性进行了说明.     

空战决策知识构建方法研究

针对战训数据丰富, 数据背后空战决策知识贫乏的问题, 提出了一种空战决策知识构建方法。首先, 根据空战决策影响因素来分析决策知识的生成过程, 选择用产生式规则来表示空战决策知识。其次, 针对战训数据存在噪声数据干扰以及连续属性数据难以满足数据挖掘算法离散度量要求的问题, 应用了k-means聚类算法来检测离群点并使用最小描述长度准则算法将连续属性离散化。最后, 基于预处理后数据, 采用粗糙集提取空战最小决策规则知识, 通过构建模糊逻辑推理系统实现空战决策知识的推理与应用。仿真表明, 该方法能够有效地提取空战决策规则知识以及知识的推理与应用。     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

基于Rough集的空间属性数据挖掘的研究与实践

介绍了地理信息系统（GIS）的概念，深入研究了空间数据库的特性，探讨了Rough集理论，分析了Rough集合和空间数据的关系，讨论了差别矩阵的概念和算法，应用信息熵和模糊数学模型，给出了空间数据库属性数据的数据约减和数据挖掘算法，最后分析了一个应用事例，从而验证了算法的可行性。     

关于已知方案偏好信息MADM新方法的简化算法

基于两个合理假设,对于一个已知方案偏好信息的多属性决策的方法,给出了该方法的简化算法,证明了该方法与某种特定权系数相加权方法的等价性,并给出不同权重的算法及其应用范围.     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.