因素空间与形式概念分析及粗糙集的比较

为将因素空间理论与形式概念分析及粗糙集理论进行比较,采用了对比分析的方法.首先,围绕数据分析、知识表示和基于广义数据的规则提取等方面,详尽地介绍了因素分析的三个重要算法;其次,将因素分析法与形式概念分析及粗糙集方法进行了系统的比较.研究结果表明:因素空间理论作为知识表示的数学理论,要优于形式概念分析及粗糙集,是数据科学的重要理论基础.     

基于粗糙信息颗粒的数据挖掘方法研究

大型的数据库和数据仓库中的数据往往是有噪声和不一致的,应用经典的粗糙集理论对其进行数据挖掘处理时,效果不够理想.引入信息颗粒的概念,给出了属性子集引导的信息颗粒的构造方法及基于信息颗粒的知识描述,并应用粗糙集的扩展模型讨论知识的粗糙度问题,提出了基于粗糙信息颗粒的属性约简算法,该算法在给定最小置信度阈值的情况下,可实现对不一致数据集的简洁知识提取.图1,表2,参8.     

基于粗糙集的转炉炼钢知识发现模型

针对转炉炼钢知识发现的特点,采用粗糙集理论进行分析,应用数据清洗、标准化及离散等方式对转炉炼钢生产数据进行预处理,以炼钢生产的主要影响因素作为知识发现的条件属性,以转炉冶炼终点控制目标作为知识发现的决策属性,建立了基于粗糙集方法的转炉炼钢知识发现模型,实现转炉炼钢生产知识的自动发现、获取和规则提取。以转炉冶炼终点钢水温度的变化规律做为知识发现的决策属性,采用210 t转炉炼钢实际生产数据进行模型的应用测试,结果表明提取出的铁水硅含量、铁矿石质量、氧气消耗量等影响因素对转炉冶炼钢水终点温度存在重要影响,且模型提取出的转炉炼钢终点钢水温度知识规则与现行转炉炼钢现场的变化规律一致,证明基于粗糙集方法的转炉炼钢知识发现模型的有效性。     

基于粗糙集理论的KNN分类

粗糙集理论为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具。在数据挖掘技术中KNN算法是一个实现简单和分类准确性较高的方法,但是,当用于样本容量较大以及特征属性较多的类似医疗图像挖掘这样的领域时,其效率受到了很大的影响,找到一个删除最大冗余属性的方法成了解决这个问题的关键。将粗糙集理论与KNN算法结合起来,用粗糙集方法进行属性约简,有效地解决了KNN算法分类的这个缺点。     

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。     

粒度计算中混合属性约简的权重模糊粗糙集模型

针对权重粗糙集模型不能有效处理非平衡混合数据的问题,对权重论域上的各种类型变量进行分析并建立统一的模糊等价关系,提出混合数据上的权重模糊粗糙集模型,并利用该模型构造出带权模糊等价空间上的混合属性约简算法.混合属性约简算法产生的模糊软划分可以克服权重论域上离散硬划分产生的信息损失.在非平衡混合数据集上进行的实验结果表明,与基于权重粗糙集的算法相比,基于权重模糊粗糙集模型的属性约简算法的平均分类精度提高了11.9%.     

一种基于聚类的粗糙集连续属性的离散化算法

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。粗糙集理论只能对离散属性进行处理，而不能处理连续属性。中针对这一缺陷，利用连续数值属性有序性的性质和统计方差理论，提出了一种基于聚类的连续属性离散化算法。运用典型数据将本算法与现有方法进行了比较分析，得到了满意的结果。     

基于粗糙集的装备故障诊断系统的算法研究

通过设计基于粗糙集的装备故障诊断系统框架,以大屏幕投影系统的设备故障记录作为样本集,研究了粗糙集在装备故障诊断系统中的应用。针对数据预处理中缺失数据的填补问题,采用粗糙集理论和统计学理论相结合的方式,最大限度的保留了原始信息、产生规则的数量和可靠性;针对知识约简中规则生成速度慢等问题,采用了基于粒计算的粗糙集知识发现算法,将决策表中的属性集转换为二进制的矩阵对象,把复杂的知识约简转化为矩阵运算,降低了知识约简的时间复杂度,提高了生成规则运算效率,实现了故障诊断知识的快速自动获取。     

基于粗糙集的遗传算法在数据挖掘中的应用

应用粗糙集对知识分类的特点,结合遗传算法进化理论,提出了新的数据挖掘模型;针对大数据表字段过多、信息冗余大的特点,采用粗糙集的理论方法进行处理,在改进数据预处理方法的基础上,对条件属性进行约简,提出了改进的属性约简算法;指出对于数据量大的决策表仅仅属性约简是不够的,对大量的规则还要进行筛选提取,结合遗传算法进行优化筛选处理,通过选择、交叉、变异后从大量的规则中得到较优的规则集.     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

基于粗糙集理论的集对分析方法

针对集对分析的基本理论,分析粗集与集对的相似之处,将粗糙集理论与集对论相互嫁接、相互渗透,提出集对分析中的粗糙集方法,用粗集中的上下近似集来定义集对中的同异反联系度。这种方法的研究将有利于融合二者的优势,为确定不确定系统的数据分析、数据挖气掘、知识发现等提供了更扎实的理论基础。     

Rough sets: the classical and extended views

The article is a comprehensive review of two major approaches to rough set theory:the classic rough set model introduced by Pawlak and the probabilistic approaches.The classic model is presented as a staging ground to the discussion of two varieties of the probabilistic approach, i.e. of the variable precision and Bayesian rough set models. Both of these models extend the classic model to deal with stochastic interactions while preserving the basic ideas of the original rough set theory, such as set approximations, data dependencies, reducts etc. The probabilistic models are able to handle weaker data interactions than the classic model, thus extending the applicability of the rough set paradigm. The extended models are presented in considerable detail with some illustrative examples.     

不完备系统中基于非对称相似关系的粗集多属性决策

粗糙集理论在多属性决策、数据挖掘、机器学习、人工智能等领域发挥着越来越大的作用。经典粗糙集理论主要利用不可分辨关系对完备信息系统形成的划分来定义知识的上、下近似集,并在此基础上进行知识约简,规则推理和决策。而现实生活中存在大量不完备信息系统。针对不完备信息系统的多属性决策问题,从非对称相似关系的角度提出基于粗集的多属性决策方法。     

粗糙群和基于子群的群的粗糙

运用粗糙集理论的思想，在群中基于子群定义了群的近似空间，并定义了集合的运算，用集合的近似进行了研究．用近似群重新定义了粗糙群理论中的粗糙群、粗糙子群、粗糙不变子群、粗糙商群、粗糙同态、粗糙同构等一系列概念，并在传统的和新定义的两种粗糙群理论体系中，研究了基于子群的群的粗糙的性质．     

基于粗糙集理论的复方拆方研究

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策和分类规则．因此，将粗糙集理论引入复方拆方，将有助于从复方配伍的动态性和不确定性的本质上去深入而确切地开展方剂配伍规律的量化研究，从而改变药味与药效之间的分离状态．     

不确定信息的粗糙集表示和处理

随机性和模糊性是不确定性中最重要和最基本的2个特征。分析和比较了表示和处理不确定性知识的一些主要的拓展集合理论,并系统的介绍了基于粗糙集的不确定知识的表示和处理方法。系统讨论了粗糙集理论对经典集合论的拓展,用经典集合计算方法对粗糙集的核心算子进行了对比分析,同时对定义在信息系统上的粗糙逻辑也进行了分析。通过分析粗糙集理论在人工智能领域的几类典型应用案例说明了粗糙集在表示和处理不确定性问题方面的重要作用和优势。最后对不确定知识的表示和处理的一些有待进一步深入研究的关键问题进行了展望。     

粗糙子环的判定

粗糙代数是粗糙集理论研究的一个方向,粗糙环和粗糙子环是粗糙代数的主要内容之一.以 Pawla粗糙集模型、环论为基础,给出了环的粗糙子环的定义,并研究了粗糙子环的性质及判定定理, 扩展了粗糙代数理论的研究范围.     

半群中的粗理想和粗直积

在粗糙集概念的基础上,提出了在同余关系下的粗子半群、粗直积、粗理想,并讨论了商半群中的粗糙集及代数刻画,进一步补充和完善了半群中的粗糙集理论.     

粗糙集理论与其它不确定理论的比较分析

粗糙集理论作为一门新兴的不确定理论正越来越受到人们的关注．在介绍粗糙集理论基本内容的基础上，对粗糙集理论与模糊理论、随机理论、灰色理论等其它不确定理论的差异性进行了分析，同时讨论了它们之间的互补性问题并构建了相应的互补模型，最后，指出了粗糙集理论对于进一步丰富和完善不确定理论体系的重要性．