基于粗集不相容系统的膨胀土分类规则提取

分析膨胀土分类的粗糙性, 指出膨胀土分类是一个基于粗糙集的信息不相容决策系统. 针对常规方法容易引起规则失真的不足, 提出将贝叶斯理论和不相容系统决策挖掘相结合来提取膨胀土分类规则： 以膨胀土分类决策系统的可信度为先验概率, 膨胀土试验数据的支持度为后验概率, 计算膨胀土分类规则的条件概率;提取条件概率大于某一阈值的规则;通过逻辑合取与析取归并膨胀土分类规则. 实例计算和应用分析结果表明： 采用贝叶斯理论和基于粗糙集的不相容系统决策挖掘相结合的方法有利于基于粗糙集的不相容系统的数据挖掘, 而且为膨胀土分类规则的提取提供了一种切实可行的算法.     

一种基于粗糙集分类规则发现的方法

介绍了粗糙集理论实现数据分类和规则推理的基本原理,并利用粗糙集理论中核及决策类覆盖的概念,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系,并简化带有不相容规则的决策系统的多层次数据挖掘算法,应用一实际的例子说明如何在数据库中发现分类规则.     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

一种基于粗糙集的文本分类规则抽取方法

随着文本数据库的日益增大，寻找新的文本数据处理方法变得十分紧迫。本文将粗糙集理论应用于文本自动分类的规则提取，提出了基于粗糙集理论的文本分类方法。把文本特征项的权值进行离散化处理后，作为规则的条件属性，文本所属的类别用作决策属性，构造决策表，然后通过决策表的知识约简算法提取出文本的分类规则。实验结果表明，该方法提取规则的分类正确率较高，分类速度较快。     

基于粗糙集理论的知识库分解与规则获取

粗糙集理论可以通过对数据的约简从例子中学习,获取决策规则。但是,当知识库规模较大、条件属性个数较多时,存在提取规则速度慢、规则长度长等缺点。本文介绍了粗糙集理论的基本概念,提出了一种基于粗糙集的知识库分解算法。首先引入决策属性支持度的概念,在此基础上定义了一个属性选择量度,选择最佳目标属性对知识库进行分解,直到所有对象都被精确分类,从而得到具有一定支持度的规则集,得到的规则长度短,提取速度快。通过对一个简单实例的分析,证明了该算法的可行性。     

信息表中不完备数据的填补方法

提出了一种基于粗糙集的不完备数据填补方法.本算法以突出信息表的决策规则为主要目的,选取重要断点为主要手段,以分类质量作为迭代约束条件.实验和数值实例表明,本算法不但不会产生冲突规则,而且能够进一步突出决策规则.     

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。     

粗糙集理论在多传感器目标识别中的应用

针对多传感器目标识别中存在的问题,提出了一种基于粗糙集理论的目标识别方法。该方法利用粗糙集理论对数据进行分析,通过决策系统的可辨识矩阵导出分类识别规则,建立目标识别规则库。实例分析表明,该方法的是可行的。     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点。粗糙集理论是一种具有模糊边界的集合理论，它作为研究知识发现的新型工具，能严格地处理不精确数据的分类问题，被广泛应用于不相容决策表中的规则提取过程中。针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究，并介绍了数据集中挖分类规则的基本原理，同时利用RS理论中核和核值的概念，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法，并应用一简单的例子说明如何在数据库中发现分类规则，实验结果表明此算法可以大大提高系统潜在知识的清晰度。     

基于区分矩阵和区分函数进行属性约简的数据分类

数据分类的方法直接影响着分类效果。用粗糙集理论中的区分矩阵和区分函数进行的属性约简可以很好地用于数据分类当中，基于此，提出一种数据分类方法，即用区分矩阵和区分函数约简掉信息系统中的冗余属性，得到必要的属性集；然后再约简掉每一条规则中的冗余属性值，提取出决策规则，最后按照决策规则进行分类。实验证明，用该方法实现的数据分类复杂馋低，且能有效提高分类效果。     

粗糙逼近近似度量在分类规则挖掘中的应用

为了提高决策系统的分类质量,探讨了一种在数据仓库中基于粗糙逼近近似度量的挖掘分类规则策略.首先介绍了数据集中挖掘分类规则的基本原理,并利用粗糙集理论中粗糙逼近近似度量概念,根据决策表条件属性重要性度量及条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,最后举例说明了如何在数据库中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

区间直觉模糊粗糙集的启发式属性约简方法

属性约简是数据挖掘之中最核心的问题,是任何一个部门决策知识获取的关键技术。基于深入研究模糊粗糙理论、直觉模糊粗糙集理论在属性约简知识方面的研究成果,通过定义区间模糊粗糙集的正域、依赖度与非依赖度等相关概念,提出一种启发式区间直觉模糊粗糙集属性约简方法。结果表明：该方法在知识约简中是可行的,并且相比差别矩阵方法,能有效降低空间和时间复杂度。     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

基于粗糙集和决策树的数据挖掘方法

从粗糙集和决策树两种方法具有的优势互补性出发,提出了一种基于粗糙集和决策树相结合的数据挖掘新方法·以胶合板缺陷检测数据分析为应用对象,利用粗糙集理论对胶合板数据库中的特征信息进行缺陷识别·利用谱系聚类重心距离法对数据进行离散化处理,采用粗糙集进行属性约简,得到低维样本数据,最后用决策树方法产生决策规则·实验证明,这种数据挖掘方法保留了原始数据的内部特点,加快了获取知识的进程,提高了模型的分类准确率,增强了规则的可解释性,取得了满意的研究结果·     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.