基于决策属性支持度的知识约简方法

提出了一种基于决策属性支持度的属性相对约简算法·该算法利用粗糙集理论分析的方法,通过在知识表达系统中引入决策属性支持度的概念,来描述由条件属性所提供的知识对整体决策的支持程度,并通过决策属性支持度定义了条件属性对决策属性的相对重要性,以此作为启发式信息,可以方便地求出相对核·再以相对核作为求解最小相对约简的起点,按重要性的不同逐次选择重要属性添加到相对核中,直至其支持度达到整体条件属性支持度时为止,此时即得到知识库的最小约简·通过实例分析证明,该方法是有效的·     

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。     

基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。     

一种基于粗糙集的不确定决策知识约简算法

粗糙集理论是处理不完整和不确定知识的数学工具,能有效地分析和处理不精确、不一致、不完整的各种不完备信息,并从中发现隐含知识,揭示潜在规律.针对决策知识冗余、决策效率低下等问题,本文以粗糙集理论为基础,研究不确定性的知识约简算法及决策规则获取方法.首先,研究粗糙集理论与知识约简理论基础,包括知识及知识库、知识表达系统、核与约简的关系;然后,研究了属性约简算法,包括属性的重要性、属性约简算法和属性值约简算法的相关定义及其数学模型表示,并给出了属性约简步骤;最后,以软件维护性及影响因素决策表为例,按照属性约简步骤,完成了属性约简和属性值约简,通过实例分析验证了算法的可行性、有效性和决策规则获取方法.结果表明,运用粗糙集理论对知识进行约简,可以简化复杂系统、消除冗余知识,获得知识库简洁表达的方法,有效维护知识库的结构和性能.     

基于粗糙集的供应商评价选择

针对传统的供应商评价选择方法不能有效处理不完备数据信息、没有充分利用以前的评价结果等不足之处, 将粗糙集理论中的规则提取技术和知识库构造技术应用到供应商的评价选择方法之中,依据供应商综合评价指标体系的设置原则,建立了相应的供应商综合评价指标体系,按照数据获取、初始决策表构建、数据预处理、建立区分矩阵、构造区分函数、属性约简、决策规则获取、值约简、最优决策规则获取、知识库构造、供应商分类的处理过程建立了基于粗糙集的供应商评价选择模型.最后以某企业的供应商数据为例进行了实证分析,通过模型得到的决策规则是合理性的,证明模型的有效性和可行性     

一种基于关联模式的完全决策规则的提取方法

针对基于粗糙集理论提取完全的决策规则是NP难问题,提出一种获取统计意义下的完全的简化规则的算法.该算法结合关联规则挖掘方法和粗糙集方法的优点,从决策表中提取出具有一定支持度和可信度阈值的决策规则,具有实际的应用意义.通过实例验证了算法的有效性.     

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.     

一种基于粗糙集理论的连续属性离散化方法

基于粗糙集的有关理论,提出了一种新的连续属性离散化方法·首先说明决策属性支持度的概念,再利用决策属性支持度作为反馈信息,提出一种领域独立的基于决策属性支持度的连续属性离散化算法·该算法能在保证决策表原始分类能力不变的前提下,提高约简效率·同时,各个属性拥有较少的分割区间,会使规则集合更加简洁·通过实例分析比较,说明该算法是非常有效的·     

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.     

基于决策表的粗糙集属性约简算法改进及应用

针对决策属性集合中只存在两个决策集合的情况,为简化决策属性的表达和计算复杂度,提高约简效率,提出一种改进粗糙集决策表的属性约简算法。该算法以条件属性对决策属性的支持度为基础,采用新的约简规则,基于可分辨矩阵的启发式算法,根据属性重要度改进属性约简算法。以高新技术企业智力资本测量指标体系为例,得到了高新技术企业智力资本的最小约简集。结果表明,该约简算法能够得到一个完备的最小约简集,并能显著提高求解约简集的效率。     

基于执行反馈的动态调度知识更新

以合同网协议为协调方式,构建了基于多Agent的动态调度框架;通过粗糙集理论,由调度专家经验知识获取调度规则知识;通过对比任务执行的条件属性组合与标书中条件属性组合,重新计算资源条件属性组合可信度;根据任务完成情况的满意度,提取条件属性组合的满意度集合,对比知识库中的决策属性与以满意度的均值定义的决策属性,更新不一致的决策属性,并用熵重新计算规则知识的可信度.最后给出实例并进行分析.     

遥感专家分类系统在滇西北植被信息提取中的应用试验研究

 选取滇西北香格里拉县的大中甸乡作为试验区,基于GPS定位调查对试验区典型覆盖地物的遥感多光谱信息进行测定与分析理解,集成GIS功能进行地形模型的变量处理,利用ERDASIMAGINE遥感专家分类系统模块,探索对试验区主要植被类型进行智能提取的知识库设计与分类组织实施.初步探索结果表明.相对于仅仅基于遥感光谱信息的传统分类方法,由于专家系统技术可以组织多变量参与分类信息提取,并通过专家综合分析进行灵活多变的规则知识库设计,还可根据区域特征与环境资源管理需要对专家分类过程实行反复调试的功能,因此,专家系统技术在自然环境复杂多样的云南山区植被信息提取中具有较为突出的先进性和实用性.对于试验结果,可通过适当的规则修改调整,将有关技术方法应用推广到其它广大山区.     

一种基于粗糙集的决策树规则提取算法

文章提出了一种新的决策树构建算法，算法选择使生成的规则满足给定可信度阀值且支持度最大的属性作为结点，不仅简化了生成的决策树；且可以根据用户输入的可信度，得到相应的决策规则集，提高了决策树的泛化能力，有效地去除了噪音规则。应用实例分析，结果表明算法提取的决策规则简洁有效。     

网络状态决策系统规则库的构建与研究

人们对客观事物作出的判断依赖于复合客观事实对结论的支撑程度.知识规则库的正确构建对于构建一个客观正确的决策系统起到一个关键的作用.本文主要介绍为规则库的规则设置规则强度的方法,以解决决策系统中存在的不确定推理的度量问题.结果表明本文的研究方法能够适应带模糊推理的网络状态决策系统的应用.     

产生式规则库的求精研究

把规则库中的冗余规则分为蕴涵规则冗余、抽象规则冗余和死规则冗余3类，提出利用文字集的闭包和规则抽象分别处理蕴涵规则冗余和抽象规则冗余，给出了相关的算法，并针对蕴涵冗余开发了有效的软件工具．同时讨论了规则库的一致性，给出相应的处理策略，考察了规则库求精在网络知识管理、Internet结构分析和Data Mining中的应用。     

分类规则挖掘的免疫算法

为了高效地从数据库中挖掘分类规则，提出了一种基于免疫算法的分类算法．该算法的核心思想为：对规则的前件进行固定长度编码，适应度函数的计算由分类规则的较小分类错误率、简洁性、一致性和训练实例的覆盖性构成，通过把适应度最小的个体作为先验知识来修改个体的某些分量的方法进行疫苗接种，并通过检测个体是否出现退化和模拟退火来实现免疫选择，同时还采用了基于信息增益的规则剪枝策略．在美国加州大学标准数据集中的5个数据集上将该算法与RISE和OCEC算法进行了实验比较，结果表明该算法不仅具有更快的收敛速度，而且获得了更高的预测准确率及更小的规则集。     

PICASSO——一个用于模糊决策系统的基于规则的程序设计语言

本论文介绍一种新的基于规则的程序设计语言,其名为 PICASSO,它为具体执行模糊决策支持系统(Fuzzy Decision SupportSystem)而设计。PICASSO 已在美国休斯顿大学计算中心的 AT&T 公司的3B2OS 小型计算机上部分运行。整个系统用 Franz Lisp 书写。PICASSO 具有以下特征。它使用正向链接(Forward chaining)推理手段。该语言有三种控制策略:面向宽度优先的系统控制模式,用户控制模式和元规则(meta-rule)~(*2)控制模式。PICASSO 支持匹配变量以及其他类型的变量,以便于使用以模式匹配为主的调用方式。在该语言中,不同规则之间的信息能够用信息传送和数据共享两种方法来进行通讯、交换。PICASSO 的规则工作在可永久保存的知识库上,这个知识库必须预先用称为符号图形(S—diagram)的一种强有力的数据模式来定义。PICASSO 的推理器(inference engine)实施知识库的一致性。知识库中可以保存模糊信息(fuzzy information),这些信息用区间模式的二值法来表示。区间模式允许分配一个概率给一个事实(断言),同时还要表示我们相信这种概率估计的程度,这一点对于模糊决策支持系统来说是重要的,因为这种系统常牵涉到不同程度的经验知识的判定规则。有了对某些事实(断言)的概率估计,又有专家对此概率的相信程度(凭经验),就可较全面地选择某种决策。对于区间模式来说,我们已经提供了一些特定的运算公式,用于对不确定性(uncertainty)知识进行自动推理。PICASSO 支持基于规则的程序设计语言和函数型的程序设计语言两者的组合并支持多个基于规则的程序设计语言和函数型的程序设计语言两者的组合,并支持多个基于规则的程序之间的协同操作:可以容易地把 PICASSO 程序综合成象一般的 LISP 函数那样的 LISP 程序,而且 PICASSO程序本身也可以任意地调用 LISP 函数。