信息熵多属性约简的煤粉尘图像特性机理

为研究无明确特征模式的煤尘颗粒图像特性,以某煤矿煤样为研究对象,按国标标准运用粉尘采样器对粉尘溢散源处颗粒物进行多点采样。采用多决策属性约简模糊粗糙集3个阶段即提出隶属度模型、实现属性约简、确定最大信息熵阈值分割对颗粒形态特征机理进行分析。首先建立粉尘图像各像素点对应的模糊类别隶属度模型,利用多分段函数确定隶属度;分析煤粉尘图像灰度特征并将其作为条件属性,确定条件属性的模糊依赖度,获取最优值并提取模糊属性约简,进行目标及背景区域的模糊下近似和模糊上近似划分;最后建立煤粉尘颗粒的信息熵模型,存储信息熵并实现对分割阈值的提取。结果表明:依据模糊属性约简的互异重要度可实现多属性约简;并确定煤粉尘图像模块区域的最大信息熵分割阈值。所建立模型可删除冗余属性,选择出对分类更为重要的属性,并通过属性约简完成特征选择分类。     

酿酒葡萄的等级判别方法研究

针对酿酒葡萄分类问题,在没有明确分类情况下,提出模糊C均值聚类和自主神经网络算法,在已知葡萄酒质量评分结果的前提下,首先对酿酒葡萄的理化指标和葡萄酒质量的数据进行极差归一化处理;运用模糊C均值聚算法得到分类隶属度矩阵和分类中心,并用自主神经网络无监督的学习方式成功地将酿酒葡萄分为三个等级．可以作为葡萄酒生产的参考。     

基于模糊信息熵的彩铃客户属性约简算法

针对彩铃业务交易记录海量化和客户属性高维化、混合性的特点,提出一种应用模糊信息熵对彩铃客户属性进行约简的方法。以两个地区的营销返回样本为原始数据,结合CART分类器和10折交叉验证,比较由文中方法和经典粗糙集属性约简方法得到的特征数量和分类精度。实验结果表明,文中方法获得了相对较高的平均分类精度(81.36%)和最少的平均特征属性(4.5个),有效地约简了彩铃客户属性并改善了分类能力。     

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%.     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

基于粗糙集理论的模糊信息分类方法

介绍了属性约简的概念,并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

葡萄酒质量的评价与分析

针对葡萄酒与酿酒葡萄的评价,根据所给数据,利用Matlab软件,运用F检验、模糊C均值聚类、典型相关分析与回归分析方法对葡萄酒的质量、葡萄酒的理化指标与酿酒葡萄的理化指标及三者之间存在的联系进行了分析与求解,并得到较为理想的结果.     

基于属性约简的模糊综合评判

粗糙集理论是一种新的处理模糊和不确定知识的数学工具。属性约简是粗糙集理论研究中的重要内容之一。本文提出基于属性约简的模糊综合评判。通过属性约简，模糊评判过程中因素集(属性集)的指标数大大减少，从而达到简化运算、节约时空资源的目的。     

成人高校毕业生学位评审预测模型及其应用

在定性分析的基础上,提取影响成人高校毕业生学位评审的12个指标,并利用粗糙集理论与LVQ神经网络的各自优势,构建了一个粗糙集-LVQ神经网络成人高校毕业生学位评审预测模型。粗糙集作为前置系统,在分类能力不变的前提下对属性进行约简,得到两个属性个数均为7的最小条件属性约简集,利用LVQ神经网络进行分类处理。实证分析中,该模型对两个最小条件属性约简集进行择优选择,并对胜选的属性约简训练样本与全部属性训练样本的分类能力进行对比,最后,利用该模型与LVQ进行了相关参数比较。结果表明,文章构建的粗糙集-LVQ预测模型与LVQ网络相比,输入矢量减少了42%,运行效率提高了75%,准确识别率提高了14.4%。     

基于模糊粗糙集和蜂群算法的属性约简

为获取连续属性数据集的最小属性子集,提出一种基于模糊粗糙集和人工蜂群算法的约简方法。首先由边缘蕴含算子和t-模给出集合的模糊粗糙近似,以下近似构建模糊粗糙正域,并据此确定决策属性对条件属性集的依赖度,然后通过依赖度和约简率构建能够反映属性集大小和重要性的目标函数,将属性约简问题转化为优化问题,最后以目标函数为迭代准则,利用人工蜂群优化算法完成数据集的属性约简。仿真结果表明:该方法在不降低分类正确率的同时,可以有效降低属性维数。     

酿酒葡萄和葡萄酒成分间的典型性相关分析

根据酿酒葡萄与葡萄酒的理化指标,按“逐步降维,保留信息”的思想建立模型,把原来多个变量划为几个综合指标,并对这些综合指标进行研究,以简化问题的求解过程;因酿酒葡萄和葡萄酒质量间的内在联系及变化规律具有随机性、理化指标信息过大,先进行变量替换,分别选取15个、8个综合变量替代原变量,再对酝酿葡萄与酝酿葡萄酒主成分分析,最后进行典型相关分析.     

基于统计学的葡萄酒评价数学模型

基于统计学的方法,建立了评价葡萄酒质量的多元线性回归模型。运用t检验、F检验、秩和检验等显著性分析的方法,对葡萄酒评酒员的评价结果进行显著性分析。建立葡萄酒评酒员评分可信度指标的数学模型,对多组评酒员的评分可信度分析。对葡萄的理化指标进行因子分析、置信区间的分析,建立葡萄酒质量的分级模型。通过典型性相关分析,分析酿酒葡萄与葡萄酒的理化指标之间的联系。     

酿酒葡萄理化成分因子分析

酿造优质葡萄酒与原料葡萄品质有重要的关系,对酿酒葡萄质量的评价,传统的人为感官评价方法主观性强,且不适合大批量产品评价,理化指标是酿酒葡萄品质评价的有效依据.以红色酿酒葡萄为例,应用主成分分析方法对其理化指标进行因子分析,选取评价指标的主成分,经因子旋转后确定葡萄品质理化评价指标.     

基于多元统计分析法的葡萄酒品鉴模型

针对葡萄酒质量好坏的评价问题进行综合分析,依据所给条件和数据,综合运用多元统计分析法中的概率论、非参数检验、主成分分析、聚类分析、多元回归的知识,建立了秩和检验、典型相关分析等多个模型,讨论并研究葡萄酒的评价系统、酿酒葡萄的分级、葡萄与葡萄酒理化指标之间的联系等相关问题.使用SPSS 19.0和MATLAB 7.0软件求解并得出相应结果,综合运用定性与定量分析法对模型进行检验,最后对模型做简要的评价和推广.     

葡萄酒质量的评价模型

本文是对2012年全国大学生数学建模竞赛A题的解答,建立了葡萄酒质量的评价模型,对葡萄和葡萄酒的理化指标与其质量的关系进行了分析.在问题1中,通过非参数检验方法检验这两组品酒员对酒的打分是否有显著性差异,利用协和系数分析检验两组品酒员对酒的打分的可靠程度.在问题2中,采用了基于SOM网络的等级分类和SPSS的聚类分析对酿酒葡萄进行分类,然后根据每一类葡萄酒得分均值对葡萄进行分级.在问题3中,以葡萄的指标数据为输入层,葡萄酒的指标数据为输出层,建立BP广义回归神经网络模型,得到两者之间的定量关系.在问题4中,首先采用灰关联模型,得出酿酒葡萄和葡萄酒理化指标和葡萄酒质量的关联度,然后建立支持向量机的回归拟合模型,得到葡萄酒和酿酒葡萄的理化指标与葡萄酒质量之间的定量关系.     

基于聚类分析法的葡萄酒评价

首先通过配对T检验方法对两组评酒员对葡萄酒的评价质量数进行检验,并且计算方差均值,以选取更为可信的一组评酒员对葡萄酒的评价质量数作为葡萄酒分级的样本数据;其次通过相关分析法对葡萄酒的理化指标与酿酒葡萄的理化指标之间的联系进行分析,以选取与葡萄酒显著相关的酿酒葡萄的理化指标作为葡萄酒分级的部分指标;最后利用聚类分析法对葡萄酒分级.利用该方法可对葡萄酒进行有效评价.     

葡萄酒评价的理化指标研究

葡萄酒的质量和其理化指标间存在一定的关系；首先运用主成分分析法建立数学模型，通过对数据的分析与处理，提取出葡萄酒的主要理化指标；然后运用曲面拟合得出了葡萄酒质量和葡萄酒的2个主要指标间的函数关系，并通过三维仿真图，更加直观地显示得出理化指标对葡萄酒质量的影响。     

2008年份昌黎原产地葡萄酒理化特性的统计学分析

选取代表葡萄酒品质的19项指标,构成了描述葡萄酒理化特性的体系。应用主成分分析法,将原有的19项指标综合成5项互不相关的复合指标,而且该5项指标所涵盖原有19项指标的信息量达到了97.694%,基本反映了原指标的大部分信息。系统聚类分析结果显示,表儿茶素或咖啡酸或阿魏酸或没食子酸或绿原酸、多酚、挥发酸或干浸出物或总酸或色度、pH值、鞣花酸等5项指标可以反映葡萄酒理化特性的绝大部分信息,可用于描述葡萄酒的理化特性。     

基于葡萄酒评价的统计分析

利用t检验对两组葡萄酒评酒员的评价结果有无显著性差异进行可信度分析，并采用主成分分析法求得酿酒红葡萄有8个主成分，酿酒白葡萄有10个主成分，最后基于两种葡萄的评价总分对红白葡萄的质量进行分级．