基于偏序关系的粗糙集规则提取方法

规则提取算法中通常先约简属性再约简属性值,但该算法当属性数量增多时,会增加约简的复杂性,从而影响规则提取的速度.针对此问题,本文提出了一种基于偏序关系的粗糙集规则提取方法.首先,在不同粒度的知识空间上建立偏序关系;然后,利用各知识空间中隐含的属性冗余度作为启发式信息,对冗余属性进行逐层约简;最后,在约简后的属性集上提取决策规则.实例表明,该方法降低了属性约简的复杂性,提高了规则提取的速度.     

一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

基于粗糙集方法的知识发现

属性约简和属性值约简是租糙集理论中的重要研究内容,也是粗糙集理论应用于知识发现的主要方法.但求取任意问题的最小属性集是一个NP难问题.本文利用属性间的知识依赖度,提出了一个求取属性约简的贪心算法,它可以在多项式时间内得到一个约简.同时,把粗糙集方法应用于知识发现,通过属性约简删除信息系统的冗余属性,减少数据量,再利用属性值约简,获取决策规则.最后通过实例说明了基于粗糙集方法的知识发现过程,验证了方法的有效性.     

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.     

一种基于相对粒度的不完备决策表约简算法

为有效地从不完备决策表中获取最小相对约简,提出了一种基于相对粒度的不完备决策表约简算法.该算法通过分析研究知识的相对粒度在属性约简过程中的变化趋势,并基于属性约简定理,尝试通过不断向核属性集中增加属性的方法,从不完备决策表中获取最小相对约简.最后通过实例验证了该算法的有效性.     

基于Rough Set理论的商务决策支持系统知识发现的研究

针对商务决策支持系统中存在信息不确定、冗余数据量大的问题,提出了一种基于Rough Set理论的提取最小规则算法。该算法的核心是改进的分明矩阵属性约简和启发式的属性值约简。通过算法对原始数据表中的冗余属性和属性值进行约简,得到了决策表和最小决策规则。最后,对商务决策支持系统的实例进行数据约简,挖掘其中的隐含知识,获取了有价值的决策信息。     

基于粗糙集的最简规则提取算法

提出一种基于粗糙集理论的最简规则提取算法。该算法从已知数据的初始决策系统出发，首先通过建立可辨识矩阵进行属性约简，然后以所有约简建立一系列不同简化层次的子系统，最后对各个子系统获取带有置信度的最简决策规则。一般而言，这种方法能得到尽可能简单的规则。     

基于知识粒度的最小属性约简算法

针对目前决策表属性约简的计算问题,研究了粗糙集理论中差别矩阵,讨论了知识粒度与信息量、类别特征矩阵之间的关系,利用知识粒度最大的属性生成较小的类别特征矩阵,设计了新的启发式规则来快速缩小搜索空间和最小化属性选择,提出了一个基于知识粒度的最小属性约简算法,并用一个实例证明了算法的正确性。与类别特征矩阵相比,采用知识粒度生成的类别特征矩阵可以有效地减少存储空间。实验结果表明,所提出的算法能够得到最小属性约简。     

粗糙集理论中核概念的讨论

核是粗糙集理论的基本概念之一,为使获取的知识规则更简洁、更易于理解,许多算法都以先求出信息系统的核为基础进行启发式搜索以求取信息系统属性集的最小约简.通过实例验证,发现了许多文献中核的定义与核的计算之间存在矛盾冲突,这一矛盾冲突导致众多属性约简算法普遍存在核基为0时无法有效地进行属性约简的缺陷.针对核概念的这一问题及由此引起的属性约简算法的缺陷,对粗糙集理论中核的概念进行了重新定义,将核的定义统一于核的计算,提出了真核和伪核两个新概念,并给出了这两个新概念的相关定理及证明.     

贪心约简算法在HSV中的应用

本文研究了粗糙集理论中的属性约简问题。一般的约简算法和改进的约简算法都不能够得到一个令人满意的属性约简结果。为了找到具有较少属性的约简,文中提出了使用贪心约简算法,通过对接受过超选择性迷走神经切断术(HSV)治疗的具有11个属性的20个十二指肠溃疡病人构成的信息系统作近似分析,获取了一个与原决策表分类质量相同的仅含有5个属性的较小属性集。实验证明:用此方法能有效地去除冗余信息,对其症状进行约简提炼,从而获取简单而又能体现症状与病征的规则。     

知识粗糙性的粒度原理及其属性约简

经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念，但它不能完全区分不同信息粒度所表示的信息量。本文从信息论的角度定义了信息粒度，粒度函数和粒度熵等概念，重点研究了知识粗糙性的粒度原理。提出了一种基于条件粒度熵的属性约简的启发式算法，通过例子分析，表明该算法是有效的。     

基于极大相容块的粗糙性度量及其属性约简

由于相似关系或相容关系不具有传递性或对称性,从而相容类或相似类之间存在误判,因此研究不完备信息系统中合适粒度下的粗糙性度量和属性约简算法很有必要。在不改变相关模型的基础上,文章通过极大相容块的思想,研究了非等价关系的基本知识粒度构造,进一步讨论了合适粒度下的粗糙性度量方法,提出了基于极大相容块的知识粗糙性更精确的定义和极大相容块的条件信息熵及其属性重要性定义,并证明了相关性质;给出了合适粒度下属性约简的启发式算法,结果表明,极大相容块的重要性度量避免了通常意义下粒度过粗问题,知识粗糙性更为准确。     

覆盖决策系统的规则提取和置信度保持的属性约简算法

实际中收集的数据类型具有多样性,如何从这些复杂数据中获取有用的知识是人们进行数据挖掘的目标。由于覆盖粗糙集可以处理复杂的数据,基于此对覆盖决策系统的属性约简和规则提取已有不少的研究。已有的覆盖决策系统规则提取的研究只考虑唯一的置信度评估度量,然而提取的高置信度规则覆盖的样例可能较少而具有欺骗性,由此本文又引入了一个评估规则覆盖能力的度量,从而可以消除数据中的偶然因素,获取泛化能力强的高置信度规则。在此基础上,为了提取紧凑的规则,给出了一个规则置信度保持的属性约简启发式算法。     

基于可辨识矩阵的属性频率约简算法

阐述了粗糙集理论的基本概念,知识约简是粗糙集理论研究的核心内容之一,将可辨识矩阵中出现次数多少作为属性重要性的判断依据.算法求取的是所有约简结果中的某一个或某一些f当某两个条件属性出现频率相同时)结果,当信息系统的复杂程度较高时,其求解的复杂度大大小于原来的约简方法.     

基于关联规则挖掘的粗糙集屙陛值约简算法研究

粗糙集理论中约简是一个重要的研究课题,它包括属性约简和属性值约简两方面内容。针对目前属性值约简只能实现约简,而不能计算各个规则的出现次数的问题,结合关联规则和粗糙集两方面的优点,对冗余规则和不一致规则进行处理,获得具有实际意义的约简表。实验证明,此算法是有效的。     

一种基于机器学习的专家系统知识获取方法

提出一种基于机器学习的混合知识获取方法,该方法结合了基于历史数据的规则提取方法和基于模型的规则提取方法。使用这两种方法提取规则,将其应用于对原油电脱盐系统的故障诊断中。实验结果表明,该方法能够有效的进行规则的提取,为故障诊断打下了良好的基础。其中基于历史数据的规则提取方法通过基于遗传算法的粗糙集约简来实现;基于模型的规则提取方法利用了符号有向图(SDG)的计算机自动推理结果,将因果图转化为规则。利用两种规则获取方法同时充实专家系统知识库,提供覆盖整个工艺流程的知识。     

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.     

一种基于粒度的规则挖掘方法

利用知识的粒度,提出了一种新的规则挖掘方法.首先利用粗糙集中判断属性重要性的尺度,获取一个属性,由此属性形成对域的粒度,并对粒度中的每一个粒进行同样操作,直至所有粒的决策属性值唯一为止.算法分析与实验对比说明,该方法是有效可靠的.     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

Attribute reduction based on background knowledge and its application in classification of astronomical spectra data

To improve the efficiency of the attribute reduction,we present an attribute reduction algorithm based on background knowledge and information entropy by making use of background knowledge from research fields.Under the condition of known background knowledge,the algorithm Can not only greatly improve the efficiency of attribute reduction,but also avoid the defection of information entropy partial to attribute with much value.The experimental result verifies that the algorithm is effective.In the end,the algorithm produces better results when applied in the classification of the star spectra data.