广义相似关系下的不完备信息系统粗糙集模型

为了更好地从含有杂合数据和不完备数据的信息系统中提取合理的规则知识,构建基于广义相似关系的不完备信息系统粗糙集模型.其步骤为:针对决策信息系统中存在杂合数据的情况,并对决策信息系统中所存在的不完备信息进行细致区分,给出广义相似关系的定义;通过提出上、下广义相似划分的上、下近似的概念,给出2种划分意义下的属性约简和规则知识提取策略;最后,在理论上对该扩展粗糙集模型的正确性进行相关证明,并用实际算例进一步验证该模型的有效性和优越性.     

不完备信息系统中的确定优势粗糙决策规则提取

以不完备信息决策系统为研究对象,提出了基于确定优势关系的粗糙集模型.在确定优势关系粗糙集的基础上,提出了相对下、上近似约简的概念,给出了求得相对下、上近似约简的具体方法,并在此基础上提取不完备信息系统中的确定优势粗糙决策规则.应用实例表明了所提出的新方法的有效性.     

局部双量化模糊粗糙集

为了在一定程度上提升模型的实用性与容错率,首先给出程度模糊粗糙集模型和局部程度模糊粗糙集模型的定义,然后,将局部模糊粗糙集模型与局部程度模糊粗糙集模型通过逻辑联结词结合起来,提出局部双量化模糊粗糙集模型,并给出模型的相应性质.最后,通过一个相应的例题说明其有效性.     

一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

近似集动态更新方法的性能评测与规则获取

对属性集变化时特性关系下粗糙集扩展模型中近似集动态更新的方法进行性能测试,验证了该方法的有效性和适用性;并依此方法设计了一个伪增量规则提取的系统,可以直接用来为决策服务.     

变精度概率粗糙集模型

在经典概率粗糙集模型中,限定参数α的置信区间为:12<α≤1,变两个参数为一个参数,得到了变精度概率粗糙集模型.该模型在处理某些问题时使得决策失误的风险更小.     

城市环境下无人驾驶车辆驾驶规则获取及决策算法

城市道路多源信息环境下换道行为决策是无人驾驶车辆实现实际道路行驶的关键技术之一.为提取复杂动态环境下驾驶员的换道决策规则,利用PreScan软件搭建虚拟城市道路环境,基于Simulink建立6自由度车辆动力学模型,采用粗糙集提取驾驶员换道行为决策规则.结果表明本车与当前车道车辆的相对速度维持在4~7 m/s、相邻车道空间距离在20~35 m时驾驶员就会进行换道决策.研究结果可以为无人驾驶车辆在线机器学习提供规则知识库,并为进一步深入研究换道行为不确定决策提供理论基础.      

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.     

基于粗糙集与贝叶斯网络的推理和诊断模型

基于粗糙集知识约简、规则提取的优势和贝叶斯网络强大的推理能力,对决策表进行约简和提取决策规则获取节点关系、节点概率分布等信息,以获取的信息为基础建立贝叶斯网络模型.然后通过贝叶斯网络实现进行高效快速的推理和诊断.实例分析表明,该方法是可行有效的.     

基于概率测度的规则提取算法

通过概率粗糙集模型和确定性粗糙集模型之间的对比,分析了概率粗糙集模型在处理有矛盾的决策表时的有效性.在此基础上以属性重要度为依据建立决策树,同时引入了概率近似空间的思想,给出了一种新的粗糙集规则提取算法.     

基于可变精度粗糙集模型的有导师机器学习

机器学习是人工智能领域中重要的研究课题,基于经典粗糙集的机器学习,只有学习者的分类被完全包含在导师的分类中时,才形成决策规则,条件比较苛刻;而基于可变精度粗糙集理论的有导师机器学习,根据学习者的分类包含在导师的分类中的包含度αi,与事先给定的精度系数β的比较,来求取具有一定相容性的决策规则,该方法更具有灵活和实用性。     

基于粗糙集理论的仿人控制器设计

针对如何模拟人的控制行为以及提取控制行为特性问题,提出了基于粗糙集理论的仿人控制器的规则提取方法和仿人控制器的设计方法,包括用人控制行为的样本集建立初始决策信息表、信息表离散化、属性约简、规则提取和决策表完备化等。实验结果表明:将所设计的仿人控制器应用到原有的实际系统中,能顺利实现规则校验,提出的仿人控制器的设计方法是可行的。     

基于粗集和模糊集的启发式规则约简算法研究

提出了一种新型的决策规则约简方法。基于均匀划分和正态分布隶属度函数，对决策表的连续属性进行模糊化，用欧氏距离贴近度来构建相似矩阵，并提出了一种论域的模糊划分算法；依据粗糙集隶属度进行属性约简的基础上，给出了一种决策规则约简算法，从而达到发掘知识并简化知识的目的。     

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.     

变精度粗糙集模型及其在辐射源识别中的应用

为解决辐射源识别的问题,研究了变精度粗糙集模型生成规则。由概念的正域中的对象类条件属性的描述,得到该概念的充分条件,依据知识间的依赖性作为优化规则所要考虑的因素来获取规则,由此得到的规则更加简化,且过程简单,并以雷达辐射源用途识别为例给出识别实例。实验结果表明:该方法忽略了少数实例的特殊性,对辐射源用途识别的结果与实际情况相符。该算法降低了决策规则的复杂度,能够有效地进行辐射源识别。     

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。     

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集，当增加新样本时，传统的方法通常需要对决策表中所有数据重新计算，效率欠佳。从可变精度粗集模型理论出发，讨论了新增记录与已有条件属性等价类的关系及对规则集的影响，在此基础上提出了基于可变精度粗集模型的增量式规则获取算法。通过仿真实验表明，这种增量式算法是可行的。     

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集,当增加新样本时,传统的方法通常需要对决策表中所有数据重新计算,效率欠 佳.从可变精度粗集模型理论出发,讨论了新增记录与已有条件属性等价类的关系及对规则集的影响,在此基础 上提出了基于可变精度粗集模型的增量式规则获取算法.通过仿真实验表明,这种增量式算法是可行的.     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

基于Rough集的车牌字符识别方法

提出了基于Rough集理论的车牌字符识别方法。该方法根据训练样本的特征向量建立决策表,应用Rough集理论对决策表属性进行约简,从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效减少了决策属性的个数,提高了规则的泛化程度,简化了规则匹配算法,在车牌字符识别中取得了较好的识别效果。