基于灰色决策系统中的知识获取

现实世界中的信息决策系统是非常复杂的,许多信息表中的记录不仅是离散值,还可能为区间值。本文以包含区间值的灰色粗糙集为研究对象,使用基于区间一致关系和区间包含关系取代经典粗集模型中的等价关系和不可分别关系,给出了从含区间值灰色决策系统中获取知识新的理论基础与操作手段。     

区间值模糊目标信息系统的规则提取

在区间值信息系统中定义了一种新的变精度相容关系,研究了这种相容关系诱导的极大变精度相容类;提出了基于极大变精度相容类的区间值模糊目标信息系统的粗糙集模型;进一步讨论了利用粗糙隶属函数获得决策规则的方法,最后通过实例说明了方法的可行性.     

一种基于粗糙集理论的决策规则提取方法

粗糙集理论是一种新兴的数学工具,用于分析、处理不确定或不完整的复杂信息,适合于从大量复杂的数据中发现隐含的、潜在有用的规律。提出了一种基于粗糙集理论的决策规则提取方法,通过重要度分析和属性约简,找出影响决策属性的关键因素。通过值约简,得出决策规则。运用该方法对大学生自主学习风气与能力培养之间的关系进行研究,实例分析表明,这种新的方法具有实际应用价值。     

区间值决策系统的特定类β分布约简

属性约简是粗糙集理论的重要研究方向之一,区间值决策系统的β分布约简保持约简前后对应的β分布不变。在实际需求中,属性约简通常只需要关注某一决策类而非所有的决策类,本文在区间值决策系统中的β分布约简基础上提出了基于特定类的β分布约简理论框架。首先,定义了特定类的β分布约简基本概念,然后构造了特定类的β分布约简差别矩阵,最后提出基于差别矩阵的特定类β分布约简算法。在实验中,采用6组UCI数据集分别在全类算法和特定类算法进行约简结果和约简效率的比较。结果表明,本算法约简结果能保持关于特定类对应的β分布约简前后不变,特定类算法的约简长度小于等于全类算法的约简长度,且算法效率高于全类算法效率。     

概率区间值模糊覆盖粗糙集及其三支决策

区间值模糊覆盖作为等价类的一种推广,对客观世界的描述更加准确实用。区间值模糊数可以由均值拓展而得,使其更具有解释性,基于概率的思想,对区间值模糊集的概率和条件概率进行改进,提高了概率的精确度。在区间值模糊覆盖近似空间中利用区间模糊相似度构造了二元关系,建立了概率区间值模糊覆盖粗糙集模型,并得到了它的三分类结果。为了提高决策的准确性,研究了基于三描述的损失函数,并重新定义了期望损失函数。给出了确定模型参数的方法,基于贝叶斯最小风险决策理论建立了三支决策模型。通过实例验证了该模型的有效性。     

粗糙集在决策系统中的应用

介绍了粗糙集理论实现数据分类和规则推理的基本原理，对关系数据库中的二维决策表提出了一个问题解决模型，并在同时满足支持度和可信度的基础上对规则进行筛选，提高了决策的准确性和合理性。     

基于特征粒的序决策系统快速约简研究

属性约简又被称为特征选择,可以对给定的知识系统进行有效降维,是粗糙集理论重要的研究方向之一。目前,关于序决策系统的传统启发式属性约简算法,因其在每次迭代过程中选择一个属性重要度最大的属性添加进入特征属性子集,所以当面对高维数据时,算法迭代过程耗时较多造成约简效率较低。针对上述问题,文章通过分析序决策系统边界域的单调性,详细刻画了特征粒的概念,构造了基于特征粒的属性添加策略,进而设计了序决策系统下基于特征粒的快速属性约简算法。由于特征粒中包含多个属性,通过在每次迭代过程中添加特征粒,可以使特征候选子集快速达到与条件属性全集相同的分类能力,从而减少了迭代的次数,提高了启发式属性约简算法的效率。最后,采用6组标准UCI数据集进行实验验证。实验结果表明文章所提算法提高了属性约简的效率,具有较高的分类精度。     

近似决策规则的形成及其应用

Ziarko在变精度粗糙集的基础上提出近似约简，进而形成决策规则．该文是在研究Ziarko的决策规则的基础上提出了近似决策规则，并与Ziarko形成的决策规则进行了比较．     

区间值序决策表的条件熵属性约简

由于数据自身的不确定性和观测条件有限,现实问题中许多数据以区间值形式呈现。其中,优势关系下的区间值信息表研究对于多属性决策问题有重要意义。目前针对该系统的属性约简方法主要是辨识矩阵法或基于互信息的增量式约简,但前者计算效率较低,而后者没有利用到决策信息。文章探讨了条件熵作为不确定性度量在该系统下的性质,通过比较不同属性缺失时信息系统的条件熵变化,引入了属性重要度概念,基于此提出启发式属性约简算法。最后,通过对比实验验证了本算法具有低冗余的特点,在约简率上比基于粗糙熵和正域不变等序信息系统的启发式约简。     

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.     

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.     

基于凸Rough集的数据约简和规则发现研究

为了有效地从凸序列中约简数据和发现知识,解决Rough集集中的凸序列问题,在深入研究凸序列和Rough集理论的基础上,提出了凸Rough集模型,定义了凸Rough集和凸Rough集糊集,给出了凸Rough集糊集的隶属函数和应用凸Rough集进行数据约简及规则发现的算法,最后分析了一个应用案例,验证了模型的可行性,表明应用凸Rough集模型可以更好地进行数据约减和规则发现。     

基于熵和变精度粗糙集的规则不确定性量度

由已知数据中产生的粗糙决策规则往往具有不确定性 ,需要适当的不确定性量度。借鉴变精度粗糙集理论的思想 ,采用基于信息熵的方法构造了两个新的粗糙决策规则不确定性量度函数。它们不仅可以兼顾由划分的粒度引起的规则不确定性的两个方面 ,即不一致性和随机性 ,还考虑了数据中的噪声对规则一致性的影响。因此 ,它们对一类“几乎一致性规则”具有一定的保护作用。通过举例分析 ,说明它们更适于评价从有噪声数据中提取的粗糙决策规则。     

一种新的基于决策熵的决策表约简方法

分析了在知识约简过程中经典粗糙集理论决策表知识约简方法的不足。以知识粗糙熵为基础,将一致和不一致对象分开,提出决策熵的概念及其属性重要性,在此基础上给出约简的判定定理;然后以条件属性子集的决策熵来度量其对决策分类的重要性,提出一种新的知识约简启发式方法。理论分析和实验结果表明,基于决策熵的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简。     

基于粗糙集带结论域的关联规则挖掘算法及其优化

针对Apriori-Hybrid算法的瓶颈,提出了一种使用支持度矩阵对频繁2项集快速挖掘的方法,采用改进的Apriori-Hybrid算法来挖掘关联规则,试验证明该算法提高了关联规则挖掘的效率和质量．     

数据挖掘中的关联规则

关联规则（Association Rules)是数据挖掘（Data Mining)中的重要工具,系统综述关联规则的各种形式及研究动态,供读对不同的对象与背景,有效地运用关联规则的原理与方法解决实际问题。     

基于多变量决策树的不完备信息系统规则提取研究

不完备信息系统也有很多有用信息，可以得出支持决策的确定规则。基于决策树的完备信息系统规则提取方法很多，如比较有影响的ID3算法等，但是在不完备信息系统中应用决策树进行规则提取的方法还不是很多。本文提出用多变量决策树方法对不完备信息系统进行规则提取的方法，可以得出部分确定信息，方法简单易行。     

核心元素的特征及其在决策树生成中的应用

利用粗糙集约简的辨识矩阵，给出属性是核心元素的充要条件为该属性是辨识矩阵中单元素集．利用上近似与下近似给出了判断是否核心元素的两个充分条件，指出利用核心元素简化决策树比用熵函数ID3方法简化的决策树更简单．     

决策表决策值的简化

首先定义了决策规则决策属性的简化,并以此为基础定义了决策表决策值的简化,旨在研究决策表条件值简化的对偶问题,即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上,给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。