Rough集在乳腺癌辅助诊断中的应用

目的研究Rough集在乳腺癌辅助诊断中的应用。方法采用基于Rough集的属性约简算法,利用决策树算法对乳腺癌图像数据进行分类,辅助医疗诊断。结果实现了基于Rough集的属性约简算法,对乳腺癌数据进行处理,获得了分类的实验结果。结论该模型系统达到了较高的分类准确率,证明Rough集在辅助医疗诊断中有着广泛的应用前景。     

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。     

基于概念格的知识约简算法的实现

探讨了Rough集和概念格的基本理论,将Rough集和概念格模型有机地结合起来,运用Rough集的约简理论提出一种基于概念格的知识约简方法并通过实验进行了验证,结果表明利用Rough集理论对以形式背景形式描述的原始数据集进行约简,可以在一定程度上减小概念格的规模.     

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法，在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中，明显优化判定树，简化数据挖掘的过程。     

具有连续属性的不完备信息系统Rough集扩展

在模糊相似关系的基础上，针对具有连续属性的不完备信息系统提出了Rough集的扩展模型；利用模糊区间数来表示不完备信息表中缺失的连续属性值，并根据属性值的概率分布情况计算模糊区间数的可能度，在模糊关系的基础上给出了不完备信息表的上近似和下近似的定义；利用基于欧氏距离的贴近度法计算模糊相似度，构造相似矩阵，实现了对论域的划分；给出决策规则的约简和表示方法，应用实例说明了所提出的Rough集模型及规则的实用性。     

基于相似关系的扩展Rough集理论

本文分析了经典Rough集理论自身的一些缺陷,在此基础上建立了一类基于相似关系的扩展Rough集理论框架,并给出了该理论框架下的数据约简方法。     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题。对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质。这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路。     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题.对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质.这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路.     

Rough集理论及其应用发展

论述了Rough集理论在人工智能、认知科学等领域的应用情况，讨论了Rough集理论的发展前景及趋势．论文中较为重要的创新之处的是，基于粗糙神经网络构造了一种从虚拟的场景图像智能化地直接推测符合主观听感的音质效果参数的模型．     

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

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。     

粗糙集理论中新的知识发现方法

与现有的基于属性简约的知识发现方法不同 ,本文基于粗糙集合理论定义了 2类新的知识发现 ,即 1、2类知识发现 ( FCKD,SCKD) ,目的是在知识系统动态变化后 ,通过减小知识的粗糙度 ,发现原规则中没有的、有决定性作用的新属性。在此意义下改变规则中属性结构 ,并发现新的规则。定义了两个用于发现新属性的算子 ,并给出两个定理 ,一个推论及其证明 ,最后通过实例 ,对提出的方法作了说明。     

基于粗糙集理论的纸币清分机配置规则获取方法研究

纸币清分机是一种光机电一体化的金融机具.针对不同的客户要求,对纸币清分机属性配置流程进行了概要分析.提出了一种基于粗糙集理论的纸币清分机配置规则的获取方法,实现了对决策系统的约简,使销售人员和客户可以尽快熟悉相应的配置规则.基于粗糙集理论进行知识模型的发现,设定条件属性和决策属性,最终根据实例数据形成配置决策表,利用Skowron差别矩阵进行属性约简及核的提取.配置结果验证了所提方法的可行性和有效性.     

多粒度模糊粗糙近似算子的信任结构与属性约简

多粒度是近年来粗糙集领域研究的一个热点方向, 为使多粒度模型更适用于实际数据, 提高模型的可用性, 模糊思想被引入到多粒度粗糙集模型中。本文构建了基于模糊相似关系下的多粒度模糊粗糙集模型, 并建立了模糊信任结构。在该信任结构下根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。研究多粒度模糊粗糙集在模糊等价关系下的属性约简, 并给出相关算法。     

一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

基于Kohonen网络-粗集-模糊神经网络获取模糊规则的集成方法

基于单一知识发现方法的不足提出了一种基于Kohonen网络、Rough Sets和FNN获取模糊规则的集成方法.首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,从而生成较少的精炼规则.最后通过实例仿真分析,验证了该方法的有效性和实用性,同时为获取模糊规则提供了新的思路.     

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。