基于粗糙集的决策树在产品缺陷检测中的应用

将数据挖掘中的决策树与粗糙集理论进行了有机结合,提出了一种基于粗糙集技术的决策树构造算法,并将该算法应用于胶合板缺陷检测.通过粗糙集属性约简,找出造成胶合板缺陷的关键因素;再基于约简后的决策表,使用该决策树算法构建决策树,从而提取分类规则,指导决策过程.通过实验验证了,该算法可以有效对胶合板的缺陷进行检测.     

数据挖掘技术在全断面掘进机故障诊断中的应用

分析了全断面掘进机复杂的故障机理和运行参数,研究了将粗糙集和决策树应用到数据挖掘中的方法.以全断面掘进机刀盘的一些实时数据为例,采用MATLAB 7.0对数据进行离散化处理,结合粗糙集属性约简的算法对故障样本进行冗余属性的约简;然后,利用决策树算法对约简后的故障样本集进行规则提取,利用数据挖掘工具Clementine实现了C4.5算法和改进的C4.5算法,对其结果进行了对比分析;最后,运用VB编程对全断面掘进机采集的部分数据进行测试,结果表明该融合算法是一种快速、有效、可靠的故障检测与诊断的新途径.     

一种基于粗糙集理论的数据挖掘算法的研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法.首先对信息系统的数据加工泛化,构造其二进制可辨矩阵.对矩阵进行化简得到属性约简并生成规则.最后,结合银行申请信用卡的实例,利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则.     

基于粗糙集的数据挖掘算法的研究

本文研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法。首先对信息系统的数据加工泛化,构造其二进制可辨矩阵。对矩阵进行化简得到属性约简并生成规则。最后,结合银行申请信用卡的实例利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则。     

起重机械检验数据挖掘系统的设计与实现

利用数据挖掘技术,开发了起重机械检验数据挖掘系统,为检验起重机械安全运行性提供了一种有效决策模型。系统采用决策树分类,实现了对起重机械的故障诊断;利用关联规则,对起重机械缺陷、失效进行相关性分析。系统运行结果表明,该系统具有一定的应用价值。     

改进决策树的研究

提出了一种结合规则技术思想的决策树的改进方法，利用数据挖掘所产生的规则对决策树每个分支节点的分裂条件进行判断，即能限制决策树生长，又能帮助选择最优线路，从而使决策效率明显提高。     

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。     

医疗数据中知识发现的研究

介绍了ID3决策树算法建立决策树的基本原理和改进方法,利用改进的决策树算法对心脏病医疗诊断数据进行数据挖掘·采用VisualC++6 0进行编程建树,得到了一些有实际参考价值的诊断规则,获得了较高的分类准确率,证明了决策树算法在智能医疗诊断数据挖掘领域有着广泛的应用前景·     

基于粗糙集理论不完备信息系统的数据挖掘

提出了一种基于推广的粗糙集理论直接在不完备信息系统上进行数据挖掘的方法，并给出了该方法的算法和实例．该方法利用粗糙集理论直接对不完备信息系统进行知识约简，然后根据获得的约简集建立知识层次树，利用规则的支持度阂值s0和置信度阈值c0从知识层次树的压缩搜索空间中提取不完备系统的规则集，该方法保持了原始数据和数据挖掘所获得的知识的真实性，另外，还提出了知识规则的上、下支持度，上、下置信度，规则粗糙度等概念，以便指导用户更好地利用数据挖掘所获得的知识．     

基于粗糙集的数据挖掘改进属性约简算法研究

研究基于粗糙集的属性约简算法在数据挖掘规则提取阶段的应用。数据挖掘中对属性进行约简时,经常采用粗糙集,再按照规则进行提取。考察差别矩阵的定义和信息系统比较复杂且核属性元素所占比例较少的情况,改进基于差别矩阵的属性约简算法,利用差别矩阵的结构建立一种新的选择属性的依据。     

一种基于粗糙集分类规则发现的方法

介绍了粗糙集理论实现数据分类和规则推理的基本原理,并利用粗糙集理论中核及决策类覆盖的概念,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系,并简化带有不相容规则的决策系统的多层次数据挖掘算法,应用一实际的例子说明如何在数据库中发现分类规则.     

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。     

Credit Assessment of Contractors： A Rough Set Method

Introduction China’s construction industry has encountered a credit crisis in parallel with its remarkable progress in recent years.Bad credit results in increasing nonperformance,poor quality projects,chains of defaults,fraud and cor-ruption in the indu…     

数据挖掘在医疗数据中的应用

决策树是医疗数据挖掘中一种重要分类方法,针对原始医疗数据存在大量重复样本和冗余属性,影响医疗诊断的精度和速度这一问题,提出了一种基于粗糙集和ID3算法相结合的决策树方法.将所提方法应用于冠心病诊断决策,并对属性约简前后的决策性能进行了比较分析.实验表明了该方法的有效性和实用性.     

利用决策树发掘分类规则的算法研究

主要介绍决策树方法,回顾利用决策树发掘分类规则的各种方法,并对算法进行评价,最后提出了一个利用决策树分类技术进行月降雨预报的算法。     

粗糙逼近近似度量在分类规则挖掘中的应用

为了提高决策系统的分类质量,探讨了一种在数据仓库中基于粗糙逼近近似度量的挖掘分类规则策略.首先介绍了数据集中挖掘分类规则的基本原理,并利用粗糙集理论中粗糙逼近近似度量概念,根据决策表条件属性重要性度量及条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,最后举例说明了如何在数据库中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

粗糙集-BP神经网络组合方法及其应用

将神经网络与数据挖掘的知识相结合,提出粗糙集-BP神经网络组合方法,并将其应用于围岩稳定性判别。首先,基于山东兖州矿区煤巷信息数据库,建立回采巷道围岩稳定性知识表达系统,对数据进行离散化处理;其次,针对传统BP神经网络收敛速度慢、容错性差、结果不唯一的缺点,采用MATLAB软件开发的粗糙集数据分析程序,对生成的决策表进行挖掘分析,通过挖掘的决策知识引导训练样本的选取和神经网络的建立;最后,在煤巷围岩稳定性判别中予以应用。研究结果表明:BP神经网络克服了传统BP神经网络的缺点,具有容错性好、训练速度快、全局逼近性好、精度高等优点,此方法能较好地用于解决巷道围岩稳定性判别问题。     

基于决策树的知识表示模型及其应用

针对数据挖掘过程中的数据库精炼问题,在分析现行属性约简方法的特点和不足的基础上,结合决策树算法操作简单、分类速度快的特点,通过知识的规则化描述以及规则族之间的相似性比较,建立了一种基于决策树的属性约简方法（简记为BD-RED）,讨论了规则族之间的相似性度量的可释化构建问题,给出了BD-RED的具体实施策略,并结合实例分析了BD-RED的性能。结果表明,BD-RED具有良好的结构特征和较强的可操作性,可以有效实现不同决策理念下的属性约简,适合不同类型的大规模数据库的属性约简。     

Rough集-神经网络系统在信息融合目标识别中的应用

研究了Rough集和神经网络方法在信息融合目标识别中的应用 .提出将神经网络学习机制引入到Rough集系统 ,同时通过Rough集的条件和决策属性构造神经网络结构 ,并针对三种不同谱段下的三种不同目标图像进行了实验 ,试验表明 ,Rough集 神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率 ,训练时间也大大缩短 .     

基于粗集神经网络的目标识别

研究了粗集和神经网络方法在信息融合目标识别中的应用,提出将神经网络学习机制引入到粗集系统,同时通过粗集的条件和决策属性构造神经网络结构,并针对三种不同谱段下的三种不同目标图像进行了实验,试验表明,粗集神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率,训练时间也大大缩短。