基于概率信息系统决策规则的Ro三I决策推理

讨论了一种概率信息系统用于表示对象与属性值之间的关系存在不确定性的信息．使用粗糙集和证据合成理论中的方法，给出了获取概率信息系统的扩展决策规则集的一般方法．使用R0三I推理方法实现了基于扩展决策规则集的R0三I决策推理判断．     

求粗糙集正域POSc(D)的表上作业法

给出了一种非常简洁的求POSC(D)的表上作业方法,此法不仅无须分别求出U/IND(C)和U/IND(D),而且省略了U/IND(C)和U/IND(D)之间的比较及求交的程序;最后,应用这一方法研究了评价和预测问题中各因素的合理赋权问题,对中国区域生态水平评价问题进行了权重挖掘,按照所得权重给出了新的评价结果.     

近似空间的精细与粗糙以及最佳上下近似的性质

定义近似空间的精细与粗糙的概念并给出了两个等价描述,讨论给定集合的上下近似集在精细与粗糙近似空间中的性质,即随着近似空间的加细,给定集合X的最佳下近似单调上升,最佳上近似单调下降.     

模糊等价关系下的犹豫模糊粗糙集及其应用

首先通过对长度不同的犹豫模糊元进行补齐来定义犹豫模糊集新的交并运算,在Pawlak近似空间中利用新的运算建立粗糙犹豫模糊集模型;然后将Pawlak近似空间推广到一般犹豫模糊近似空间,利用犹豫模糊元间的相似度获得犹豫模糊近似空间中对象间的模糊关系矩阵,再利用模糊集的传递闭包法将模糊相似矩阵转化成模糊等价矩阵,在此基础上建立犹豫模糊信息系统中的粗糙集模型,研究犹豫模糊信息系统的属性约简。最后通过一个算例来说明犹豫模糊信息系统的属性约简方法。     

有限群的p-幂零性和超可解性

通过讨论群G的Sylow子群的极大子群的弱F_s-拟正规性,得到了G是p-幂零和超可解的一些新的判别准则。     

多代价下的代价敏感属性选择算法比较

代价敏感属性选择在数据挖掘和机器学习中起着关键性作用,代价敏感属性选择问题是经典属性选择问题的自然扩展,已成为越来越多学者的研究热点之一.首先给出多代价下代价敏感属性选择问题的数学模型,然后介绍现有的有代表性的四种代价敏感属性选择算法,最后在四个UCI数据集上进行实验,对四种代价敏感属性选择算法的效果和效率进行比较分析.     

决策系统簇的平均代价敏感并行约简

大数据背景下，数据量呈指数级增长，三支决策在处理代价敏感问题时动态机制和稳定性不足.针对这个问题，结合F-粗糙集处理动态数据方面的优势，在代价敏感决策表簇中提出基于F-粗糙集和三支决策的平均代价敏感并行约简.首先，从平均决策代价和平均测试代价的角度，定义基于F-粗糙集和三支决策的并行约简；其次，设计基于F-粗糙集和三支决策的平均代价敏感并行约简算法.与基于分类的最小代价约简和基于类特定的最小代价约简比较，实验结果显示，基于F-粗糙集和三支决策的平均代价敏感并行约简可以更好地权衡误分类代价(决策代价)和测试代价，提高分类准确率.研究结果为研究动态决策和代价敏感提供一种新的研究方法和思路.     

基于粗糙集的居民点选取方法研究

考虑到粗糙集能挖掘数据分类信息,生成客观决策规则,提出一种基于粗糙集的居民点选取方法.通过对影响居民点重要性的多项因素进行约简,生成选取规则;基于约简后的指标信息系统,由知识信息量定义指标的权重,综合评价居民点的重要度;依据数量选取模型结合重要度排序完成居民点选取.以居民地的面积、行政等级、Voronoi图面积以及居民点与重要道路的邻近距离作为评价居民点重要性的指标,实验结果验证该方法能有机结合居民点的空间属性与专题属性,选取规则不依赖专家经验,指标权重较为客观,在不同层次有效传递居民点的多项特征.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

一种由三角模所诱导的粗糙集间的相似性度量方法

给出两粗糙集间一种新的相似度计算方法,并将其应用到模糊模式识别问题中,通过算例说明这种方法的可行性和有效性.