基于粗糙集的增强学习型分类器

为了提高分类的精确度,提出一种基于粗糙集理论的增强学习型分类器。采用分割算法对训练数据集中连续的属性进行离散处理;利用粗糙集理论获取约简集,从中选择一个能提供最高分类精确度的约简。对于不同的测试数据,由于离散属性值的变化,相同的约简可能达不到最高的分类精确度。为克服此问题,改进了Q学习算法,使其全面系统地解决离散化和特征选择问题,因此不同的属性可以学习到最佳的分割值,使相应的约简产生最大分类精确度。实验结果表明．该分类器能达到98％的精确度．与其它分类器相比．表现出较好的性能。     

基于粗糙集全局离散和粒子群算法的启发式航材订货模型

为了解决目前航材订货模型单纯依托人为经验,对航材消耗规律变化反应滞后且可信度不高工作量过大的问题,提出在原始订货模型的框架下,使用PAM聚类、粗糙集全局离散和粒子群算法,计算模型中的航材分类、属性离散和区间权重,从而建立启发式航材订货模型,并在测试集上对比新老模型的均方离差。结果表明,启发式航材订货模型可以使人摆脱依靠经验确定模型的繁琐工作,并且能有效提高模型的准确性和及时性,从而提高航材订货工作效率。     

从定积分的角度看粗糙集

对于粗糙集的定义及其基本性质,从定积分的角度,给出了一种全新的描述.     

一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

基于粗糙集理论的淡水湖泊湿地生态系统健康评价研究

该文旨在通过构建淡水湖泊湿地生态健康评价指标体系,对比分析长江流域中的鄱阳湖、西洞庭湖、洪湖3个淡水湖泊湿地的生态系统健康状况.首先从水环境、土壤、生物、景观和社会等1级指标中列出13个2级指标,并利用粗糙集理论对13个指标进行约简,得到由5个1级指标和8个2级指标构成的湖泊湿地生态系统健康评价指标体系;然后运用层次分析法对1级指标进行主观赋权,以及采用基于信息粒度的属性重要度原理对2级核心指标进行客观赋权,再将2种权重组合起来得到评价指标的权重系数;最后通过加权和的方式计算出3个淡水湖泊湿地的综合健康指数,以便进行生态系统健康状况比较.研究结果表明:3个湖泊湿地生态系统的健康等级均为中等,综合健康指数排序为洪湖(6. 063)鄱阳湖(5. 997)西洞庭湖(5. 458).     

动态数据库规则获取和更新的粗糙集方法

随着客观世界的发展变化，新模式会不断地增加到数据库中，在已有的模式中会增加新成员，这就导致以前得到的规则集需要随之更新，在利用粗糙集方法获取规则的基础上,提出两种规则更新方法，并提出规则获取和更新的一般理论模型，强调充分发挥决策者和分析人员的主观能动性的重要性，根据客观实际提出新模式和原有模式中的新成员，以满足不断变化的外部情况，而不只是单纯依赖机器决策，并以实例说明。     

基于遗传算法的一种粗糙集知识约简算法

知识约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识.文中从系统的信息表出发,根据可辨别下三角矩阵,利用遗传算法,提出一种基于遗传算法的粗糙集知识约简算法,并通过实验分析说明,这种算法可以解决现有启发式算法无法解决的部分问题.     

粗糙集的RBF表示与非监督模式分类

提出了一种粗糙集的ＲＢＦ网络表示形式，在集值测度意义下，将粗糙集的语义表达进行了有效的描述，并构造了其自适应自组织的遗传学习机制．其创新性主要表现在：（１）通过ＲＢＦ网络有效地构造了粗糙集在模式分类中的自适应表示形式；（２）在遗传算法中引入了元进化自调整机制；（３）以粗糙集意义下的非线性映射方式提高了模式分类的计算效率．图３，表１，参４．     

定义拓扑的一种方法及其应用

给出定义拓扑的一种方法,把常见的定理对族βx((A)x∈X)的要求放宽,从而拓广了应用范围,并且证明了关于向量拓扑空间的几个定理.     

根据粗糙集理论进行图像块分类的规则发现

提出了一种根据粗糙集理论进行图像块分类的方法,它利用了粗糙集理论的强大的定性分析能力,结合图像块样本的时域、频域特性对其进行分类,并在分类能力不变的情况下,通过知识约简,导出问题的分类规则。