属性值的Rough Logic约简及优化

对于属性值离散化约简,Andrzej Skowron给出了割集方法,该方法虽然简单可行,但在属性值致密的情况下,产生的割集较大,数据的约简效率较低.提出用Rough Logic方法对Andrzej Skowron割集进行抽取和缩减,并给出相应启发式算法,使属性值约简效率有明显提升.     

基于关联规则挖掘的粗糙集属性值约简算法研究

粗糙集理论中约简是一个重要的研究课题,它包括属性约简和属性值约简两方面内容.针对目前属性值约简只能实现约简,而不能计算各个规则的出现次数的问题,结合关联规则和粗糙集两方面的优点,对冗余规则和不一致规则进行处理,获得具有实际意义的约简表.实验证明,此算法是有效的.     

S-粗集与新材料发现-识别

S-粗集(singular rough sets)具有两类形式:单向S-粗集(one direction S-rough sets)和双向S-粗集(two direction S-rough sets)。S-粗集具有遗传特征、记忆特征。把S-粗集与材料科学进行学科渗透,互补共享,给出新金属材料的发现-识别的讨论,利用属性生成模型给出新金属材料的属性值分析,给出的结果与实际相符。S-粗集是粗集研究的一个新方向,是新材料发现-识别的一个新的数学工具。     

基于粗糙集的属性值约简算法研究

规则提取是数据挖掘的核心步骤,在分析常用属性值约简算法思想的基础上,给出基于不可分辨矩阵的属性值约简算法描述.实验结果表明,这种方法是可行的.     

基于特征抽取定性映射的事物关系的表示模型

对象及其关系的表示是推理、求解的基础 ,而对象的感觉特征的抽取可归结为一个定性映射 .本文以此为基础并将群体中的研究对象统称为“事物”,给出了群体中事物属性的数学表达及基于属性的事物关系的数学表达模型 ;由此引出了一般事物的属性及属性值的判定规则和“归约”“细化”的推理方法 ,将其用在 KDD中的概念提升中显得自然而方便 ,并得到基于属性的事物分类的数学方法     

面向用户偏好的属性值评分分布协同过滤算法

针对传统协同过滤算法存在的不足,本文充分考虑用户对项目相关属性特征的偏好,将用户对项目的评价转化为用户对项目属性偏好的评分分布;在此基础上,对传统的协同过滤算法的相似性度量方法进行改进,并采用修正的用户偏好数学期望预测模型,提出一种面向用户偏好的属性值评分分布协同过滤推荐算法.实验结果表明,该算法可有效解决传统过滤算法存在的问题,推荐精度显著提高,使推荐服务更好地满足用户的偏好需求.     

Rough Set理论研究及其在水上交通事故分析的应用

水上交通事故系统中数据多维、稀疏、不全,有效地识别和发现事故数据的新模式及其内在规律能够预防和减少水上交通事故的发生.从数据挖掘的角度出发,应用了基于属性频度的约简算法和改进的值约简算法的结合对(2000～2004)年水上发生的20起具有一定代表性的典型案例进行分析,并加入相关的支持度和置信度,以期为水上交通的管理提供决策支持.     

感觉抽取的定性映射模型

将其检测属性的定量属性值转化为定性属性值是感觉的一个基本功能，根据属性的哲学定义，本文给出了属性、定量属性值、性质、定性映射和定性一基准等术语的哲学－－数学定义，并指出：感觉抽取可归结为一个定性映射。     

一种基于条件熵的增量核求解方法

分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理. 并在此基础上提出了一种新的增量核求解算法. 该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核. 实例证明了该算法的有效性.     

多属性决策中属性值大小对其权重的影响

研究属性值大小对其属性权重的影响. 在常用权重分配方法的基础上,通过引入模糊集合的方法,提出了适合该情况下的属性分配方法.实例研究结果表明,考虑属性值大小的决策方法比传统的决策方法更为合理.