基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

基于评价方法属性层次的组合评价研究

针对现存的多种单一综合评价方法机理、属性层次相异引起的对同一个对象评价结论不相容的问题，提出一种新的组合评价方法。定义了“具有相容性”与“特殊属性”的两类综合评价方法；建立了两个组合评价模型，分别将这两个属性层次方法所得的不一致的评价值与排序结论进行组合；在此基础上提出“复组合”的概念。并应用此模型对我国欠发达地区15个城市的综合实力进行评价，使得系统评价更具有科学性和实用性，为欠发达地区开发战略制订宏观经济政策提供实证基础     

基于可变精度粗集模型的k-NN分类

将可变精度粗集模型与k-NN分类结合起来,提出了一种新的分类方法,即基于可变精度粗集模型的k—NN分类方法,并且给出了β-信任函数和β-似然函数两个新的概念。     

Rough集理论在网络课程评价体系中的应用

确定客观的符合学科特点的网络课程评价体系对于网络课程的发展有着重要的意义.以往对于网络课程评价体系中各个影响因素的权重的确定方法大多由于人为的干涉而不客观.本文提出了应用Rough集理论确定权重的方法,能够客观地确定各个影响因素的权重.同时可以与专家经验结合,得到符合学科特点的网络课程评价体系中各个属性的权重.     

Rough集理论在网络课程评价体系中的应用

确定客观的符合学科特点的网络课程评价体系对于网络课程的发展有着重要的意义。以往对于网络课程评价体系中各个影响因素的权重的确定方法大多由于人为的干涉而不客观。本文提出了应用Rough集理论确定权重的方法,能够客观地确定各个影响因素的权重。同时可以与专家经验结合,得到符合学科特点的网络课程评价体系中各个属性的权重。     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点.已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理.结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法.利用该算法可以快速得到海量数据的属性约简结果.仿真实验结果说明了该算法的高效性.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点。已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理。结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法。利用该算法可以快速得到海量数据的属性约简结果。仿真实验结果说明了该算法的高效性。     

属性识别模型在质量评价中的应用

针对模糊隶属度不满足"归一条件"及"可加性原则"而导致评价结果不准确甚至错误的问题,将属性识别模型理论与模型运用于质量评价,并通过实例验证了该模型和方法的合理性和准确性.     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

基于粗集理论的企业自主创新能力评价方法

利用粗集理论的属性约简,提出了一种基于粗集理论的企业自主创新能力的综合评价方法,克服了权重设置的主观性,有效削减了指标体系规模.并通过实例验证了该方法的实用性和可行性,为企业制定发展战略提供依据.     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

基于属性的粗糙集在数据挖掘中的应用

研究怎样能够有效地实现基于属性的粗糙集理论的数据挖掘技术．详细讨论了粗糙集理论;为了从基于属性的数据库中发现新的规则,研究了一种适合数据挖掘的面向对象的商业市场研究软件体系的应用．     

基于宽松下近似概念的连续型决策表的属性约简方法

针对连续型决策表,利用模糊相容关系对样例聚类产生模糊决策表,运用宽松下近似概念定义属性重要度,利用函数弹性概念定义决策属性关于条件属性的敏感度,将其作为属性重要度的权重得到加权重要度,并以此为启发式信息提出了一种连续型决策表的属性约简方法.     

支持向量机在长江芜湖段水质评价中的应用

为了快捷和高精度地评价水质,针对支持向量机的训练数据量局限于小样本集以及对噪音数据的敏感性问题,提出了一种基于粗糙集与Morlet小波核支持向量机的水质评价方法．利用本算法和matlab平台在长江芜湖段15项参评指标检测数据的108个样本基础上,进行水质评价建模和分类．实验表明,利用小波核不仅提高了分类的准确性,而且提高了整体分类效率．     

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论,提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性, 在保证决策表原始分类能力不变的前提下,按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉,从而将条件属性离散化。同时给出了该算法的时间复杂度分析,并通过实例分析验证了算 法的有效性和实用性。     

基于依赖度求解属性约简的方法

针对传统属性集和依赖度概念的局限性,定义了新的属性集和依赖度概念,通过不同的多属性集依赖度的研究,给出了从属性集依赖度出发求解属性约简和核的方法,即依赖度法,开辟了独立于分辨矩阵法之外又一新途径.研究表明,依赖度法的时空性能比分辨矩阵法更加优越.     

基于分布约简的获取规则的增量式方法

根据粗糙集的理论,在信息系统中使用了分布约简的概念,并利用相应的可辨识属性矩阵,提出了一种在决策表中获取规则的增量式方法,该算法对决策表中出现的各种新对象进行分析,在原有的分布约简的基础上进行增量式更新,从而避免了重新计算.     

一种基于连续属性离散化的知识分类方法

提出一种基于连续属性离散化的知识分类方法.将条件属性按照重要度由高到低排序,并依照此排序将决策表中各条件属性依次离散化.在对决策表中条件属性的离散化过程中充分考虑已离散化的条件属性及决策属性,离散后的决策表不需要进一步约简.使用了模拟数据和UCI机器学习数据集中的数据进行算法测试,而且与其他离散化算法进行了对比,结果充分证明了新方法的有效性.     

基于粗糙集理论的决策树构造算法

应用粗糙集理论,提出了一种利用新的启发式函数构造决策树的方法。该方法以属性重要性评价指标作为信息熵函数,对务件属性进行选择,充分考虑了属性间的依赖性和冗余性,弥补了ID3算法对属性间依赖性强调不够的缺点,解决了决策树中子树的重复和有些属性在同一决策树上被多次选择的问题,该方法还能对不相容决策表进行正确分类。实例表明该方法是正确有效的,而且明显优于传统的决策树构造方法。