基于粗糙集与支持向量机的分类算法

针对高维大样本环境下支持向量机训练算法面临界的耗时增大与维数灾问题,将序列最小优化算法(SMO)与粗糙集(RS)的数据处理功能相结合,提出一种新的基于粗糙集与支持向量机的分类算法RS.SMO.该算法依据属性的重要性对数据集作属性约简,用粗糙边界集法生成类边界集作为SMO的训练子集,使训练集比原始训练集的维数与规模都有一定程度的减少,可构造出具有较好时空性能的算法.实验结果表明,RS-SMO算法能实现结构风险最小化,且性能优于SMO算法.     

支持向量机训练算法的比较研究

介绍了支持向量机的数学模型,重点论述了两种比较典型的分解算法,即SVMlight和SMO,并对这两种算法的优点和缺点进行了分析和总结。     

改进的回归型支持向量机学习算法

通过对标准的回归型支持向量机进行改进,得到一种新的学习算法.这种新的学习算法不仅能减少计算的复杂性,提高学习速度;同时在一定程度上能提高回归估计的精确性,特别是用于解决大规模样本问题.     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

支持向量机的SMO算法及其自适应改进研究

提出在SMO算法上应用自适应学习的思想,并利用求解凸二次规划寻优问题的基础上进行改进的研究.研究表明,基于自适应学习的思想对SMO算法进行改进,可使SVM算法更能适应实际应用快速、高效的需求.     

基于粗糙集支持向量机的科技项目财务预测模型

引入粗糙集和支持向量机理论对企业的财务状况进行分析和预测,建立了财务预测模型,为决策者在科技项目立项前后的监督和管理提供支持.     

基于粗糙集和支持向量机的深基坑工程风险评价

利用粗糙集和支持向量回归机的理论和方法,建立基于粗糙集和支持向量回归机相结合的风险评价模型。结合深基坑工程风险评价的实例,将约简后的评价指标输入到支持向量回归机中训练,构建评价模型,而在模型的构建中采用了高斯径向基核函数。最后将指标约简前后所得的评价结果分别与基于粗糙集和神经网络的评价所得的结果进行比较,采用粗糙集和支持向量回归机的评价法具有更好的评价效率。     

基于支持向量回归机和B样条网络回归曲线建模算法

将改进的支持向量回归机与B-样条网络相结合,提出了一种建立回归曲线模型的新算法。实验仿真结果说明了这种算法是可行和有效的。     

基于条件向量的多因素粗集决策分析算法设计及应用

针对多因素粗集决策在规则获取和约简算法的求解过程中因删除了被认为冗余的条件值(或组合),而使得某些含有被认为冗余的条件值(或组合)的待决策对象无法利用决策规则约简集中的规则直接给出决策结果的这类问题,在分析决策规则价值的基础上,提出一种基于条件向量的多因素粗集决策分析算法,为决策者提供决策建议,给出其决策(或推荐决策)结果.最后,将该方法应用于飞行动作模式判别问题,决策结果说明该方法的可行性和有效性.     

面向多输入输出系统的支持向量机回归

目前支持向量机回归算法只适用于单输入单输出系统,在处理复杂多变量系统时多采用构造一系列单变量支持向量机模型的方法,增加了模型与控制的复杂性。针对这一问题,提出了面向多输入多输出系统的支持向量机线性回归和非线性回归方法,两种方法的不同在于映射到高维空间后的运算方法不同。与单变量支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,且在小样本数的情况下,模型训练速度较快。最后将该方法应用到甲基丙烯酸甲脂的间歇聚合反应过程中,仿真结果表明该方法的有效性。     

一种基于粗糙集的数据约简改进算法

在应用粗糙集理论对决策表进行数据处理时对数据约简算法进行了改进，以达到提高约简效率的目的．在进行属性约简时采用分辨矩阵的做法，但其缺点是生成中间过程的数据时需要耗费大量的资源，可以考虑在生成分辨矩阵时的循环过程中利用吸收律及时进行化简，在记录比较多的情况下对于降低宅间利用率，提高运算速度是有效的．在对属性值进行约简生成规则时，针对生成等价类时间复杂度高的问题，不再对每一个节点约简时调用等价类生成函数，而是采用生成一次等价类，存储多次调用的办法，大大降低了时间复杂度，提高了运行效率．     

基于遗传算法和变精度粗糙集的离散化算法

目前常用的离散算法多为单属性离散化算法.利用该类算法对多维连续属性进行离散化时,逐次对单个属性进行离散化,割裂了多维属性之间的关系.基于此提出了一种基于遗传算法和变精度粗糙集的多属性离散化算法.该算法基于变精度粗糙集所具有的较好数据分类容错和抗噪能力,通过变精度粗糙集近似分类精度建立遗传算法适宜度评价函数,并利用遗传算法在多维连续属性候选断点集上寻找最优断点子集.基于UCI数据集比较了所提算法与多种常用的离散化算法的差异,实验结果表明,该算法可以获得相对较好的离散化效果.     

基于泛系算子的泛系混合并联粗糙集模型

在泛系混合并联空间概念的基础上,为了操作由任意给定的二元关系对知识进行划分得到的粒子,使用泛系理论的转化思想和转化后的等价关系对目标概念进行近似逼近的方法,提出了基于泛系混合并联等价算子的泛系混合并联粗糙集模型。通过讨论该模型的基本性质,证明了该模型是泛系粗集的一种广义化表现形式。通过实例说明了在不同泛系混合并联等价算子的作用下产生不同知识库的粒子,为深入研究粒度计算提供了一个新的研究方向。     

A hybrid genetic algorithm for reduct of attributes in decision system based on rough set theory

Knowledge reduction is an important issue when dealing with huge amounts of data. And it has been proved that computing the minimal reduct of decision system is NP-complete. By introducing heuristic information into genetic algorithm, we proposed a heuristic genetic algorithm. In the genetic algorithm, we constructed a new operator to maintaining the classification ability. The experiment shows that our algorithm is efficient and effective for minimal reduct, even for the special example that the simple heuristic algorithm can't get the right result.     

基于粗糙集的组合逻辑优化算法

运用粗集理论对逻辑函数进行知识表达的方法,提出了基于粗糙集的组合逻辑优化方法,并给出了相应的算法.通过对20变量以下的组合逻辑标准Benchmark-89,91和93相容逻辑矩阵例题进行了检验,结果表明此算法是正确的,并具有显著的化简效果.     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

一种基于粗糙集的朴素贝叶斯分类算法

朴素贝叶斯分类器的计算过程只有在完全数据库中才成立,而基于相似关系的粗糙集模型具有处理空值的功能,并且提供了属性离散化和约简技术,可以改善属性间的依赖关系。因此,将两种不同的软计算方法相结合,利用粗糙集合理论先把决策表补齐,再对数据进行约简,然后结合朴素贝叶斯分类器,得出分类结果。实验证明这种方法不仅简化了数据和模型的规模,也具有对不完全数据的分类能力。     

一种基于MapReduce的粗糙集并行属性约简算法

云计算技术是海量数据挖掘的一种高效解决方案,将MapReduce并行计算模型与粗糙集属性约简算法相结合,提出一种基于MapReduce的浓缩布尔矩阵并行属性约简算法.该算法提高了粗糙集属性约简算法对大数据的处理能力和效率,并能适应云计算环境.实验结果表明,所提算法具有良好的效率、加速比和可扩展性.