基于 Rough Set理论的商务决策支持系统知识发现的研究

以商务决策作为研究背景,基于Rough Set理论解决商务决策支持系统中信息不确定,数据量大的困难.从Rough Set理论的基本概念出发,给出决策表的知识表达系统,提出计算最小决策规则的算法,最后通过运用Rough Set理论和方法对商务决策支持系统的实例进行属性及属性值的约简,挖掘其中隐含的知识,从而得出最小决策规则.     

基于Rough set理论的本科生就业情况研究

Rough Set理论是一种新型的处理模糊和不确定知识的数学工具.本科生的就业情况是最近几年来最受关注的问题之一,根据大量的调查表数据,分析这些数据之间的关联性,得出:要得到一定的结果属性,需要哪些条件.基于Rough Set理论中的正域概念和由此定义的重要性概念,提出一种新的实现调查表分析的决策算法.     

粗糙集连续属性离散化的SOM网络方法

基于Rough Set理论中的不可分辨性原理,给出两个新的定义属性的最大区分值(Maximum Dis-cernibility Value,MDV)和属性冗余度(Attribute Redundancy Rate,ARR)。在数据预处理阶段,属性的MDV数值用于确定关于自组织映射网络SOM输出单元数量的启发式搜索策略;属性冗余度则用于衡量属性约简结果的信息冗余程度,并以此作为优化SOM网络输出层结构的依据。不依赖于领域经验知识,建立了MDV、SOM、ARR的组合算法模型,实现了Rough Set理论中连续属性的自动离散化计算,并明显提高了属性约简的速度。最后,通过项目实例对全过程进行有效验证。     

基于RS理论的不完备信息系统处理方法

从理论扩展、属性约简以及规则抽取对目前基于Rough Set(RS)理论的不完备信息系统处理方法进行了分析和评述,提出了该领域的下一步研究方向,为构造面向不完备信息系统的高效实用的挖掘方法提供了基础。     

一种基于遗传算法的加权朴素贝叶斯分类算法

朴素贝叶斯算法因其分类精度高、模型简单等优点而被得到普遍应用,但因为它需要具备很强的属性之间的条件独立性假设,使得其在实际分类学习中很难实现.针对这个缺点,提出了一种基于遗传算法的加权朴素贝叶斯分类算法(G_WNB).该算法将遗传算法(GA)与加权朴素贝叶斯分类算法(WNB)相结合,首先使用基于Rough Set的加权朴素贝叶斯分类算法,综合信息论与代数论给出的属性权值求解方法,计算出每个属性的权值,以初始权值作为初始种群,加权朴素贝叶斯的分类正确率为适应度函数,采用遗传算法优选,以使适应度函数最高的权值为数据集的最终权值,最后使用G_WNB进行分类.实验表明,该算法提高了分类准确率,同时提高了朴素贝叶斯分类器的性能.     

基于属性约简的决策表算法

Rough Set理论通过属性约简和决策规则约简,达到发掘知识并简化知识的目的。本文首先给出了属性重要性的度量方法,然后对条件属性的简化进行了阐述,最后,讨论了一致决策表最小算法的三类优化问题。并通过一个实例证明了这种算法。     

一种动态联盟企业风险概率识别方法

根据动态联盟企业信息具有不确定性的特点,应用贝叶斯网络对企业的风险概率进行识别.通过对贝叶斯网络的构建与分析方法的探讨,用贝叶斯网络描述企业信息变量间的依赖关系,从而识别不同风险发生的概率.仿真结果表明,贝叶斯网络可以有效地描述动态联盟企业不确定信息变量之间的依赖关系,是进行风险概率识别的一种有效方法.     

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器，即朴素(naIve)贝叶斯分类器、贝叶斯网络分类器和TAN(tree augmented Bayesian)分类器；发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的，因此在所有树形分类器中TAN分类器是最优的．     

基于粗集的知识约简与拓扑概念的比较研究

知识约简是 Rough Set理论的核心之一 ,由近似空间导出的拓扑空间是一个概念系统或概念空间 ,本文将借助概念空间研究基于 Rough Set理论的知识约简。     

基于属性约简的加权朴素贝叶斯分类算法

朴素贝叶斯在处理分类问题上简单高效,通常它假设属性间是条件独立的,且各属性变量对类变量的影响程度是相同的,但在实际应用中这些都难以被满足,从而使得其分类性能降低.因此,提出基于属性约简的加权朴素贝叶斯分类算法,该算法首先根据各属性不同取值的分类能力及属性间的对称不确定性大小,去除了无关属性和冗余属性,使得筛选后的属性之间具有较低的关联度和较强的分类能力;然后再结合属性与类变量及属性间的相关性对各属性进行加权;最后对待判样本进行分类.经实验结果表明,该算法有效地提升了朴素贝叶斯的分类性能.     

基于 Rough Set 的知识发现系统

ＲｏｕｇｈＳｅｔ理论是近年来出现的处理模糊和不确定性的数学工具，已广泛应用于人工智能的许多领域特别是ＫＤＤ领域。文章介绍了ＲｏｕｇｈＳｅｔ理论的基本思想，并着重讨论了几个基于ＲｏｕｇｈＳｅｔ理论的典型ＫＤＤ系统。     

基于粗糙集的装备故障诊断系统的算法研究

通过设计基于粗糙集的装备故障诊断系统框架,以大屏幕投影系统的设备故障记录作为样本集,研究了粗糙集在装备故障诊断系统中的应用。针对数据预处理中缺失数据的填补问题,采用粗糙集理论和统计学理论相结合的方式,最大限度的保留了原始信息、产生规则的数量和可靠性;针对知识约简中规则生成速度慢等问题,采用了基于粒计算的粗糙集知识发现算法,将决策表中的属性集转换为二进制的矩阵对象,把复杂的知识约简转化为矩阵运算,降低了知识约简的时间复杂度,提高了生成规则运算效率,实现了故障诊断知识的快速自动获取。     

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法，在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中，明显优化判定树，简化数据挖掘的过程。     

装载机故障诊断属性约简算法

为了提高以先验知识进行智能诊断的效率,对粗糙集理论的约简算法进行了研究,提出了基于可分辨矩阵一种改进的属性约简算法,将其应用于装载机故障诊断决策表的属性约简.实践证明该算法对属性约简是有效的.     

粗集可辨识矩阵与集对分析相结合的配电网项目垂直一体化评估

从分析国网-省-地市-县垂直一体化评估模式出发,构建了配电网工程项目评估指标体系.考虑供电区域、建设模式、评估级别等差异性,给出了不同评估级别的评估指标计算方法.针对国网-省-地市-县垂直一体化评估的多指标性、复杂性,采用可辨识矩阵计算各指标属性重要度的方法得到各指标权重系数,并结合集对分析理论对配电网项目进行综合评估.以5个配电网项目评估为例对所提的评估方法进行了仿真验证,并对结果进行了分析和讨论.仿真结果表明评估指标、评估思路和评估方法具有广泛应用价值.     

基于粗糙集面向属性的数据挖掘及改进

用粗糙集进行数据挖掘是近年来被采用的一种新的有效方法 ,本文针对传统粗糙集分类方法过于严格 ,对噪音过分敏感的缺点 ,提出了改进的粗糙集挖掘模式及相应面向属性的约简算法和实现步骤     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

基于Rough Set理论的商务决策支持系统知识发现的研究

针对商务决策支持系统中存在信息不确定、冗余数据量大的问题,提出了一种基于Rough Set理论的提取最小规则算法。该算法的核心是改进的分明矩阵属性约简和启发式的属性值约简。通过算法对原始数据表中的冗余属性和属性值进行约简,得到了决策表和最小决策规则。最后,对商务决策支持系统的实例进行数据约简,挖掘其中的隐含知识,获取了有价值的决策信息。