基于优势关系粗糙集的规则生成算法

针对现有的基于优势关系粗糙集的规则生成算法存在运行效率低的问题，提出了一种基于多个优势差别矩阵的规则生成算法，突出不同决策类之间的差别信息，在得到精简规则集的同时，能够提高规则生成效率．通过实验与其他规则生成算法加以比较，表明该算法在平均性能方面优于其他算法．     

基于优势关系粗糙集的规则生成算法

针对现有的基于优势关系粗糙集的规则生成算法存在运行效率低的问题,提出了一种基于多个优势差别矩阵的规则生成算法,突出不同决策类之间的差别信息,在得到精简规则集的同时,能够提高规则生成效率.通过实验与其他规则生成算法加以比较,表明该算法在平均性能方面优于其他算法.     

基于粗糙熵的时序数据属性约简及规则提取研究

分析了近似质量在提取非确定性规则方面的不足,并基于粗糙熵的预测成功度概念,结合时序数据特点,提出一种属性约简及规则提取策略．该策略在对时序数据进行属性约简时,采用粗糙熵与时间距离相结合的方法,使得最终得到的约简在时序方面是较优的,最后使用UCI数据库进行仿真实验,效果良好．该策略在工程领域处理时序数据方面有一定的应用价值．     

基于属性重要度的粗糙集规则提取方法

对Rough Set理论中的规则提取问题进行了研究，以利于信息不完备决策问题的解决．算法假定给定一个重要性阈值的前提下，将属性重要性进行比较．如果比此阈值小的属性则可省略，根据约简表则可得到相应的决策规则．文章还给出了一个计算实例说明了算法的计算过程．     

基于数据浓度的粗糙集规则生成算法分析

大部分粗糙集学习算法进行性能分析时只考虑到数据集的规模,并不考虑等价类分布等特点.基于数据饱和度和数据浓度这2个数据集特性,对规则生成算法进行分析,通过对比实验说明了数据的饱和度和浓度对规则生成算法性能有重要的影响.     

基于粗糙集理论的规则提取算法的研究

简要介绍一种规则提取的算法 ,并通过对一数据集的分析来比较该算法与传统算法的区别 .     

基于粗集理论的决策规则提取方法

本文利用一致性规则进行属性的规则泛化。在归类优选问题上,采用样本先与值核属性匹配,而后再与非值核属性匹配,对于无匹配的样本采用相似条件向量的方法对缺损数据进行归类优选。     

基于粗糙集的最小规则提取算法

传统的最小规则提取算法计算量非常大,分析了决策规则的约简形式,提出了一种基于粗糙集的最小规则提取算法,该算法对每个决策类分别提取规则,并采用启发式策略选择原子条件逐次添加到规则的因中,最后通过一个实例和实验验证了算法的简洁性和有效性。     

基于映射规则的数据产品自动生成方法及系统

随着知识图谱的广泛应用,为了提高从中提取知识数据和产品数据的准确率和效率,以知识图谱为数据源,根据实际业务需求制定业务数据抽取与组织规则(抽取规则即为题目中的映射规则,设计规则的表达描述方法和规范约束,由业务需求者填写实际可实施抽取的规则),支持根据该规则从知识图谱中抽取符合规则的子图.由于该子图符合设计业务需求方的规...     

基于粗糙集和模糊集理论的规则提取方法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠，但两者的着眼点和计算方法是不一样的，因此它们不能被相互替代，而且必须结合起来使用。本文结合粗糙集理论和模糊集理论提出一种新的规则提取方法，并给出了一个应用实例。     

粗糙集与神经网络集成在故障诊断中应用研究

提出了SOM网络－粗糙集－BP网络集成进行故障诊断的方案；首先应用SOM网络离散化故障诊断数据中的连续属性值；然后基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统的基础上设计BP网络进行故障诊断，4135柴油机的实际诊断结果验证了所提出的民粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其他机械设备。     

基于粗糙集与贝叶斯网络的推理和诊断模型

基于粗糙集知识约简、规则提取的优势和贝叶斯网络强大的推理能力,对决策表进行约简和提取决策规则获取节点关系、节点概率分布等信息,以获取的信息为基础建立贝叶斯网络模型.然后通过贝叶斯网络实现进行高效快速的推理和诊断.实例分析表明,该方法是可行有效的.     

基于粗集不相容系统的膨胀土分类规则提取

分析膨胀土分类的粗糙性, 指出膨胀土分类是一个基于粗糙集的信息不相容决策系统. 针对常规方法容易引起规则失真的不足, 提出将贝叶斯理论和不相容系统决策挖掘相结合来提取膨胀土分类规则： 以膨胀土分类决策系统的可信度为先验概率, 膨胀土试验数据的支持度为后验概率, 计算膨胀土分类规则的条件概率;提取条件概率大于某一阈值的规则;通过逻辑合取与析取归并膨胀土分类规则. 实例计算和应用分析结果表明： 采用贝叶斯理论和基于粗糙集的不相容系统决策挖掘相结合的方法有利于基于粗糙集的不相容系统的数据挖掘, 而且为膨胀土分类规则的提取提供了一种切实可行的算法.     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.     

水工混凝土结构裂缝主要成因挖掘的粗集方法

研究水工混凝土结构裂缝的主要成因,采取适当措施控制裂缝,从而改善水工混凝土结构的耐久性.本文运用粗集理论,提出水工混凝土结构裂缝主要成因挖掘的方法.首先,建立水工混凝土结构裂缝-成因模式信息表,然后对产生裂缝的可能原因进行压缩或约简,删除可能成因中的冗余信息,从而挖掘出裂缝产生的主要原因.最后将该方法用于某重力拱坝裂缝主要成因的分析当中,得到水位和温度是该坝在运行过程中裂缝产生和发展的主要影响因素的结论,该结论与大坝的实际运行情况相一致,说明该方法是可行的.     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

冷轧建模中基于粗糙集和神经网络的案例检索

针对一般基于案例属性相似度的案例检索方法在实际应用时存在相似性度量的定义等难点而无法保证两效、准确检索的问题。提出了一种新的案例检索方法。根据粗糙集理论对冷轧负荷分配决策表进行简约以及从简约的决策表数据中发现规则,在此基础上利用发现的规则建立隐层节点数更合理的神经网络模型。以此神经网络模型实现相似案例检索,经在线实验证明,应用该方法可实现快速高效的案例检索。提高了整体智能推理建模的效率和质量。