变精度粗糙集模型

针对基本RS模型的不足，介绍了变精度粗糙集模型，并讨论了它与基本RS模型的关系。最后，定义了变精度粗糙集模型上的属性近似依赖、近似约简。     

变精度粗糙集模型与应用

介绍了Ziarko变精度粗糙集模型、β约简和广义变精度粗糙集模型;讨论了广义变精度粗糙集模型β上、下近似算子的基本性质,分析了该模型与Ziarko变精度粗糙集模型之间的关系,最后用实例分析了β约简过程.     

一般关系下粗糙集的模糊性

从粗糙隶属函数的角度出发,研究了一般关系下的粗糙集模型的模糊性度量,用模糊集的截集的概念描述了一般关系下变精度粗糙集模型。     

变精度粗糙集β下近似属性约简

从属性集角度研究变精度粗糙集模型的属性约简问题,在对象集上定义了一种β下近似二元关系,并利用这种关系建立了属性集及其幂集上的等价关系,由此产生依赖空间。同时利用定义的二元关系和依赖空间给出了变精度粗糙集的β下近似协调集的判定定理,得到一种保持每个决策类的β下近似不变的属性约简方法。最后通过实例验证方法的有效性。     

程度变精度覆盖粗糙集模型

针对程度覆盖粗糙集和变精度覆盖粗糙集模型的特点,通过引入误差参数,给出了一种新的程度变精度覆盖粗糙集模型。并且讨论了所给模型上﹑下覆盖近似算子的一些性质,给出了相关重要定理。     

IIS中基于限制容差关系的变精度粗糙集模型

在不完备信息系统中的限制容差关系的基础上,建立了变精度粗糙集模型,并且对其相关性质进行了分析.从构造区分函数出发,给出了求不完备信息系统近似约简的一般方法,定义了β近似约简,β近似区分函数等概念,给出了求其β近似优化决策规则的一般步骤,最后通过实例说明所提到的理论是符合客观实际的.     

基于相似关系的变精度多粒度粗糙集

在不完备信息系统中基于相似关系,引入了可变精度和多粒度粗糙集,进而提出一种基于相似关系的变精度多粒度粗糙集模型。研究了基于相似关系的变精度多粒度粗糙集的相关性质和关系。随后讨论了基于相似关系变精度多粒度粗糙集的约简问题,提出了一种基于属性重要度的启发式分布约简算法,实例分析的结果验证了该方法的可行性。     

双论域上的变精度粗糙集模型

在不同论域上定义了变精度粗糙集模型,并讨论相关的性质及其应用。     

变精度覆盖粗糙集模型的推广

基于多数包含关系及误差参数β(0≤β<0.5),提出了基于对象邻域的变精度覆盖粗糙集模型,并讨论了由覆盖所得到的邻域及近似算子的性质.     

基于一种新的量化容差关系的变精度粗糙集模型

提出了一种新的量化容差关系,建立了变精度粗糙集模型并提出了基于重要度的属性约简算法。新的模型考虑了决策属性值对条件属性值概率分布的影响并且具有一定噪声数据处理和错误分类容许能力。最后通过实例表明了该模型具有处理含有空值数据问题的能力。     

变精度概率粗糙集模型

在经典概率粗糙集模型中,限定参数α的置信区间为:12<α≤1,变两个参数为一个参数,得到了变精度概率粗糙集模型.该模型在处理某些问题时使得决策失误的风险更小.     

变精度粗糙集模型及其在辐射源识别中的应用

为解决辐射源识别的问题,研究了变精度粗糙集模型生成规则。由概念的正域中的对象类条件属性的描述,得到该概念的充分条件,依据知识间的依赖性作为优化规则所要考虑的因素来获取规则,由此得到的规则更加简化,且过程简单,并以雷达辐射源用途识别为例给出识别实例。实验结果表明:该方法忽略了少数实例的特殊性,对辐射源用途识别的结果与实际情况相符。该算法降低了决策规则的复杂度,能够有效地进行辐射源识别。     

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集，当增加新样本时，传统的方法通常需要对决策表中所有数据重新计算，效率欠佳。从可变精度粗集模型理论出发，讨论了新增记录与已有条件属性等价类的关系及对规则集的影响，在此基础上提出了基于可变精度粗集模型的增量式规则获取算法。通过仿真实验表明，这种增量式算法是可行的。     

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集,当增加新样本时,传统的方法通常需要对决策表中所有数据重新计算,效率欠 佳.从可变精度粗集模型理论出发,讨论了新增记录与已有条件属性等价类的关系及对规则集的影响,在此基础 上提出了基于可变精度粗集模型的增量式规则获取算法.通过仿真实验表明,这种增量式算法是可行的.     

灰色系统中基于集对优势关系的变精度粗集模型

针对信息系统中存在灰色数据、偏好信息和噪声数据等特点,将集对分析方法运用到灰色信息系统中,对对象的联系度进行量化分析,结合阈值 确定优势关系和优势类.引入变粗度的思想,放松了等价关系中对近似集的精确定义,构建了适用于灰色系统的基于集对优势关系的变精度粗度模型。最后讨论了模型性质,改进条件熵定义,给出了以条件熵为启发信息的属性约简算法。实例分析结果证实了该模型的合理性和可行性。     

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.     

基于边界域的变精度粗糙集

粗糙集理论作为分类学习的一种工具,借助一对极值映射的一元算子,利用已知的知识结构表示未知的研究对象.具体主要体现在已知知识包含于未知对象集或与对象集相交不空.随着数据规模的不断增长以及数据形式的日趋复杂,严格意义的包含常常不能满足现实的需要.因此,经典粗糙集忽略了非常接近于严格包含的情况.变精度粗糙集放宽了严格包含关系.弥补了经典粗糙集理论的这一不足.然而,和经典粗糙集相比,变精度粗糙集不可避免地失去了一些基本性质.为了进一步探讨这些性质的本质内涵,在研究已有变精度粗糙集结构和性质的基础上,提出了3类基于边界域的变精度粗糙集模型,比较研究了这些模型之间的联系和区别.结果表明,第Ⅰ类变精度模型是已有变精度粗糙集模型的推广,第Ⅱ类变精度模型则是经典粗糙集的直接拓展形式之一.这2类变精度模型都侧重于从局部多数包含的角度刻画对象集.第Ⅲ类变精度模型侧重从对象集的整体边界域,即整体多数包含的角度描述了未知知识.     

基于熵和变精度粗糙集的规则不确定性量度

由已知数据中产生的粗糙决策规则往往具有不确定性 ,需要适当的不确定性量度。借鉴变精度粗糙集理论的思想 ,采用基于信息熵的方法构造了两个新的粗糙决策规则不确定性量度函数。它们不仅可以兼顾由划分的粒度引起的规则不确定性的两个方面 ,即不一致性和随机性 ,还考虑了数据中的噪声对规则一致性的影响。因此 ,它们对一类“几乎一致性规则”具有一定的保护作用。通过举例分析 ,说明它们更适于评价从有噪声数据中提取的粗糙决策规则。     

基于粗糙集模型的入侵检测算法研究

为应对层出不穷的新型网络入侵,提高对未知恶意行为的检测正确率,运用粗糙集理论对入侵检测问题进行建模.先用概率粗糙集建立入侵检测模型PRS-IDM,在此基础上生成基于变精度粗糙集的检测模型VRS-IDM和其中的阈值参数β.在VRS-IDM模型基础上对检测训练集数据进行约简并构造检测规则.模拟检测实验的结果证明本方法具有良好的检测正确率,同时能有效应付未知的潜在入侵行为.