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.     

变精度粗集模型中变精度值的估计

变精度粗集模型是一种有参数的粗集扩充模型．目前,基于变精度粗集模型知识约简和学习的各种算法中,参数届值都是作为领域的先验知识而被直接引入．而β值不同,约简的结果一般也不同,因此有必要寻求一种方法,实现从原始数据集本身出发完成对β值的估计和选择,从而摆脱β先验知识对结果的影响．结合决策表确定性度量和决策表相对辨识性方法,分别研究了β值的估计和选择以及参数β值对约简结果的影响．通过实例进行了分析,结果表明在利用变精度粗集模型提高系统容错度时,厣值选择是必要的。     

基于变精度粗集模型的定量数据挖掘算法

为了解决定量数据中存在噪音数据或数据不完整的问题,并能从这些定量数据中挖掘出有效规则,在变精度粗集模型(VPRS)的基础上,采用定量数据的模糊处理方法,研究了定量数据挖掘算法。该算法可以从定量数据中挖掘出更客观、有效的决策规则。     

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α（0≤α〈0．5）,给出了变精度广义s-粗集模型及其有关性质定理．通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系．     

双向IS-粗集及其相对精度

在S—粗集的基础上,提出IS—粗集(improper singular rough sets)和双向IS—粗集(two directionimproper singular rough sets)的概念,给出它们的一般数学结构,并讨论了双向IS—粗集的近似精度及相对精度。     

粗集近似精度及其粒度特征

Pawlak近似精度是衡量粗集近似程度的重要指数[1],针对Pawlak近似精度没有考虑近似空间的颗粒结构,在此利用粒度的概念定义了具有颗粒结构的近似精度,讨论了该近似精度的粒度特征.     

基于粗集的空间对象分类学习算法

针对二维空间对象分类问题,提出将粗集方法应用于分类规则的学习.首先建立空间分类信息表,然后采用粗集方法约简条件属性、提取分类规则,并采用多种指标对规则进行评价.通过实验结果分析,证明粗集方法能够有效用于学习空间对象分类规则.     

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。     

基于VPRS的ID3算法改进

在变精度粗糙集模型的基础上,通过定义近似分类质量来对条件属性进行选择,在ID3算法的基础上生成决策树,实现了对ID3算法的改进,使分类速度加快,并且有效地解决了含噪数据的分类问题。     

基于变精度粗糙集的脱机手写体汉字识别

文章为研究脱机手写体汉字识别问题,将汉字样本及其特征向量看作是一个信息系统,采用基于β近似依赖度的属性重要度定义作为启发式信息,设计出在变精度粗糙集模型下的特征属性近似约简算法,对手写体汉字信息系统中冗余特征属性进行约简,构建出脱机手写体汉字识别决策信息系统。识别过程中采用基于加权规则置信度的规则融合方法,进一步提高了脱机手写体汉字的可识别性和正确识别率。实验结果表明,该方法是有效可行的。     

一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

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。     

变精度覆盖粗糙集的新型算子研究

基于邻域的变精度覆盖粗糙集模型中,β上,下覆盖近似算子的交不保持交运算。通过定义一对新的覆盖边界上,下算子,并讨论了它们的性质。应用新定义的算子,能够将覆盖上下近似算子交运算的不等式变成等式,防止了信息的丢失。     

高泛化能力的变精度粗糙集的决策树算法

现有基于变精度粗糙集模型的决策树生成算法具有如下不足:有些叶子结点上覆盖的实例数太少,导致这些叶子结点的泛化能力太小而没有意义;不能很好地处理不一致的实例集.为解决上述问题,引入属性是否具有决策类这一概念,较好地避免了决策树的过剩生长,使得生成的决策树有较好的泛化能力.给出新的终止条件,即时地终止不一致实例集的生长.在此基础上,给出新的终止条,提出了一种新的基于变精度粗糙集的决策树生成算法.用一实例说明了新算法的效率得到提高.     

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.     

基于变精度粗糙集的神经模糊网络优化及应用

针对现有神经模糊网络应用中的不足,提出了一种新的基于变精度粗糙集的神经模糊网络优化方法,并讨论了其在复杂系统建模中的应用.将变精度粗糙集理论中的β分类精度作为信息函数,选择条件属性.通过选择适当的精度,对建模数据进行离散化,组成决策表.通过对决策表进行变精度的知识约简,提取重要的属性和属性值,映射到模糊规则中,简化生成的规则,从而有效地优化了神经模糊网络结构,极大地减少了网络的训练时间,且提高了训练精度.将该方法应用于有大量样本数据的非线性时延系统建模,仿真实例验证了此种方法的可行性和有效性.