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.     

P-粗积分与函数双向S-粗集的粗糙度

在函数双向S-粗集生成的P-粗积分的基础上提出了函数双向S-粗集的精度与粗糙度的概念,讨论了函数双向S-粗集的精度与粗糙度的一系列特性,并得到函数双向S-粗集的可分辨准则与函数双向S-粗集的筛选 剩余定理。     

ε-函数粗集及其在投资组合中的应用

提出基于区间和离散点的函数相似度的概念,给出基于两种不同相似度下的函数聚类的方法。利用所得的函数论域的分类,将函数粗集理论作了推广,得到了ε-函数粗集。建立了经济系统中的投资模型,利用ε-函数粗集作为工具给出了解决如何选择投资组合问题的方法。     

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。     

外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。     

基于模糊集μ_X~R的α-截集和强β-截集的粗近似

研究了基于模糊集μXR的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μRX的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

函数单向SPF-粗集与它的概率特征

基于函数S-粗集,结合函数迁移的随机性,提出了函数单向S_PF-粗集概念,并给出它的数学结构。研究了函数单向S_PF-粗集概率特性。证明了在概率的意义下,函数单向S_PF-粗集是函数S-粗集,函数单向S-粗集的推广；函数S-粗集,函数单向S-粗集是函数单向S_PF-粗集的特例。