基于多群体遗传算法的汉字识别系统设计

文章设计了一种基于粗糙集理论的手写体汉字识别决策系统,依据并行遗传算法在处理大型数据库上的特有优势,将信息熵理论作为粗糙集不确定性的度量,给出一种约简冗余条件属性求解决策信息系统约简集的多群体并行遗传算法;并提出了一种基于规则置信度的手写体汉字识别规则融合算法,提高识别准确率,对SCUT_IRAC手写体汉字库中手写体汉字进行识别实验,结果证明,该系统具有较强的手写体汉字识别能力。     

基于变精度粗糙集的产品配置规则提取及增量式更新

针对传统粗糙集产品配置规则提取方法容噪性较差的问题,应用变精度粗糙集方法,依据产品设计实例数据建立配置决策表,通过设定分类精度,进行了基于决策类下近似的相对属性约简和基于核值属性的值约简,依据支持度获得有效的产品配置规则.考虑设计实例增加对规则提取的影响,采用增量式更新方法对新增决策表进行规则提取,处理新增配置规则与原配置规则之间的重复、包含和冲突关系,依据可信度进行配置规则的更新.以水平定向钻机配置规则提取为例,验证了所提方法的可行性和有效性.     

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.     

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。     

基于形态学与神经网络相结合的手写体汉字识别实验系统

本文利用形态参量和神经网络相结合的方法来研究手写汉字识别。设计了一个具有学习功能的手写汉字识别实验系统，对一级汉字进行实验，给出了识别的实验结果；平均正确识别率为８６％‘并指出了存在的问题和改进的方法。     

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。     

免细化过程的脱机手写体汉字的动态信息提取

本文提出了一种无需细化过程的脱机手写体汉字字符的识别方法,并且提出了从脱机手写体汉字中识别动态信息的方法,从而将脱机汉字字符识别问题转变为联机识别问题。     

手写体汉字集成识别技术的研究

手写体汉字的计算机自动识别是一个高难度的模式识别问题,用单一识别方法难以达到理想的识别率。本首先分析了汉字识别方法的基本特点以及字符集成识别技术中存在的问题,然后结合认知科学 的研究成果,提出了手写体汉字层次集成识别的思想。     

基于属性质量度的变精度邻域粗糙集属性约简

变精度邻域粗糙集相比于邻域粗糙集具有抗噪容错的能力,但由于重新定义了下近似,正域的划分不再严格,使得属性重要度的可信度降低,在精度改变的情况下无法优先选取最优的属性.针对这一问题,分析变精度邻域粗糙集的下近似,引入邻域内的正确分类率,定义属性质量度,提出一种基于正域的增量和平均正确分类率的增率相结合的属性度量方法.通过和现有的基于属性重要度的属性约简算法做比较,实验结果表明,改进后的属性度量方法对变精度有更好的适应性,在不同变精度阈值下能得到更优的约简结果.     

基于翰经神经网络的手写体汉字识别

本文提出了基于进化神经网络进行手写体汉字识别的新算法,讨论了BP网络的构造及用遗传算法优化神经网络的权值问题,通过仿真验证了该算法是有效的。     

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.     

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。     

基于可变精度粗集模型的k-NN分类

将可变精度粗集模型与k-NN分类结合起来,提出了一种新的分类方法,即基于可变精度粗集模型的k—NN分类方法,并且给出了β-信任函数和β-似然函数两个新的概念。     

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.