基于决策属性粒度树提取决策规则

粒计算通过粒的形成、粒的转移、粒的合成与分解等手段有效地解决问题.利用属性粒度树,将粒计算与决策形式背景的规则提取理论相结合.首先将决策属性进行粒化,给出多粒度决策形式背景的定义;其次研究了粒化前后决策形式背景协调性的关系;最后在假设粒化前后决策形式背景协调的前提下,研究了粒化前后决策规则之间的关系.     

信息系统中粒计算模型及其属性约简方法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,目前在国际上逐步得到了人工智能有关研究人员的重视。模糊粒度模型、粗糙集粒度模型、邻域系统下的粒计算模型、商空间模型、相容粒度空间模型是目前几种常用的粒计算模型。基于粗糙集理论的粒度模型,通过决策信息系统的粒子空间中各粒子的推理,给出了决策信息系统中核属性计算方法;在此基础上,提出了决策信息系统属性约简的计算方法;通过实例验证了该方法的有效性。     

不确定信息系统的属性离散化模型

连续属性离散化是粗集理论应用于实际问题时的重要环节,一般的离散化方法应用于不确定信息系统的属性离散化时,在数值选择上却存在着依据缺失的突出问题.利用数值态势构成的态势差研究两个集对势之间的差度,并将其结果应用到了连续属性离散化过程中,形成了基于数值态势分析的连续属性离散化的新方法,较好地解决了数值选择不确定问题,并给出实例进行了验证.     

信息融合数据源的多粒度聚类与描述

信息融合数据源的聚类分析对于信息融合过程的算法管理具有重要意义。本文首先提出一种多粒度模糊聚类方法对采集的数据源样本进行聚类分析,得到样本的聚类树。在此基础上,提出一种基于熵增益率的多粒度连续属性离散化算法,将数据源属性离散化。最终得到聚类结果的特征描述,为今后的规则提取做好准备。实验表明：基于多粒度的数据源分析方法是有效的。     

粗糙集连续属性的一种离散化方法

文中给出了基于属性值出现的频率的连续属性离散化的一种方法。在离散化问题描述的基础上,利用属性值出现的频率确定频数候选断点,再利用边缘断点算法进一步减少断点数目,达到离散化目的。该方法提高了决策属性关于条件属性的支持度,提高了属性约简的满意度。     

一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

概念学习中连续值型属性的离散化

在概念学习中，属性不仅可以为离散值型，还可以为连续值型，因此，连续值型属性的离散化问题是概念学习中的一个重要问题，本给出了基于假设检验的离散化方法的理论依据，并依此提出了一种离散化算法Ｄｉｓｃｒｅｔｅ，实验结果表明，这种方法一有得到较合理的区间划分。     

基于二二进制粒与粒计算的属性约简

目前有关粒计算的理论与方法主要有商空间理论、词计算理论和粗糙集理论。以粗糙集理论发展的粒计算理论为基础,定义了幂图、粒度幂图及二进制粒等概念,提出基于二进制粒计算与粒度幂图的两种属性约简算法,把属性约简问题转化为在粒度幂图中的搜索问题,为属性约简开辟了新的途径。理论分析表明,所提出的算法是有效可行的。     

基于二进制粒与粒计算的属性约简

目前有关粒计算的理论与方法主要有商空间理论、词计算理论和粗糙集理论.以粗糙集理论发展的粒计算理论为基础,定义了幂图、粒度幂图及二进制粒等概念,提出基于二进制粒计算与粒度幂图的两种属性约简算法,把属性约简问题转化为在粒度幂图中的搜索问题,为属性约简开辟了新的途径.理论分析表明,所提出的算法是有效可行的.     

知识发现过程中连续属性离散化方法研究

在综合分析知识发现过程中连续属性离散化方法的基础上，提出了一种基于全局聚类分析来处理连续属性离散化问题的方法。实例验证结果表明该方法对知识发现过程中连续属性离散化的划分更为合理。