基于区间值的模糊聚类分析

分析了原有模糊聚类分析中存在的问题，提出了基于区间值的模糊聚类分析方法．该方法用区间值表示各个对象对于每个因素状态的隶属度，在获取了每个对象对于每个因索的特征值后，将其转化为[0，1]上的区间，然后直接在区间的层次上求各个对象间的相似度，在如此求出的相似矩阵的基础上，直接得出聚类的结果．该方法用区间值表示各个对象的属性值，可以更接近于每个对象的客观、真实情况，从而可以更大程度上保留信息．     

区间值模糊集合的表现定理

针对区间值模糊集合，给出了2类区间值集合套的定义，得到了2个区间值模糊集合的表现定理。     

几种L-模糊集之间的关系

研究了区间值模糊集，直觉模糊集，模糊值模糊集和二型模糊集之问的关系，指出直觉模糊集与区间值模糊集是等价的；在一定条件下，模糊值模糊集可由区间值模糊集生成；每一个二型模糊集可转化成一个区问值模糊集且每个区间值模糊集可看做一个二型模糊集．     

区间值直觉Fuzzy度量空间及其完备性

给出区间值直觉Fuzzy数的定义，并引入区间值直觉Fuzzy数间的区间值直觉Fuzzy距离，建立区间值直觉Fuzzy度量空间并讨论其完备性．进一步对n维区间值直觉Fuzzy度量空间作了相应的讨论．     

基于区间值相似度集合的多规则近似推理模型

给出区间值相似度集合的概念,并基于区间值相似度集合详细研究了多规则近似推理模型及其推理算法,讨论了基于区间值相似度集合的简单近似推理模型的还原性．最后,通过１个实例验证了推理模型和推理算法的有效性．      

区间值Fuzzy域上的Fuzzy代数

提出了区间值Ｆｕｚｚｙ域及区间值Ｆｕｚｚｙ代数的概念，给出了一个区间值Ｆｕｚｚｙ集为区间值Ｆｕｚｚｙ代数的充分必要条件，并应用区间值Ｆｕｚｚｙ集的扩张原理，讨论了区间值Ｆｕｚｚｙ代数在代数同态下的象和逆象问题。     

TH型区间值Fuzzy群的同态与同构

在ＴＨ型区间值Ｆｕｚｚｙ群的基础上应用扩张原理，研究了ＴＨ型区间值Ｆｕｚｚｙ群的同态和同构性质，推广了已有的结果，提供了一种有效的应用方法。     

区间集概念格属性约简的组成与结构

区间集是解决部分已知概念、近似不可定义或复杂概念的研究工具。概念格是机器学习、数据挖掘、知识发现和信息检索等领域的一种很有效的数据分析工具。区间集概念格是这两种方法的结合,是对于部分已知概念或不可定义概念信息系统进行机器学习、数据挖掘、知识发现和信息检索的一种有效的数据分析工具。区间集属性约简是揭示区间集概念格本质特征的一种方法。本文揭示了区间集属性约简的组成与结构:两个区间集相对必要属性不能在同一个区间集属性约简中出现;区间集约简与任何一个区间集相对必要属性等价类的交都不空;核心属性和每个区间集相对必要属性等价类中取一个属性组成的集合一定是区间集属性约简。     

基于区间值相似度的直觉区间值模糊推理

直觉区间值模糊集具有比直觉模糊集更强大的模糊信息表达能力并且其直觉区间值隶属度和非隶属度的值较易确定.文章利用直觉区间值模糊集进行模糊推理.根据直觉区间值隶属度和非隶属度的值给出直觉区间值模糊集之间相似度和加权总体相似度的计算方法.根据该计算方法给出直觉区间值模糊集上的模糊推理算法.最后通过算例说明所给出的推理算法更符合实际需要,可操作性强,便于应用.     

区间值Fuzzy测度的两种扩张与比较

引进区间值Ｆｕｚｙ测度和区间值泛函的概念,针对Ｓｕｇｅｎｏ的Ｆｕｚｙ积分和区间值泛函,分别把区间值Ｆｕｚｙ测度扩张到可测区间值Ｆｕｚｙ集空间上,并在这两种扩张意义下,研究扩张的区间值Ｆｕｚｙ测度的关系．     

多层次规则挖掘的约略集方法

约略集理论是一种能处理数据中不确定和噪音的有效数学工具,是数据挖掘的重要方法．结合数据分类层次,提出了利用约略集理论挖掘多层次规则的方法,挖掘过程包含约减的求解、等价类的构造、差别矩阵的建立、规则的挖掘４个阶段,并举例说明了多层次规则的挖掘过程．     

基于不确定性的跳阶序贯三支决策模型

序贯三支决策模型作为一种能够有效处理不确定性信息的数据挖掘方法，采用了渐进的思维进行决策。然而，边界域可能存在部分不确定性较大的等价类，即便添加属性也无法准确划分，导致决策的分类精度降低，同时延迟代价较高。因此，通过条件概率来刻画等价类的不确定性，基于阴影集理论筛选不确定性较大的等价类，并对其采取跳阶延迟处理的方法，提出了基于不确定性的跳阶序贯三支决策模型。实验结果表明，所提模型与经典序贯三支决策模型相比，在分类性能上具有更好的有效性。     

Rough Class on a Completely Distributive Lattice

This paper generalizes the Pawlak rough set method to a completely distributive lattice. The concept of a rough set has many applications in data mining. The approximation operators on a completely distributive lattice are studied, the rough class on a completely distributive lattice is defined and the expressional theorems of the rough class are proven. These expressional theorems are used to prove that the collection of all rough classes is an atomic completely distributive lattice.     

小波去噪在分类问题上的应用

分类是数据挖掘领域中一项非常重要的任务,通过含噪数据求出有效决策函数十分重要.目前已有一些具体方法对含噪数据进行选择处理,从而求解决策函数.本文针对支持向量机中的二类分类问题,以一维情形为例,给出了文献[1]不同的处理方法,即用小波技术对数据点集的分布函数去噪,并根据新的训练点集及对应的权值求得二类分类问题的决策函数.     

一种分类挖掘算法及其应用

提出一种增量式混合型分类挖掘算法,将基于概率论的符号学习与神经网络学习相结合,能够对既包含离散属性又包含连续属性的多个概念进行有效的分类处理,且具有较强的增量挖掘能力。该算法在法院决策支持系统中得到了运用,取得了较好的效果。     

基于等价类划分的并行频繁闭项集挖掘算法

针对海量数据的关联规则挖掘问题,提出了一种有效的基于等价类划分的并行频繁闭项集挖掘算法.该算法在MapReduce框架下,通过等价类的产生与划分、数据集的分配、异步频繁闭项集挖掘和汇总等步骤,不但较好地解决了多节点间的负载均衡问题,而且易于获得可靠的频繁闭项集.实验表明,该算法能有效克服传统算法挖掘效率低、冗余规则较多的缺点,整体上具有较高的性能.     

基于大数据分析挖掘技术的电力设备局部放电诊断方法

当前电力设备状态参量规模逐渐增加,电力设备状态数据来自多个不同系统,较为复杂。传统诊断方法不能有效处理大规模数据,导致电力设备局部放电诊断结果不可靠。为此,提出一种新的基于大数据分析挖掘技术的电力设备局部放电诊断方法。给出谱图生成过程,对电力设备局部放电特征进行提取。对电力设备状态参量进行大数据分析挖掘,完成对电力设备各种状态参量的组合、特征合并处理。通过皮尔逊相关性理论计算相关系数。依据相关系数,利用优化迭代将电力设备样本分成若干类,获取对应聚类中心。将局部放电样本聚集在一起,依据局部放电特征实现诊断。实验结果表明,所提方法诊断可靠性与实用性强。     

R软件的数据挖掘应用

开源R软件集成了各种的数据分析和可视化方法,具备强大的数据分析功能和良好的可扩展性,适用于数据挖掘;结合城市主要经济指标的数据挖掘案例,给出了R软件在挖掘过程中各主要阶段的应用方法;数据准备阶段包括数据抽取、数据选择与统计分析应用;挖掘建模阶段给出了聚类和分类的典型挖掘应用;模型评估阶段给出了决策树的评估方法;从简洁的R语言脚本设计和良好的分析效果,展示了R软件的基本特点和在数据挖掘应用中的优势。     

P-信息隐藏挖掘的数量特征及应用

经典的集合具有静态特性。在科技迅猛发展的今天,海量数据变化更新之迅速,用经典集合来研究数据挖掘问题受到了限制,需要把动态特性引入到普通集合中,用“动态性”代替普通集合的“静态性”,而P-集合具有上述特征。利用P-集合与它的属性迁移,提出内、外k阶P-信息的粒度、挖掘度,讨论了属性迁移与信息挖掘的数量关系;给出迁移信息链式定理及最小、最大挖掘度定理。P-信息是动态信息系统知识挖掘的一个新的理论与方法,最后给出P-信息在数据挖掘中的应用。     

一种多层次分布式网络数据挖掘方法的改进研究

针对传统数据挖掘方法时间开销大的问题,提出一种新的多层次分布式网络数据挖掘改进方法,给出多层次分布式网络结构。介绍了常用的随机扰动数据挖掘方法,通过概率歪曲技术完成对多层次分布式网络中原始数据集的扰乱处理,对项集的实际支持度进行重构,经概率转换获取数据挖掘结果。随机扰动方法具有时间效率低的弊端,在时间复杂度要求较低的情况下,通过XMASK方法对随机扰动方法进行改进;在时间复杂度要求较高的情况下,给出相应的改进过程。对提出的多层次分布式网络数据挖掘方法进行实验测试,结果表明,该方法准确性高、挖掘时间短、效果优。