基于粗集理论的数据挖掘应用

论述了粗集的基本理论和特点，并对其在旋转机械故障诊断中的应用进行了探索，提出了粗集理论在旋转机械故障诊断中的数据挖掘方法，运用这一方法对故障诊断决策表进行属性约简，去除其中不必要的属性，揭示出旋转机械故障诊断条件属性中的冗余性，最后得出了属性约简的结果以及决策规则。     

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．     

粗集实验原型系统的拓展

对粗集理论原型系统(RSDM)进行了一定程度的拓展,使之更适合于不完备和不一致信息系统的处理.文章主要介绍RSDM功能拓展的设计需求、系统组成以及相应模块中有关算法的粗集理论依据,并包含通用数据库接口,具有一定的应用价值.     

基于证据理论与变精度粗集的判断矩阵的构造

运用变精度粗集理论,结合专家的群决策,提出了一种新的判断矩阵的构造方法.根据证据理论综合专家群体评价结果,得出各决策因素的条件属性值与分类误差,进而利用变精度粗集的依赖因子,构造具有完全一致性的判断矩阵.在允许一定误差的基础上,尊重了专家意见,且满足了客观性要求.     

基于粗集理论的数据挖掘

本文论述了粗集理论的基本原理和数据挖掘的一般过程,提出了基于粗集理论的数据挖掘算法,并结合大气污染实例分析数据挖掘的过程,最后论述了粗集理论在数据挖掘中的优、缺点及其应用范围.     

基于粗集理论的数据离散化新算法

连续属性值的离散化一直是机器学习领域中殛待解决的关键问题之一，他对于提高后继学习算法的运行速度、降低算法的实际空间要求和时间消耗、提高学习结果的聚类能力等都具有极其重要的意义。本文首先分析了基于粗集模型的数据离散化方法的特点和基本思路，研究了候选断点重要性的衡量方式，在此基础上提出两种新的从候选集合中最终确定离散化断点的启发式算法。这两种算法考虑并体现了粗集理论的基本特点和优点，选择的断点都能够保证信息系统的分辨关系，并能够取得较理想的离散化结果。     

一种基于粗糙集理论的数据挖掘算法的研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法.首先对信息系统的数据加工泛化,构造其二进制可辨矩阵.对矩阵进行化简得到属性约简并生成规则.最后,结合银行申请信用卡的实例,利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则.     

基于Rough集的单维布尔关联规则的挖掘算法

利用Rough集理论中关于等价类的概念,提出了单维布尔关联规则问题挖掘算法,考虑到关联规则设定单一最小支持度阈值的局限性,提出使用多个最小支持度的办法进行频繁项集的发现,利用兴趣度对单维布尔关联规则进行评价.     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点 .粗糙集理论是一种具有模糊边界的集合理论 ,它作为研究知识发现的新型工具 ,能严格地处理不精确数据的分类问题 ,被广泛应用于不相容决策表中的规则提取过程中 .针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究 ,并介绍了数据集中挖掘分类规则的基本原理 ,同时利用 RS理论中核和核值的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法 ,并应用一简单的例子说明如何在数据库中发现分类规则 ,实验结果表明此算法可以大大提高系统潜在知识的清晰度     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

基于可变精度粗糙集的规则挖掘矩阵算法

提出了一种基于可变精度粗糙集的规则挖掘矩阵算法,它是一个采用基于分类精确度的粗糙集模型进行决策规则挖掘的新方法,能有效地处理决策表的不一致性。实例结果和实际应用表明该算法是有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。     

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．     

基于粗糙集理论的数据挖掘方法在电子商务中的应用

介绍了一种基于粗糙集理论提取关联的数据挖掘方法：并给出它在电子商务中的应用以及数据挖掘的全过程和示例，指出作为一种决策支持技术，它可以用来提高企业的决策效率和决策可信度，从而为企业赢得一定的竞争优势。     

应用粗集理论的数据库知识发现

要从数据量庞大的大型数据库中发现知识，就不得不考虑学习算法的效率。将粗集理论应用到数据挖掘中，实现了从数据库中自动抽取与给定的学习任务相关的属性，能有效地发现简练、贴切的知识，并给出了这一应用的理论基础和实现算法。     

一种基于粗糙集理论的启发式分类规则挖掘算法

粗糙集理论是一种新的数据挖掘算法,文章以属性依赖重要性作为启发信息提出了一种新的属性约简算法,且加入了一定的分类正确度。最后通过一个实例完整演示了本方法,证实其有效性。     

用于数据挖掘的粗集产生多重知识库的方法

提出了一种用于数据挖掘的粗集产生多重知识库的方法．该方法基于粗集理论的简化和决策矩阵．首先从知识表示系统中消除冗余属性,产生简化表,形成简化的知识表示系统,提高学习的有效性和精确性．然后从简化表中推导出决策矩阵,通过决策矩阵获取最小决策规则,计算包括所有必需属性的简化集合,给出计算最小决策规则和计算多重简化的算法．最后由相应的简化对最小决策规则进行分组形成多重知识库,给出产生多重知识库的算法．