粗糙集在粉螨亚目螨种智能鉴别中的应用研究

粗糙集理论是一种新型的软计算方法,它能有效分析和处理不精确、不一致、不完整等特性的不完备信息,是一种强大的数学分析工具,具有良好的容错性能.采用粗糙集技术,并与分类鉴别算法相结合,给出改进的约简算法,对已分离的螨种进行分类鉴别,鉴别实例结果显示,在信息不完备的情况下仍能正确地进行分类鉴别,可明显提高分类鉴别能力和效率.粗糙集在粉螨亚目螨种智能鉴别中具有较好效果.     

邻域系统粗糙集模型

该文从多视角考虑粗糙近似逼近问题,讨论了邻域系统粗糙集模型的性质.将邻域系统粗糙集模型与两种重要的广义粗糙集模型,即可变精度粗糙集和多粒度粗糙集进行了对比分析,分别根据分类错误率和多粒度构建了不同的领域系统.该文研究结果证明了可变精度粗糙集模型和多粒度粗糙集模型是邻域系统粗糙集模型的特例,邻域系统粗糙集模型是一种更为广义的粗糙集表现形式.     

基于模糊相似矩阵与粗糙集的规则获取

粗糙集理论是一种对对象进行分类的能力.分类是推理、学习与决策中的关键问题.传统粗糙集所基于的是不分明关系,这往往使得分类过细,因而基于粗糙集的规则获取也存在知识粒度过细的问题.文章探讨一种基于模糊相似矩阵的分类方式,把传统的等价关系弱化为模糊等价关系,从而得到更具表达力的粗糙集模型,在这个前提下讨论规则获取一定程度上解决了知识粒度过细的问题.     

粗糙集的动态粒度及应用

经典粗糙集理论把元素与分类的关联看成不变的,不便于论域上动态数据的研究,而动态粒度可以从不同角度或层次来分析数据,从而弥补经典粗糙集过于简一的计算机制.在经典粗糙集的基础上结合动态粒度的特点,给出了粗糙集、粒计算、动态粒度和影响度的概念,提出了一种粗糙集的动态粒度算法,并给出其应用.     

基于粗糙信息颗粒的数据挖掘方法研究

大型的数据库和数据仓库中的数据往往是有噪声和不一致的,应用经典的粗糙集理论对其进行数据挖掘处理时,效果不够理想.引入信息颗粒的概念,给出了属性子集引导的信息颗粒的构造方法及基于信息颗粒的知识描述,并应用粗糙集的扩展模型讨论知识的粗糙度问题,提出了基于粗糙信息颗粒的属性约简算法,该算法在给定最小置信度阈值的情况下,可实现对不一致数据集的简洁知识提取.图1,表2,参8.     

基于覆盖的程度粗糙集模型

在基于覆盖的粗糙集模型的基础上,引入分类误差,建立了基于覆盖的程度粗糙集模型,并讨论了该模型的一些相关性质.     

基于粗糙集的边界分类算法

粗糙集作为数据挖掘工具,主要通过分类数据得到预测型知识,但分类规则过于严格,使得在挖掘带噪音的数据时,挖掘结果可能会损失一些有价值的规则.提出一种带不确定因子的信息系统及相应的分类方法,改进了传统粗糙集的分类方法.     

粗糙集理论及其应用进展

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。目前已在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了广泛应用。首先描述了粗糙集的基本算法及其复杂度 ,包括等价关系 ,上下近似及各种约简算法 ;接着对粗糙集扩展理论 ,如可变精度模型 ,相似模型等进行了讨论 ,然后对粗糙集在数据挖掘、大数据集、粗糙逻辑、多方法融合等领域中的应用进展情况进行了论述 ,最后给出了建议的研究方向     

粗糙集理论及其应用研究

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。本文给出了粗糙集理论的特点,阐述了几种粗糙集理论的扩展模型及其应用领域,最后讨论了粗糙集理论研究的前景。     

变精度粗糙集下基于信息熵的属性约简算法

本文针对在Z．Pawlak粗糙集下进行属性约简中存在的问题,在对变精度粗糙集理论下卢下近似约简概念分析的基础上,引入了信息熵,建立了变精度粗糙集意义下的决策表中属性重要性的度量方式,区分了β阈值界定下的“弱不一致信息”与“强不一致信息”的不确定程度,从而刻画了标准粗糙集下正域之外的不一致信息的不确定程度,以该度量作为启发式信息,提出了基于信息熵的β下近似约简的启发式算法．这为不一致信息系统的属性约简提供了理论依据与算法．