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。     

粗集理论及基于集合论的学习方法

运用了粗集理论的基本原理，对不精确、不完整、不确定的数据进行上近似和下近似的计算和分类，对数据进行简约，寻找其隐含的关系和模式，产生规则，确定规则的可信度，并通过举例加以说明。     

基于粗集理论的一种相容决策表的学习算法

基于粗集理论,针对相容系统规则,提出一种新的相容系统决策表归纳学习算法,并通过实际例子说明该算法的有效性和可信度,与以往的相容决策表的归纳学习算法相比较,这种算法比较简单,而且能够全面地获取规则且没有冗余。给出了具有较高可信度的规则挖掘过程。     

基于粗集的遥感影像决策树分类新方法

土地利用信息是进行土地规划和管理的重要数据,有着重要的经济价值.采用计算机仿真技术对遥感影像进行自动分类是一种获取土地利用数据十分有效的手段.然而遥感影像的不确定、不一致现象易导致过度拟合,增加了分类难度.提出了一种新的基于粗集的决策树用于遥感影像分类.经试验表明该分类方法较CART树、ID3树等算法在分类精度、防止过度拟合方面均有所提高.     

基于属性集划分对象空间能力的约简

本文对信息系统的属性集划分对象空间的能力进行研究,得出了一些有用的结果根据这些结果,提出了一种新的约简方法．与现有的约简方法相比,本文方法无须构造区分矩阵,这不仅减少了计算工作量,还节省了大量的存储资源．举例验证了该约简方法的有效性．     

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。     

一种基于粗集理论的BP神经网络加速算法

应用粗糙集理论 ,对控制系统采样数据进行简化处理 ,构造一种新型神经网络结构 .提出一种误差反向传播BP(BackPropagation)神经网络加速算法 ,并将此算法应用于移动机器人的控制系统分析设计 .通过仿真结果的分析研究 ,验证了此算法在减少网络冗余 ,提高神经网络学习速度 ,提高网络实时控制能力等方面的良好的性能 .     

基于粗集理论的一种规则提取方法

介绍了粗集理论的基本概念,通过对现有基于粗集的最小规则提取算法的分析,发现其缺陷,提出了一种改进的基于粗糙集的规则提取方法,并用UCI数据库中的9个标准数据集从规则集的规则数目、规则集的平均规则长度、规则集的平均规则支持、规则集的预测精度等4个指标对改进的算法进行了测试和对比分析,实验表明了该算法的有效性.     

基于变精度粗集模型的定量数据挖掘算法

为了解决定量数据中存在噪音数据或数据不完整的问题，并能从这些定量数据中挖掘出有效规则，在变精度粗集模型(VPRS)的基础上，采用定量数据的模糊处理方法，研究了定量数据挖掘算法。该算法可以从定量数据中挖掘出更客观、有效的决策规则。     

基于模糊近似空间的S-粗集模型研究

基于近似空间,对原始S-粗集模型进行了扩展.提出了基于模糊近似空间的S-粗集模型,讨论了模型的上下近似算子的性质;接着分析了此模型与已有模型的相互关系,最后通过实例对此模型进行了说明.     

基于PL/SQL的粗糙集分类算法研究

为改进数据分类的效果，基于粗糙集理论实现数据分类和规则推理的基本原理，利用粗糙集理论中核及决策类覆盖的思想，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，简化带有不相容规则的决策系统的数据挖掘算法。通过PL／SQL演示了挖掘分类规则的过程，结果表明基于粗糙集分类算法的有效性。     

网络协议流不平衡环境下基于机器学习算法的在线流量分类方法研究

随着时间的推移,网络协议流将出现不平衡的现象,经常出现不可预知的在线流量种类,传统在线流量分类模型无法对未知的流量种类进行分类,导致整体分类精度低,适应能力差。为此提出一种新的基于机器学习算法的在线流量分类方法,针对不同类别的在线流量样本流集合筛取出若干最近邻样本流,求出各个样本流特征权重,确定各个特征与类别的相关性,将相关性大的特征当成在线流量特征。依据得到的特征选取部分标识在线流量数据,确定K中值聚类的起始中心,构造映射关系,获取未知的在线流量种类。实验结果表明,所提方法有很高的分类精度,且扩展性和适应能力较强。     

基于粗糙KNN算法的文本分类方法

在文本分类中,数据规模过大或文本分布不均匀对传统KNN算法的准确率和效率具有重要影响。为了解决该问题,文章提出一种基于粗糙KNN(k-nearest neighbor)算法的文本分类新方法。首先引入粗糙集中的上下近似概念定义各类文本的上下近似空间,将文本向量空间分为核心和混合2大区域;然后改进传统KNN算法的隶属度函数;再针对不同的文本区域,采取差异化的分类策略以提高分类的效率和准确率。实验表明,基于粗糙KNN算法的文本分类方法在提高分类准确率的同时,分类的效率也有很大提高。     

基于粗糙集的最小规则提取算法

传统的最小规则提取算法计算量非常大,分析了决策规则的约简形式,提出了一种基于粗糙集的最小规则提取算法,该算法对每个决策类分别提取规则,并采用启发式策略选择原子条件逐次添加到规则的因中,最后通过一个实例和实验验证了算法的简洁性和有效性。     

一种基于多关系的朴素贝叶斯空间分类算法

空间分类既要考虑待分类对象的非空间属性,还要考虑其空间邻接对象非空间属性对分类的影响.提出一种基于多关系的朴素贝叶斯空间分类算法,算法将多关系分类方法用于空间分类,考虑了不同近邻对象的非空间属性对分类产生的影响,其分类准确率高于单关系朴素贝叶斯空间分类算法.算法可以用于空间数据库中的大数据集,不需要复杂的数据预处理.     

一种基于系统不确定性的主动式知识学习算法

主动式知识学习方法不依赖于先验领域知识，其学习过程受信息系统的内在属性控制，所产生的知识系统 能够更客观地表达信息系统的潜在特征和规律。系统不确定性能够有效地控制主动式知识学习过程。基于粗糙 集理论，提出一种系统不确定性度量方式，结合Skowron算法，设计出一种基于系统不确定性的主动式决策规则知 识学习算法。仿真实验结果表明该算法能够更好地适应系统的不确定性，其综合性能明显优于其他同类算法。     

一种基于系统不确定性的主动式知识学习算法

主动式知识学习方法不依赖于先验领域知识，其学习过程受信息系统的内在属性控制，所产生的知识系统能够更客观地表达信息系统的潜在特征和规律。系统不确定性能够有效地控制主动式知识学习过程。基于粗糙集理论，提出一种系统不确定性度量方式，结合Skowron算法，设计出一种基于系统不确定性的主动式决策规则知识学习算法。仿真实验结果表明该算法能够更好地适应系统的不确定性，其综合性能明显优于其他同类算法。     

基于代表的交叉验证分类

基于代表的邻域覆盖粗糙集分类算法,在某些数据集上表现良好,数据的类别不平衡问题严重影响算法的分类精度.为尽量消除类别不平衡问题的影响,在k折交叉验证方法的基础上,针对基于代表的邻域覆盖粗糙集分类算法,提出了3种集成策略.策略1依靠k折交叉验证,获得对应的k个基分类器,所有的基分类器组成委员会对未分类样本分类;在策略1的基础上,策略2选择分类精度相对较高的基分类器组成委员会,对未分类的样本进行分类;策略3在前2种策略的基础上,利用主动学习的思想,对训练集进行扩充,得到新的分类器再对未分类样本分类.实验所用数据集为UCI标准数据集,且对k的取值做了对比实验.结果显示,3种策略均有不同程度的提升,且k取5时总能取得较好的提升效果.对于不同数据集,应选择相适应的改进策略.     

基于半监督学习的单类分类器

半监督学习是一种利用有标记样本和无标记样本进行学习的新的机器学习方法。针对单分类中只有目标类标记样本和大量无标记样本的情况,提出了一种基于半监督学习的单类分类算法。利用已标识的有标记样本建立两个单类分类器,通过相互学习来挖掘未标记样本中的隐含信息,扩大有标记样本的数量。利用所有已标识样本,用不同的单分类方法建立多个单类分类器,通过集成学习的方法得到最终的分类器。在UCI数据集上进行了实验,表明提出的基于半监督学习的单类分类器的有效性。     

基于半监督学习的短文本分类方法

随着万维网的快速普及和发展,Web上出现了大量短文本,如科技文献摘要、微博和电子邮件等.短文本内容短小,相互联系,已标注数据获得困难,导致传统分类方法很难取得较高的分类精度.为了解决短文本分类问题,提出了一种基于半监督学习的迭代分类算法(SS-ICA).它使用较少的已标记数据,利用短文本间的关系进行迭代分类.通过与常用分类方法进行对比表明,在标注数据较少的情况下SS-ICA比其他分类器有更高的分类精度.