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     

基于粗集理论的决策规则提取方法

本文利用一致性规则进行属性的规则泛化。在归类优选问题上,采用样本先与值核属性匹配,而后再与非值核属性匹配,对于无匹配的样本采用相似条件向量的方法对缺损数据进行归类优选。     

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。     

基于粗集的邮件自动分类系统研究

电子邮件给人们带来极大便利的同时,垃圾邮件的日益泛滥,也给人们带来了极大的不便和危害。本文使用基于粗集最优属性约简方法对邮件集进行特征维数压缩,在不影响条件属性分类能力的情况下,利用粗糙集约简化简决策表,得到一个规则,利用规则可以对新加入的邮件进行自动分类,试验结果表明该方法是行之有效的。     

集值信息系统中基于证据理论的规则提取

为了提高在集值决策信息系统中最优广义决策规则的获取速度,借助证据理论这一处理不确定性问题的有力工具,将证据理论应用到集值信息系统中,定义了集值信息系统在相似关系和优势关系下的基本概率分配函数,提出一种基于基本概率分配函数的最优广义决策规则获取方法。最后用实例说明了这种方法的有效性,并且有效地降低了时间复杂度。     

基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。     

基于重要性联系度粗糙集模型的规则提取

在基于联系度的粗糙集模型中引入条件属性存在重要性差异的因素,定义了不完备决策表中对象间的重要性联系度,提出了基于重要性联系度的粗糙集扩展模型.在此模型中给出了对不完备决策表进行属性约简和规则提取的算法,并以Visual C++6.0为开发工具编写了程序,进一步验证了算法的正确性和模型的可靠性.     

基于粗糙集理论的膨胀土分级模型及应用

将粗糙集理论与模糊集理论相结合并应用于膨胀土分级问题中,利用粗糙集中的知识约简方法挖掘评价指标.把权重问题转成粗糙集理论中属性重要性问题,建立了关于膨胀土分级评价的关系数据模型。将评价结果与实际的评价结果对比分析,研究结果表明：预测等级与实际结果吻合,比较客观地反映了膨胀土分类的复杂状况,且该方法操作简单。     

分布式检测系统数据不相容情况下的融合方法

探讨基于粗糙集理论的分布式检测系统在数据不相容情况下的处理算法,包括上、下近似集和边界集的确定,然后根据下近似集和边界集确定出规则,删除冗余规则后得到融合中心的所有规则。文中通过实际数据说明具体处理过程,验证该算法正确性和有效性。     

一种基于粗糙集分类规则发现的方法

介绍了粗糙集理论实现数据分类和规则推理的基本原理,并利用粗糙集理论中核及决策类覆盖的概念,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,并简化带有不相容规则的决策系统的多层次数据挖掘算法,应用一实际的例子说明如何在数据库中发现分类规则.     

基于模糊粗糙集的层次分类增量特征选择

随着大数据时代的到来,数据的类标签数量急剧增加,对现有的分类任务带来了严峻的挑战。为了解决这个问题,人们通常将标签组织成层次结构,使用结构中所包含的信息来对任务进行学习。考虑样本的不断增加,使用模糊粗糙集信息熵设计了一种面向层次分类的增量特征选择算法。考虑兄弟策略,将现有的λ条件熵推广到了层次分类的情形,设计了一种非增量的层次分类特征选择算法,设计了λ增量条件熵,基于此设计了增量版本的特征选择算法。在实验中,采用了包括非增量版本在内的7种不同的特征选择算法在5个层次数据集上与增量算法进行比较,实验结果验证了2种算法的有效性,并且所设计的增量算法能在不影响性能的情况下加快特征选择的进程。     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.     

基于粗糙集理论通风系统可靠性神经网络仿真

提出了一种基于粗糙集理论的矿井通风系统可靠性神经网络仿真结构设计模型。通过对属性和属性值的约简，剔除系统中不必要的影响因素指标，以达到对系统可靠性特征参数优化的目的；同时克服了神经网络规模过于庞大及分类识别速度慢等缺点，取得了减少分类过程中模式匹配搜索量的良好效果。该方法对复杂系统可靠性工程的深入研究及应用具有一定的参考价值。     

粗糙集与决策树比较研究

粗糙集和决策树都属于归纳学习方法,都可以从一个离散值决策表中抽取出规则.本文从算法过程、计算复杂性、规则个数、泛化能力、稳健性几个方面对粗糙集和决策树进行了比较研究,得出了一些重要结论,能为相关研究提供一些有价值的参考.     

双向S-属性粗糙集模型

以属性测度空间的粗糙集模型为基础,针对S-粗集中元素的动态特性,提出了双向S-属性粗糙集的概念,讨论了双向S-属性粗糙集的性质,并结合实例就双向S-属性粗糙集的精度进行了讨论。     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.     

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

煤矿瓦斯预测专家系统中基于粗集的知识获取方法

提出了基于粗集理论的煤矿瓦斯预测专家系统知识获取方法.该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机,实现煤矿瓦斯突出的实时预测.实例分析表明,粗糙集方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性.