Rough集在乳腺癌辅助诊断中的应用

目的研究Rough集在乳腺癌辅助诊断中的应用。方法采用基于Rough集的属性约简算法,利用决策树算法对乳腺癌图像数据进行分类,辅助医疗诊断。结果实现了基于Rough集的属性约简算法,对乳腺癌数据进行处理,获得了分类的实验结果。结论该模型系统达到了较高的分类准确率,证明Rough集在辅助医疗诊断中有着广泛的应用前景。     

Rough集理论中几个基本概念的算法描述

用信息向量表示信息表知识表达系统中的埘象，基于同一思想用算法描述了Rough集中的等价类、不可分辨关系、上下近似集、属性约简、相对属性约简等概念。     

基于凸Rough集的数据约简和规则发现研究

为了有效地从凸序列中约简数据和发现知识，解决Rough集集中的凸序列问题，在深入研究凸序列和Rough集理论的基础上，提出了凸Rough集模型，定义了凸Rough集和凸Rough集糊集，给出了凸Rough集糊集的隶属函数和应用凸Rough集进行数据约简及规则发现的算法，最后分析了一个应用案例，验证了模型的可行性，表明应用凸Rough集模型可以更好地进行数据约减和规则发现。     

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

基于Rough集的数据挖掘在教学评价中的应用

基于粗集的数据挖掘的主要过程是数据预处理、约简及规则提取.为了分析教师教学行为和教学效果之间的关系,以教学评价的数据为基础,利用基于粗糙集的数据挖掘技术进行挖掘.实例研究中采用基于分明矩阵的属性约简算法和启发式属性值约简算法,去掉决策表中的冗余属性和属性值,得到了影响教学效果的关键因素刎和相关规则.     

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法，在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中，明显优化判定树，简化数据挖掘的过程。     

一种基于Rough集的指标体系选择策略

在理论与实证分析相结合的基础上,提出基于Rough集的指标体系选择的分析方法,实践证明,Rough理论体系是一种新型的处理不完整性和不确定性问题的数学工具。对于指标的选取同样有效,通过研究以期在理论和实例验证中对指标体系的构建工作能有所帮助。     

一种基于Rough集的工程项目投标风险分析方法

针对工程项目投标过程中的不确定性和风险分析问题，从Rough集的基本体系出发，给出投标风险决策分析的知识表达系统，运用Rough集理论和方法对投标风险决策表的属性及属性值进行约简，挖掘其中隐含的知识，从而得出投标风险决策的最小决策算法，帮助决策者迅速对工程项目的投标风险进行评估和预测。     

Rough集理论与KDD中属性约简算法

针对数据库中知识发现（ＫＤＤ）的信息处理问题,给出了信息系统中的Ｒｏｕｇｈ集理论基本概念的形式化描述,并且提出了一种ＫＤＤ中属性约简算法（ＡＲ）,实例表明该算法十分有效。     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题.对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质.这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路.     

Rough集与Vague集集成模型

不确定条件下信息系统的知识获取是智能信息处理研究的一个热点问题。对前一阶段研究工作进行了总结,重点介绍了Rough Vague集与Vague Rough集模型,并分别讨论了这2种模型的代数性质。这些理论与方法对经典Rough集进行了扩展,为不确定条件下Vague信息系统的知识获取提供了新思路。     

Rough集规则知识获取研究中的一不致性问题

讨论数据挖掘问题，即从原始数据中构造规则。重点考虑不一致情况下的规则知识获取问题，即从包含不一致信息的数据取得到缺省规则，并研究在不一致条件下的决策规则选择策略，例之能够在不完全、不一致的条件下进行推理。同时将在Ｓｋｏｗｒｏｎ缺省规则获取算法的基础上，根据对不一致性的分析，提出从包含不一致信息的表中获取缺省规则，并能够对任意待识样本进行处理的方法。     

Rough集理论在网络课程评价体系中的应用

确定客观的符合学科特点的网络课程评价体系对于网络课程的发展有着重要的意义。以往对于网络课程评价体系中各个影响因素的权重的确定方法大多由于人为的干涉而不客观。本文提出了应用Rough集理论确定权重的方法,能够客观地确定各个影响因素的权重。同时可以与专家经验结合,得到符合学科特点的网络课程评价体系中各个属性的权重。     

Rough集理论在网络课程评价体系中的应用

确定客观的符合学科特点的网络课程评价体系对于网络课程的发展有着重要的意义.以往对于网络课程评价体系中各个影响因素的权重的确定方法大多由于人为的干涉而不客观.本文提出了应用Rough集理论确定权重的方法,能够客观地确定各个影响因素的权重.同时可以与专家经验结合,得到符合学科特点的网络课程评价体系中各个属性的权重.     

基于Rough集的数据挖掘中知识变化的研究

在对知识变化问题进行分析的基础上,针对知识本身发生变化的情况,提出一种可以获取变化后知识的方法.首先利用数据集中不一致数据的量是否发生了剧变猜测知识是否发生了变化;然后利用不一致数据的数量发生剧变的时间点来预测知识发生变化的时间点;再利用没有发生剧变的不一致数据来预测变化后的知识;最后给出一个简单的实验方法获取变化后的知识,实验结果验证了该方法的有效性.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点.已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理.结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法.利用该算法可以快速得到海量数据的属性约简结果.仿真实验结果说明了该算法的高效性.     

属性约简在数据挖掘中的应用

讨论了属性约简在数据挖掘中的应用，并通过应用实例证实了其有效性。     

基于相似关系的扩展Rough集理论

本文分析了经典Rough集理论自身的一些缺陷,在此基础上建立了一类基于相似关系的扩展Rough集理论框架,并给出了该理论框架下的数据约简方法。     

Rough集规则知识获取研究中的不一致性问题

讨论数据挖掘问题 ,即从原始数据中构造决策规则。重点考虑不一致情况下的规则知识获取问题 ,即从包含不一致信息的数据中获取得到缺省规则 ,并研究在不一致条件下的决策规则选择策略 ,使之能够在不完全、不一致的条件下进行推理。同时将在 Skowron缺省规则获取算法的基础上 ,根据对不一致性的分析 ,提出从包含不一致信息的决策表中获取缺省规则 ,并能够对任意待识样本进行处理的方法。