一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

基于聚类分析的决策表约简

基于粗糙集方法提出了一种系统的决策表约简和决策规则提取方法. 为了避免现有属性离散化方法的不足,使用多元统计中的聚类分析,并借助树形图,R2、半偏相关以及伪F统计量,对连续属性进行离散化处理,得到适合粗糙集方法要求的决策表. 在此基础上,简化了基于可辨识矩阵和逻辑运算的传统属性约简算法,并完善了启发式算法进行属性值约简和决策规则提取. 最后,以应用实例验证了该方法的可行性和有效性.     

基于变精度粗糙集的神经模糊网络优化及应用

针对现有神经模糊网络应用中的不足,提出了一种新的基于变精度粗糙集的神经模糊网络优化方法,并讨论了其在复杂系统建模中的应用.将变精度粗糙集理论中的β分类精度作为信息函数,选择条件属性.通过选择适当的精度,对建模数据进行离散化,组成决策表.通过对决策表进行变精度的知识约简,提取重要的属性和属性值,映射到模糊规则中,简化生成的规则,从而有效地优化了神经模糊网络结构,极大地减少了网络的训练时间,且提高了训练精度.将该方法应用于有大量样本数据的非线性时延系统建模,仿真实例验证了此种方法的可行性和有效性.     

基于模糊粗糙集理论的模具数控切削参数优化

在分析模具数控切削加工特点的基础上,提出了切削参数的优化模型．根据实际加工中积累的数据,构造了切削参数与其影响因素的决策表,并对决策表中的属性值进行分析和处理,将语义型属性值转化为离散值,区间属性值转化为模糊区间数．提出了基于模糊相似关系的粗糙集理论规则学习算法,并将其用于优化变量约束范围的规则提取,给出了在一定表面粗糙度范围内切削参数的约束范围．最后,应用遗传算法求解切削参数的最优值．     

属性值和属性变化的增量属性约简算法

针对决策信息系统属性增加且属性值发生细化的情况下如何快速更新属性约简的问题,探讨了基于矩阵方法计算决策信息系统相对知识粒度的增量更新机理,设计了属性增加且属性值发生细化的矩阵增量约简算法。当决策表中的属性值细化且决策表中属性增加时,所提出的增量约简算法与非增量约简算法及其他增量约简算法相比,约简的分类精度变化不大,但是能够大大缩短计算约简的运行时间。最后利用一些UCI数据集做了大量仿真实验,仿真结果验证了所给出的动态属性约简算法能够有效地解决动态数据约简的问题。     

一种针对不相容决策表的属性约简改进算法

研究不相容决策表的属性约简问题.在对现有约简算法局限性分析的基础上,提出一种基于等价划分的属性约简改进算法.该算法不仅从整体上划分了决策表,使其适用范围更广,还使用了过滤矩阵与属性频率重要性的计算方法,提高了算法的效率.最后通过理论证明和实例分析,验证了该算法的有效性.     

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.     

一种改进的基于粗糙集的启发式值约简算法

在求得决策表中属性值核的基础上,用属性重要度指导增加后续属性值,还引入包含度和支持度统计度量,生成了不同置信度水平下的决策规则集,并设计了基于规则集的分类算法。对Monk数据集的对比实验表明,该算法是有效的。     

一种基于连续属性离散化的知识分类方法

提出一种基于连续属性离散化的知识分类方法.将条件属性按照重要度由高到低排序,并依照此排序将决策表中各条件属性依次离散化.在对决策表中条件属性的离散化过程中充分考虑已离散化的条件属性及决策属性,离散后的决策表不需要进一步约简.使用了模拟数据和UCI机器学习数据集中的数据进行算法测试,而且与其他离散化算法进行了对比,结果充分证明了新方法的有效性.     

连续值域决策表的属性约简算法

结合模糊聚类技术与粗糙集理论，首先给出了一种求连续属性重要性的方法，然后由粗糙集中属性约简思想，给出连续值域决策表的属性约简算法，最后通过实例说明该算法的有效性。     

矿山设备选型的多属性决策模型

为了选择到性价比最优的矿山设备,综合考虑设备的多个属性,建立多属性决策模型。该模型以属性标准化为基础,利用模糊粗糙集确定属性权重,比较设备的属性值与参考值,最终确定与期望值偏离最小的方案为最优方案。以购买气动凿岩机为例,分析多属性决策的有效性。结果表明：该模型能够综合平衡各个指标,设备排序明确合理,优化了矿山设备的选型决策。     

一种基于粗糙集的区域交通绿时控制方法

本文根据一种基于粗糙集理论的数据挖掘方法,以路口检测数据为研究对象,通过记录数据形成原始的决策表,后通过改进的Semi Naive Scaler算法对原始决策表进行数据预处理,最后对数据预处理后的决策表采用基于可辨识矩阵的属性频度的启发式约简算法进行属性约简,得出的约简结果为关键的属性,即关键的相位,根据程序实现结果为道路决策部门提供依据。     

基于粗集和模糊集的启发式规则约简算法研究

提出了一种新型的决策规则约简方法。基于均匀划分和正态分布隶属度函数,对决策表的连续属性进行模糊化,用欧氏距离贴近度来构建相似矩阵,并提出了一种论域的模糊划分算法;依据粗糙集隶属度进行属性约简的基础上,给出了一种决策规则约简算法,从而达到发掘知识并简化知识的目的。     

粗糙集文本分类的应用研究

文章提出了一种利用粗糙集理论生成文本分类规则的方法.首先,抽取特征词并计算权重.然后,在权值离散化之后,构造决策表.其中,特征词作为条件属性,类别作为决策属性.之后,将文本用属性约简和属性相对约简进行处理,得出决策规则.最后给出分类算法.     

基于决策支持度的不完备信息系统约简算法

提出了一种基于决策属性支持度的属性相对约简算法。通过引入决策属性支持度对不完备决策表中属性的重要性进行了定义,并以此作为启发信息进行属性的选择,该算法的时间复杂度是多项式的。寻找决策表中最小相对约简问题是典型的NP-hard问题,采用该算法可降低问题复杂度。通过实例说明,该算法能得到不完备决策表的最小相对约简。     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论,提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性, 在保证决策表原始分类能力不变的前提下,按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉,从而将条件属性离散化。同时给出了该算法的时间复杂度分析,并通过实例分析验证了算 法的有效性和实用性。     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。