变精度粗糙集模型

针对基本RS模型的不足，介绍了变精度粗糙集模型，并讨论了它与基本RS模型的关系。最后，定义了变精度粗糙集模型上的属性近似依赖、近似约简。     

近似空间映射与属性约简算法

信息系统作为一种基本的数学模型广泛应用于人工智能的各个分支，例如分类问题、专家系统、决策支持、上下文分析和数据挖掘．而属性约简是信息系统研究的基本问题．文章提出了近似空间映射（ASM）的概念，并讨论了它与属性约简的关系，提出了基于ASM的属性约简新算法．     

基于属性质量度的变精度邻域粗糙集属性约简

变精度邻域粗糙集相比于邻域粗糙集具有抗噪容错的能力,但由于重新定义了下近似,正域的划分不再严格,使得属性重要度的可信度降低,在精度改变的情况下无法优先选取最优的属性.针对这一问题,分析变精度邻域粗糙集的下近似,引入邻域内的正确分类率,定义属性质量度,提出一种基于正域的增量和平均正确分类率的增率相结合的属性度量方法.通过和现有的基于属性重要度的属性约简算法做比较,实验结果表明,改进后的属性度量方法对变精度有更好的适应性,在不同变精度阈值下能得到更优的约简结果.     

变精度粗糙集模型与应用

介绍了Ziarko变精度粗糙集模型、β约简和广义变精度粗糙集模型;讨论了广义变精度粗糙集模型β上、下近似算子的基本性质,分析了该模型与Ziarko变精度粗糙集模型之间的关系,最后用实例分析了β约简过程.     

基于逼近精度的一个粗糙集属性约简算法

４３（２０００）０１－０００７－０４摘要：根据信息表中相对每个条件属性的集合和划分的粗糙逼近精度,给出衡量属性重要性程度的一种准则．在此基础上,提出了信息表属性约简的一个较为简单有效的算法．     

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．     

基于程度粗糙集模型的近似约简和近似相对约简

知识约简是在保持知识库分类能力不变的务件下，删除其中不相关或不重要的知识，它是粗糙集理论的核心内容之一。基于程度粗糙集模型提出了知识的近似约简和近似相对约简的定义，并且讨论了它们的一些相关性质。近似约简和近似相对约简是Pawlak粗糙集模型下的约简和相对约简的推广，它们能够在一定误差允许下约简更多的知识，使问题更加简化，同时也为获取近似决策规则奠定了基础。     

关于变精度粗糙集模型近似算子性质的一点注记

通过引进一对新的增值算子,对变精度粗糙集模型的部分性质进行推广,把并与交的β上下近似集之包含关系推广到相等关系(定理2).     

一个改进的粗糙集属性约简算法

利用单属性的逼近精度 ,在Jelonek属性约简算法的基础上 ,得到一个改进的属性约简算法 .实例计算结果表明 ,在获得同样的属性约简的情况下 ,该算法与Jelonek算法相比 ,计算量较少 ,提高了计算速度 .     

关系决策系统的属性约简模型

针对经典粗糙集理论在知识约简中的局限性,本文研究关系决策系统的知识约简概念．给出关系决策系统的几种协调集和相应约简的定义,并给出它们之间的关系,并通过三个具体实例来加以说明．     

一般关系下的变精度粗糙集模型

通过分析一般关系下基本粗糙集模型的不足,定义了一般关系下的多数包含关系,借助引入的误差参数α(0≤α＜1/2),给出了一般关系下的变精度粗糙集模型.在该模型中,当α=0时,退化为一般关系下的基本粗糙集模型(Z.Pawlak模型);当|Rs(x)|·α=k时(|Rs(x)|表示元素x后继邻域Rs(x)之基数,k为非负整数),退化为常见的程度粗糙集模型.通过它与一般关系下基本粗糙集模型(Z.Pawlak模型)的比较,可以看出,在引入误差参数α后,能够使尽可能多的有用信息被提取、挖掘.从而克服了基本粗糙集模型中由于要求绝对精确的包含关系而使大量有用信息丢失的现象,并讨论了所给模型的一些性质.最后,在所给模型基础上讨论了一种广义近似空间中集合的相对可辨性、近似依赖和属性约简.     

类别近似质量约束下的属性约简方法研究

利用近似质量作为度量标准,借助启发式算法求解约简,其本质是根据近似质量的变化情况来找出冗余属性,但这一方法其并未考虑每一个决策类别所对应的下近似集合在约简前后的变化程度.鉴于此,提出了一种基于类别近似质量的属性约简策略,其目标是使得每一个类别的近似质量都满足约简的约束条件.借助邻域粗糙集模型,在UCI数据集上将传统约简策略与类别近似质量约简策略进行了对比分析,实验结果不仅验证了类别近似质量约简策略的有效性,而且表明这种策略依然能够满足传统约简的约束条件.     

加权变精度直觉模糊序信息决策表的近似约简

以直觉模糊信息表为背景,利用粗糙集和模糊集,旨在筛除信息表中冗余的属性,提出获取决策规则的近似约简方法 .首先,通过在直觉模糊集中引入带权重评分函数来定义加权直觉模糊序关系;进一步,为了提高模型分类的容错率,结合变精度粗糙集模型构建加权变精度直觉模糊序决策信息表;接着,在该决策表中提出上、下近似约简的判定定理和可辨识矩阵,进而生成两种求解上、下近似约简的方法;最后,通过具体案例和数值实验分析验证了该方法的有效性.     

决策表的最近近似约简

属性约简是粗糙集理论研究的核心内容之一．为此,在提出了最近精确集概念的基础上,研究了决策表属性约简方法一最近近似约简．数值例子表明,该方法简单有效．     

基于粗糙集属性约简的模糊模式识别

通过运用粗糙集归约理论对资料进行浓缩和筛选，略去不必要的属性，简化数据。用模糊模式识别确定对象应当归属的模式，给出其对于各个模式的相对隶属度，从而达到分类目的。经实例计算，得到了较好的结果。     

决策表的最近近似约简

属性约简是粗糙集理论研究的核心内容之一,为此,在提出了最近精确集概念的基础上,研究了决策表属性约简方法一最近近似约简．数值例子表明,该方法简单有效．     

变精度意义下的优势约简

属性约简是粗糙集理论与方法的研究热点,是一种重要的降维方法.将经典变精度粗糙集模型与优势关系粗糙集模型相结合,定义了优势关系下的β近似集合和β分布协调集的概念,并给出了基于β分布协调集的可辨识属性矩阵定义,提出优势关系下的变精度属性约简方法.通过实例分析,说明了该方法的可行性.     

遗传算法在粗糙集属性约简中的研究

在粗糙集理论中,决策表的属性约简是一个非常重要的研究课题。通常人们期望找到最小属性约简,而遗传算法根据个体适应值动态地调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

变精度粗糙集模型及其一个性质的推广

在[7]的基础上,对变精度粗糙集模型的部分性质进行了推广,即通过引进一对新的算子,把并与交的β上下近似集之包含关系推广到了相等关系,从而得到了更好的结果.     

变精度粗糙集模型及其一个性质的推广

在[7]的基础上,对变精度粗糙集模型的部分性质进行了推广,即通过引进一对新的算子,把并与交的β上下近似集之包含关系推广到了相等关系,从而得到了更好的结果。