基于粗糙集的识别矩阵值简式求取算法DMBVR

针对粗糙集所采用化简决策表的方法中存在着求取属性约简和值简式时重复计算的问题进行了改进. 提出基于识别矩阵得到决策规则值核的方法, 进一步给出基于识别矩阵求取决策规则值简式的算法DMBVR, 并证明DMBVR算法能得到决策表中所有决策规则的值简式, 从而使计算决策规则的值核与值简式的过程变得更加简便、 直观.     

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。     

粗糙依赖约简技术在网络课程评价中的研究

介绍了粗糙集的概念和约简的相关定义,提出了基于粗糙依赖的属性约简算法.通过差别矩阵求核,并计算非核属性粗糙依赖值,从而确定相对属性约简.以远程教学网络课程等级评价为例进行算法验证,并通过基于值核的值约简算法提取决策规则,实践证明得到了满意的结果.     

基于变精度粗糙集的产品配置规则提取及增量式更新

针对传统粗糙集产品配置规则提取方法容噪性较差的问题,应用变精度粗糙集方法,依据产品设计实例数据建立配置决策表,通过设定分类精度,进行了基于决策类下近似的相对属性约简和基于核值属性的值约简,依据支持度获得有效的产品配置规则.考虑设计实例增加对规则提取的影响,采用增量式更新方法对新增决策表进行规则提取,处理新增配置规则与原配置规则之间的重复、包含和冲突关系,依据可信度进行配置规则的更新.以水平定向钻机配置规则提取为例,验证了所提方法的可行性和有效性.     

基于置信规则库推理的多属性双边匹配决策方法

针对具有不确定信息的多属性双边匹配决策问题,引入置信规则库推理方法,提出一种双边匹配决策.首先使用置信度评价信息来解决信息的不确定性、不完整性等问题,其次通过置信规则库推理方法将置信度评价信息转换成等级置信度信息,最后利用等级置信度信息建立0-1规划模型并求得最终的匹配方案.提出截断线性区间映射法用以解决当BRB系统的输入值达到阈值后会对输出产生错误的诱导,采用强行截断的方式将该输入值纳为不确定部分,当不足以采用截断方式时,使用区间映射法来减少对结果的不良影响.实例分析表明,使用置信规则库推理方法解决多属性双边匹配决策问题是可行和有效的.     

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.     

数据挖掘和神经网络技术的电力工程造价应用

提出了一种采用数据挖掘技术和神经网络方法预测和审查电力工程造价问题的模型,应用数据挖掘技术进行数据预处理、属性优选和聚类得到模糊规则,并用改进的BP(back propagation)神经网络模糊系统构建了电力工程造价的预测方法。通过对某市送电线路历史工程样本训练和实例样本计算分析,得到了较好的计算结果,验证了该方法的预测准确性和收敛性,显示了该方法在电力工程造价预测和审查中的有效性。     

基于粗糙集的数据挖掘改进属性约简算法研究

研究基于粗糙集的属性约简算法在数据挖掘规则提取阶段的应用。数据挖掘中对属性进行约简时,经常采用粗糙集,再按照规则进行提取。考察差别矩阵的定义和信息系统比较复杂且核属性元素所占比例较少的情况,改进基于差别矩阵的属性约简算法,利用差别矩阵的结构建立一种新的选择属性的依据。     

高维云模型及其在多属性评价中的应用

提出核空间高维云模型并将其应用于多属性评价问题.基于样本取值范围计算云模型的数字特征,生成云模型表达样本属性值与其属于期望值的隶属度之间的关系.在一维云模型的基础上,建立样本的多属性核空间高维云模型.对核空间内的样本,高维云模型的隶属度取值为1;基于样本在核空间高维云模型中的隶属度对样本进行多属性评价;应用核空间高维云模型,对地理信息系统内选定区域进行评价,选出适合作为观察所的位置,并对选取结果进行分类.该模型的多属性评价效果良好.     

基于内容的发布/订阅模糊匹配路由过滤器

基于模糊匹配的优化思想,设计基于内容的发布／订阅模糊匹配路由过滤器,对基于覆盖路由的模糊匹配过滤器的构造原理、模糊函数的构造和匹配规则、属性的隶属度函数和匹配阀值进行研究,并给出模糊匹配过滤器的算法描述和实验结果。研究结果表明:采用模糊匹配算法对属性进行过滤,可以快速找到符合订阅要求的发布事件消息,有效地提高系统性能。     

入侵检测中双层次模式匹配研究与应用

针对现有入侵检测系统在模式建立与匹配方法中存在的不足,改进了一种入侵检测系统的模式建立与匹配方法.根据数据样本的数据属性特征,采用双层次聚类方法对数据样本进行分析,建立基于行为索引的系统安全模式,避免对数据属性进行分析时,造成数据关键信息的丢失,降低入侵检测系统的误报率和漏报率.     

挖掘关注的语言值关联规则

为了解决利用RFCM算法划分数量型属性，并通过组合语言值进行语言关联规则挖掘中出现的规则数量太多，以及难于获得用户真正关注的规则等问题，提出了一种改进的语言值关联规则挖掘算法。通过最大隶属原则将记录在数量型属性上的取值转换为语言值，然后转换成布尔型属性关联规则挖掘问题。同时，给出一个能够度量语言值关联则简洁性和新奇性关注程度（兴趣度）的计算函数，用于减少选取关注语言值关联规则的工作量。采用本文提出的方法对一组实例数据进行实验，得到了关注程度较高的语言值关联规则。所采用的方法能适用于含有大量数量型属性的数据库，并能有效地获取用户关注的规则。     

基于Rough集的车牌字符识别方法

提出了基于Rough集理论的车牌字符识别方法。该方法根据训练样本的特征向量建立决策表,应用Rough集理论对决策表属性进行约简,从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效减少了决策属性的个数,提高了规则的泛化程度,简化了规则匹配算法,在车牌字符识别中取得了较好的识别效果。     

基于改进属性约简的粗核聚类算法

核聚类算法是一种能够处理样本间差异微弱的有效聚类算法.以粗糙集理论为基础,将基于属性重要度的属性约简算法应用到核聚类算法中,提出一种新的聚类改进算法,由此可以得到高准确率低复杂度的良好结果.该算法在使用核函数对样本优化前,首先用基于属性重要度的约简算法对样本属性进行处理,同时引入信息熵来改进约简算法,从而删除冗余属性得...     

一种基于粗糙集理论的规则核值的扩展算法

应用粗糙集的理论,提出一种基于规则核值的扩展算法。利用该算法对从信息数据进行约简,并求出规则的核值．在规则核值的基础上对规则进行扩展,从而去除规则中的冗余条件,得到更加简化的规则．     

基于支持向量机的景象匹配区选择方法

考虑景象匹配区选择结果与参考图像信息之间的联系与制约,提出了基于支持向量机的景象匹配区选择方法.首先合理选择基于灰度和基于特征的2级测度参数,准确有效地表示参考图图像信息;其次将多个测度参数归一化组成样本集的输入属性向量,并使用去均值归一化算法得到匹配结果作为样本集的输出;最后选择合适的核函数与最佳参数训练样本集数据,得到具有自动区分景象适配区与非景象匹配区能力的决策函数,并用其分类实现任意候选参考图的匹配区选择.实验结果表明该方法具有较大的适应性和抗干扰性,能够对复杂参考图的匹配区选择进行正确决策指导.     

利用粗糙集和支持向量机的银行借贷风险预测模型

将粗糙集和支持向量机相结合,提出利用粗糙集和支持向量机的银行借贷风险预测模型,提高银行个人借贷风险预测精度,为银行判断是否同意借贷提供参考和依据。该模型首先将银行样本数据形成初始决策表,对其进行数据预处理;然后用属性相似度的属性约简算法对决策表进行属性约简,去除冗余属性,获得高效的决策规则;最后将约简后的最小属性作为4种不同核函数的支持向量机学习样本,构建预测模型且进行预测评价对比分析。实验结果表明,使用相同训练样本,高斯核函数的支持向量机预测模型的准确率最高且为93%,说明该预测模型具有较高的精度。通过实验分析,构建预测模型有效地预测了银行借贷风险,且为银行借贷管理提供辅助决策。     

一种基于粗集的模糊神经网络

提出了基于粗集的模糊神经网络(RSNFN),利用粗集理论从数据样本中获取约简的规则集作为模糊神经网络的规则,使得规则数目减少,克服了当输入维数高时,模糊神经网络模糊规则过多,结构过于庞大的缺点.同时利用遗传算法对连续属性的最优离散化值进行寻优,从而获得最优的网络结构.最后用RSNFN方法对催化裂化装置的轻柴油凝点进行估计,取得了良好的效果.     

基于变精度粗糙集的脱机手写体汉字识别

文章为研究脱机手写体汉字识别问题,将汉字样本及其特征向量看作是一个信息系统,采用基于β近似依赖度的属性重要度定义作为启发式信息,设计出在变精度粗糙集模型下的特征属性近似约简算法,对手写体汉字信息系统中冗余特征属性进行约简,构建出脱机手写体汉字识别决策信息系统。识别过程中采用基于加权规则置信度的规则融合方法,进一步提高了脱机手写体汉字的可识别性和正确识别率。实验结果表明,该方法是有效可行的。     

基于双属性节点部分匹配的决策树改进算法

在决策树算法中,即使存在两个"最好"属性,也只是随机选择一个作为根或节点属性.因此,决策树算法产生的分类规则较少.此外,决策树算法采用全匹配测试实例,测试实例最多匹配一条分类规则甚至没有匹配,进而影响分类准确率.针对该问题,提出了基于双属性节点部分匹配的决策树改进算法(DAID3):首先,如果存在两个信息熵相等或相近的"最好"属性,DAID3算法选择两个属性构建节点,它们的属性值及组合作为分枝.因此,每个训练实例可能被多条分类规则覆盖.其次,判断新实例时,在分枝节点上可能匹配到多条路径,为了选择最好路径,为每个分枝节点设置了节点强度.最后,如果不存在一条从根节点到叶子节点的路径全匹配测试实例,则找出部分匹配该实例的路径,返回该路径的终节点强度最大的类标值.为了便于部分匹配时返回强度最大的类标值,为每一个分枝节点设置节点类标值.实验结果表明,与决策树算法相比,DAID3算法具有分类规则多且有更高的分类准确率.