不完备信息系统中改进的LEM2算法

针对LEM2(Learning from Examples Module,Version 2)算法处理不完备信息系统的局限性,从规则提取的质量和效率两个方面对其进行改进,提出改进的LEM2规则提取算法.基于集对理论,引入集对势容差关系和基于集对势容差关系的扩充粗糙集模型,将该模型和LEM2算法相结合,提高规则提取的质量;定义冗余的属性-值对集合,在规则提取过程中,从候选属性-值对集中直接删除冗余的属性-值对,避免反向消除步骤,加快算法的收敛速度,提高规则提取的效率.最后通过仿真实验,证明了改进LEM2算法用于不完备信息系统规则提取的有效性.     

不确定决策系统及其一种粗糙集方法

提出一种用于多决策属性和决策属性可能取空值的不确定决策系统规则提取的粗糙集方法,并给出了求其广义决策函数的算法．     

一种新的不完备信息系统属性约简算法

针对不完备信息系统提出一种基于粗糙集理论的属性相对约简方法。利用粗糙集等价关系的扩展,即容差关系为基础提出容差关系相似矩阵的概念,通过引入广义决策函数的限制来解决不完备信息系统约简的不一致性问题,通过容差关系相似矩阵求不完备信息系统的核属性,利用属性在容差关系相似矩阵中出现的频率给出了属性重要度的计算公式,利用属性重要度为约简的启发式规则,并运用折半启发式算法减少扩展次数,提高约简速度。实验表明该方法简单、有效。     

广义相似关系下的不完备信息系统粗糙集模型

为了更好地从含有杂合数据和不完备数据的信息系统中提取合理的规则知识,构建基于广义相似关系的不完备信息系统粗糙集模型.其步骤为:针对决策信息系统中存在杂合数据的情况,并对决策信息系统中所存在的不完备信息进行细致区分,给出广义相似关系的定义;通过提出上、下广义相似划分的上、下近似的概念,给出2种划分意义下的属性约简和规则知识提取策略;最后,在理论上对该扩展粗糙集模型的正确性进行相关证明,并用实际算例进一步验证该模型的有效性和优越性.     

不完备信息条件下基于Roustida改进算法的诊断规则提取

诊断决策过程本质上为信息的处理过程。由于信息结构的复杂性和采集的局限性使得获取的信息存在缺失、模糊、冗余等不完备现象,从而影响诊断的准确性。为此,对条件属性冗余、部分数据值缺失情形下,如何提高被诊断信息的完备性开展讨论,试图通过问题聚类探寻诊断决策所需的隐含规则,提出信息补齐与属性约简的知识挖掘方法：首先,针对Roustida算法在缺失值处理时存在的局限性进行改进,扩充其在工程实践中的适用范围,使缺损信息趋于完整;然后,利用遗传算法和广义诊断规则推理实现条件属性约简和规则凝练;最后,以质量问题诊断为对象进行了案例研究,测试样本诊断结果覆盖度 ,验证了不完备信息条件下该方法可以实现以相对较简方式表达问题与情境信息之间的关联关系,挖掘问题发生的隐含规律。     

基于决策表的粗糙集属性约简算法改进及应用

针对决策属性集合中只存在两个决策集合的情况,为简化决策属性的表达和计算复杂度,提高约简效率,提出一种改进粗糙集决策表的属性约简算法。该算法以条件属性对决策属性的支持度为基础,采用新的约简规则,基于可分辨矩阵的启发式算法,根据属性重要度改进属性约简算法。以高新技术企业智力资本测量指标体系为例,得到了高新技术企业智力资本的最小约简集。结果表明,该约简算法能够得到一个完备的最小约简集,并能显著提高求解约简集的效率。     

基于属性重要度的粗糙集规则提取方法

对Rough Set理论中的规则提取问题进行了研究，以利于信息不完备决策问题的解决．算法假定给定一个重要性阈值的前提下，将属性重要性进行比较．如果比此阈值小的属性则可省略，根据约简表则可得到相应的决策规则．文章还给出了一个计算实例说明了算法的计算过程．     

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.     

多值背景的属性约简及其上的函数依赖提取

提出了一种多值背景的属性约简及其上的函数依赖提取算法.该算法分为两部分:(1)对属性进行约简,进而可以去掉一些不重要的属性;(2)将多值背景转换为单值背景,然后基于形式概念分析理论来获取原多值背景中的函数依赖.最后通过实例验证了该算法的有效性.     

压电合成射流激励器LEM方法研究

基于线性复合平板理论,将机-电-声等效方法应用于压电合成射流激励器,建立了激励器的集总参数模型(LEM).借助ANSYS软件和Matlab软件提取等效模型的关键参数,并使用Matlab软件对合成射流激励器的LEM模型进行了仿真.仿真结果与实验测试值进行了对比,两者吻合得较好.与传统仿真方法相比,所提出的LEM方法具有操作简单、耗时短、占用资源少和效率高等优点.      

基于粗糙集理论的入侵检测的研究

为了提高入侵检测效率,文章提出了基于粗糙集理论的入侵检测模型,通过应用LEM2和Decomposition Tree算法进行粗糙集的约简,得出了当训练数据集太多时,要对其进行分类和生成规则,必须使用分解树算法来处理的结论。并且实验证明,Decomposition Tree算法对U2R和R2L的某些攻击类型也有较好的检测率。     

一种变粒度的规则提取算法

属性约简和值约简是粗糙集理论中知识获取的重要组成部分。通常,在知识获取的过程中先进行属性约简,然后在其基础上进行规则提取。但在实际应用中,属性约简在简化信息系统与提高规则提取效率的同时,原始信息系统中有些重要的条件属性可能被丢弃,从而导致属性约简后对信息系统进行知识获取得到的规则其数量与简化程度并不占优。针对上述问题,提出一种基于粒度变化的规则获取算法,通过属性粒度从粗到细的变化,直接从原始信息系统中提取规则;采用该方法得到的规则与属性约简后得到的规则相比,它们的数量与平均每条规则包含的特征属性数相对较少。最后,在理论分析的基础上,通过实例验证了算法可行性,并通过实验验证了算法的正确性和高效性。     

G(o)del系统中一种降级算法及性质

与G(o)del系统中广义重言式之间的一种升级算法相对应,作者给出了G(o)del系统中广义矛盾式之间的一种降级算法,对其基本性质进行了讨论,并讨论了G(o)del系统中关于广义矛盾式理论的广义语义MP规则与广义语义HS规则,为进一步对G(o)del系统的研究提供了帮助.     

基于极大团的不完备系统规则获取方法

针对不完备决策系统的规则提取问题,提出一种基于极大团的不完备系统规则获取方法.引入图中极大团概念定义相容块构造范式,将其等价转换为极小析取范式后得到不完备系统全体极大相容块,收集每一相容块最全描述即可生成极大相容块最全描述系统,进而为最全描述系统中的每一对象构造决策分辨范式得到与该对象对应的全体可信关联规则.该方法具有2个特点:针对系统中每一基本信息粒自动生成基准置信参数,避免了预设固定参数而遗漏置信度小于此参数的部分有用规则;将决策分辨范式等价变换为其极小析取范式,避免了采用特定顺序选择属性而遗漏部分有用规则.将该算法应用于某保险公司私家车客户车险数据和UCI不完备数据集,实验结果与数据分析说明了该算法的分类预测性能.     

一种新颖的最小属性约简模型

传统的基于粗集的属性约简须计算差别矩阵并生成大量的条件属性类,效率低,且很多算法还不完备．为此,本文引入分类关联规则和相容分类关联规则的概念,给出基于分类关联规则的求解下近似和正区域的等价方法,从而提出基于分类关联规则的属性约简模型和算法,该模型将属性约简问题转化为求解一类特殊的分类关联规则集的问题,因而使得相应的算法可有效地改进属性约简挖掘效率,克服传统算法依赖于主存的限制,为属性约简提供了一种新的框架．理论分析表明该算法是有效且可行的．     

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。     

大数据集上基于串行进位链规则提取的矩阵分块算法

分析现有等价矩阵规则提取算法对于大数据集低效性的根源,提出了一种新的等价矩阵以及根据决策类数目分割大数据集的方法,将条件属性和决策属性等价矩阵合并为一个矩阵,称为联合决策矩阵,该矩阵大大降低了等价矩阵的规模;提出了将大数据集转化为在多个子系统上串行进位链计算流程的规则提取快速矩阵算法,充分体现了人工智能领域中分而治之的思想.理论分析表明该算法在效率上较现有算法有显著提高;相应的对比实验结果表明,这种分治策略的矩阵分块和串行进位链法对大数据集上的规则提取的实用性和高效性.     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

分级在线自组织学习的GD-FNN算法研究

提出了基于椭圆基函数(EBF)的广义动态模糊神经网络(GD-FNN)算法。算法提取的模糊规则具有很好可理解性,可以作为建模工具,也可以作为知识提取的工具。广义动态模糊神经网络由于基于模糊ε-完备性,同时提出了一种新颖的在线参数分配机制,从而缓解了初始化的随机选择,且与输入变量不同值域没有关系,因而更容易构造一个较好性能的模糊系统。开发了仿真程序,对具体案例进行仿真,取得了较为理想的结果。     

基于偏序关系的粗糙集规则提取方法

规则提取算法中通常先约简属性再约简属性值,但该算法当属性数量增多时,会增加约简的复杂性,从而影响规则提取的速度.针对此问题,本文提出了一种基于偏序关系的粗糙集规则提取方法.首先,在不同粒度的知识空间上建立偏序关系;然后,利用各知识空间中隐含的属性冗余度作为启发式信息,对冗余属性进行逐层约简;最后,在约简后的属性集上提取决策规则.实例表明,该方法降低了属性约简的复杂性,提高了规则提取的速度.