一种基于反区分矩阵的多维关联规则挖掘方法

针对多维数据集的关联规则挖掘,提出了一种基于反区分矩阵的方法.首先由数据集同步得出区分矩阵和反区分矩阵,然后根据区分矩阵进行属性约简,再根据反区分矩阵找出约简后的频繁项集,最后给出关联规则.通过区分矩阵和反区分矩阵将属性约简和关联规则挖掘联系起来,减少了计算步骤,且算法只需扫描数据集一次,避免了繁琐的连接操作.应用实例表明该算法是一种合理有效的关联规则挖掘方法.     

基于优势关系粗糙集的规则生成算法

针对现有的基于优势关系粗糙集的规则生成算法存在运行效率低的问题，提出了一种基于多个优势差别矩阵的规则生成算法，突出不同决策类之间的差别信息，在得到精简规则集的同时，能够提高规则生成效率．通过实验与其他规则生成算法加以比较，表明该算法在平均性能方面优于其他算法．     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类，挖掘效率低．为此，本文引入相容关联规则和决策关联规则的概念，提出基于关联规则的缺省规则挖掘算法——DRMBAR，该算法借助FP-tree存储结构挖掘出决策关联规则，并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率，且克服了传统算法依赖于主存的限制，为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。     

基于区分矩阵求决策算法的约简

利用区分矩阵的特点，给出了另一种求决策表的属性约简与属性核、决策规则的约简与核的方法，进而给出了一种求决策算法约简的方法，这种方法简单易行，尤其在求决策规则约简时更体现了它的优越性。     

基于区分向量的不完备决策系统属性约简算法

区分矩阵是属性约简的一种有效方法.针对不完备的决策系统,定义了区分矩阵的概念,给出了区分矩阵构造方法,并根据区分矩阵稀疏性的特点,定义了区分向量的概念,在此基础上,给出了一种基于区分向量的不完备决策系统属性约简算法.最后,采用恒星光谱数据,实验验证了该算法的有效性.     

基于区分矩阵和区分函数进行属性约简的数据分类

数据分类的方法直接影响着分类效果。用粗糙集理论中的区分矩阵和区分函数进行的属性约简可以很好地用于数据分类当中，基于此，提出一种数据分类方法，即用区分矩阵和区分函数约简掉信息系统中的冗余属性，得到必要的属性集；然后再约简掉每一条规则中的冗余属性值，提取出决策规则，最后按照决策规则进行分类。实验证明，用该方法实现的数据分类复杂馋低，且能有效提高分类效果。     

基于粗糙集带结论域的关联规则挖掘算法及其优化

针对Apriori-Hybrid算法的瓶颈,提出了一种使用支持度矩阵对频繁2项集快速挖掘的方法,采用改进的Apriori-Hybrid算法来挖掘关联规则,试验证明该算法提高了关联规则挖掘的效率和质量．     

基于优势关系粗糙集的地震数据约简和规则提取

针对现有的基于不可分辨关系的数据约简算法在地震数据处理中存在的缺点,提出一个新的优势区分矩阵的定义,并在此基础上给出相应的具有更好约简效率的数据约简算法和规则提取算法.在运用该算法对全国小震目录数据进行的实验中,从上海市地震局提供的44 381条样本数据中挖掘出272条确定性规则,取得了有实际意义的结果.     

一阶常微分方程组的一个有效解法

对于一阶常微分方程组,将具有导数变量的系数矩阵作三角化分解,使其简化成单位矩阵．应用具有三阶精度、单步自起步、无条件稳定的隐式算法对一阶常微分方程组进行了简化,改进了Calahan算法．其中逆矩阵与矩阵的乘积,是通过矩阵三角化回代求解计算,从而回避了矩阵求逆．该算法保留了原方程组系数矩阵的稀疏存储方式和稀疏矩阵的运算规则,减少了计算时间和运算过程所需要的存储空间．     

不完备信息系统下的一种概率属性约简算法

不完备信息系统中的属性约简一直是粗糙集研究领域的一个难点．在不完备信息系统中,用以往的属性约简算法得到的约简结果中,某一属性要么属于该约简,要么不属于该约简．但在实际生活中,当属性以比较大的概率可区分两对象时,这就表明该属性可能以某一概率属于约简结果．基于这种想法,文中通过构造概率区分矩阵,并在此基础上给出相应的区分函数,提出了一种概率属性约简算法,分析了算法正确性．从该算法得到的约简,可以看出各属性属于约简的可能性．最后用实例表明该算法是有效和可行的．     

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.     

数据挖掘分类问题的贪婪粗糙集约简算法

基于贪婪算法和粗糙集方法,给出了一种处理数据挖掘分类问题的属性约简算法:贪婪粗糙集约简算法GRSR;在测试中得出的约简集为原始集的1/3,表明了它是一个有效的算法·其想法是:从初始约简集为空集开始,选择使分类质量最大的属性,将它加入约简集;再从余下的属性中选择使分类质量最大的属性并加入约简集,重复直至找到满意的约简集·     

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.     

—种改进的启发式属性约简算法

文章对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题。针对这一不足,在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法。提供了实例分析,验证了该改进算法具有较好的约简效果。     

基于辨识矩阵的属性集重要度评价方法

在决策表中,为了评价某条件属性的重要性,不但要考虑这个属性（单一属性）相对于决策属性的重要性,还要考虑该条件属性与其他条件属性构成的属性集的重要性。本文在属性集依赖度比单一属性依赖度更加可信的事实基础上,提出了一个基于辨识矩阵的属性集重要度评价方法。该方法能够较快地获得分辨矩阵,并直接求出属性集的依赖度,从而大大降低了算法的时间复杂度。实例验证了该方法具有较好的有效性和较低的时间复杂度。     

分类算法中基于差别矩阵的属性约简方法

差别矩阵中会出现大量的重复元素占用大量内存,当数据太稠密时,构成的差别矩阵太大不容易操作且计算代价较高。本文提出了一种基于简化差别矩阵的属性约简算法(SDMAR),在属性约简之前,通过计算属性相似度,对属性进行了合并操作,得到简化决策表。根据简化决策表构造差别矩阵,计算差别矩阵中出现次数最多的属性并删除包含该属性的元素,当差别矩阵为空时终止操作,以达到对决策表属性约简的目的。通过算法及实例分析得到属性约简过程的时间复杂度有所减小。     

优势关系下模糊目标信息系统约简的辨识矩阵

约简是知识获取的重要方法之一,基于等价关系的粗糙集约简理论的研究已比较深入,而优势关系下约简理论的研究还比较少。定义了模糊目标信息系统在优势关系下的5种属性约简,并且给出了它们的判定定理和可辨识矩阵。证明了辨识矩阵对应的辨识公式给出的解就是所求约简的全体.最后通过一个例子说明如何用辨识矩阵算法求属性约简。     

基于ACO及PSO的特征选择算法

在属性约简的进化算法中,算法时间存在复杂度高、搜索空间大等不足.为此文中引入最小冗余度的属性重要性后,提出一种基于蚁群优化(ACO)和粒子群优化(PSO)的进化特征选择算法,利用PSO算法的快速简洁等优点得到ACO的初始路径,以此减少迭代次数,加快算法的收敛速度;同时,利用蚂蚁之间的可并行性,采用分布式技术实现蚂蚁之间的并行搜索,改进了算法的效率.理论分析及实验结果表明,文中的算法是有效可行的.     

分辨矩阵与知识粒度的应用

粗集理论是一种新的软计算方法，可以有效地分析和处理不完备信息，本文介绍了知识的粒度和属性的重要度等概念，得到了Skowron的分辨矩阵若干定理．利用这些结果，提出计算知识粒度和属性重要度的新方法，给出这些方法的应用，应用例子表明本文提出的方法的有效性．     

利用逻辑扩展计算二终端网络可靠度

利用布尔代数和不交和等方法提出了计算二终端网络可靠度的一个有效算法．运用简单方法将矩阵逻辑扩展中出现的大量的相同矩阵,进行合并,减少了矩阵数,从而有效地减少了运算时间．该算法推广和改进了S.Rai等在文献[1]中给出的计算二终端网络可靠度的算法．