基于粗糙集理论的复方拆方研究

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策和分类规则．因此，将粗糙集理论引入复方拆方，将有助于从复方配伍的动态性和不确定性的本质上去深入而确切地开展方剂配伍规律的量化研究，从而改变药味与药效之间的分离状态．     

基于混合核函数SVM骨性关节炎中药分子的辨识模型

以骨性关节炎中药复方为例,提出一种用于识别骨性关节炎中药复方中活性药物分子的SVM分类器.针对单核函数SVM的局限性,提出将全局核函数和局部核函数混合构造,并应用到SVM模型建模中,改善SVM分类器的非线性处理能力和泛化能力.利用混合核分类器对中药复方精制透骨消痛颗粒中514个化合物进行活性识别,得出复方中具有相关药物活性的中药分子.该实验结果为骨性关节炎药物分子的对接实验和骨性关节炎中药有效成分的发现提供科学数据.     

基于粗糙集的数据挖掘算法的研究

本文研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法。首先对信息系统的数据加工泛化,构造其二进制可辨矩阵。对矩阵进行化简得到属性约简并生成规则。最后,结合银行申请信用卡的实例利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

基于粗糙集的数据挖掘属性约简算法研究

粗糙集理论是一种研究不完整、不确定知识处理的数学工具,属性约简是粗糙集理论的核心内容之一.阐述了粗糙集理论的基本思想,给出了一种启发式的最小约简算法,通过一个实例,分析说明算法的可行性和有效性.     

基于蚁群算法骨性关节炎中药分子的分子对接研究

对治疗骨性关节炎的中药分子进行计算机分子对接研究,并对实验结果进行分析.对接过程中使用DOCK的评分函数进行能量计算,用蚁群算法改进对接的构象搜索过程并用均匀设计法确定蚁群算法的合适实验参数.实验数据来源于治疗骨性关节炎中药中的药物分子,选择5个分子与相应的靶标分子进行对接,实验结果与改进前使用单纯形方法的结果进行对比,时间及精度性能指标上都有所改善,显示蚁群算法用于优化对接过程中的构象搜索是有效的.     

基于基因表达式编程的粗糙集属性约简研究

属性约简是粗糙集理论中的核心问题,如何能够快速且有效删除其中不相关的或不重要的属性是当前所迫切需要的研究。针对这一需要,本文提出一种基于基因表达式编程的属性约简算法,该方法具有较快的收敛速度和不易陷入局部最优的优点。实验表明,这一方法能够快速有效地求出最小约简。     

基于粗糙集理论的表情识别研究

包括情感计算和情感识别在内,以人为中心,对人的情感和认知的研究是目前人工智能领域的一个热点研究方向.以粗糙集理论为基础,研究了粗糙集属性约简算法,并把粗糙集属性约简算法作为一种人脸表情识别系统的特征选择方法,对人脸表情识别的重要特征进行研究,并提出了一种RS+SVM的人脸表情识别方法.仿真实验结果表明,粗糙集属性约简算法能发现人脸表情的重要特征,并基于这些特征可以得到很好的表情识别结果.     

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。     

基于贝叶斯粗糙集模型的属性约简算法

在分析贝叶斯粗糙集模型已有的约简算法的基础上,从含有多个决策类情况下的全局相对增益函数的角度,利用二进制编码方法给出一种求贝叶斯粗糙集所有约简及核的算法,并基于实际应用,给出对求出的所有约简进行筛选的拓展算法。通过算例说明算法的实用性和有效性。     

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。     

基于误分类代价的粗糙模糊集近似集

粗糙模糊集的近似集提供了如何利用已知的信息粒来近似描述模糊知识的方法,但在构建近似集时并没有考虑误分类代价这一实际因素.针对此问题,从误分类代价的角度,提出了粗糙模糊集的近似表示R(X),并揭示了多粒度知识空间中不确定性域对应的误分类代价随着粒度细化的变化规律.实验结果表明,R(X),R(X)和R(X)分别作为X的近似集时,R(X)产生的误分类代价最小,在一定程度上反映了R(X)作为近似集时的优势.     

基于粗糙集理论的试卷质量评价分析

将粗糙集理论应用于试卷质量评价分析中, 通过对试卷质量评价指标、试题重要性和试题冗余信息的分析, 应用粗糙集的属性约简及属性重要性等概念, 给出了独立指标的权重计算方法, 建立了基于粗糙集理论的试卷质量综合评价分析模型, 为提高教学质量管理提供参考.     

基于粗糙集的客户市场细分算法

针对客户市场细分问题进行了研究。依据粗糙集理论,以信息表中条件属性与决策属性的一致性原理为基础,以超立方体、扫描向量为数据计算对象,进行数据离散化和连续型属性约简,实现了数据预处理;在此基础上,以集合差异度指标为约束条件,运用集合特征向量加法法则最终实现客户市场细分。在实验中,连续属性离散化和冗余属性约简有效地减少了计算数据,便于客户市场细分的实现,提高了客户市场细分的效果。研究结果表明该客户市场细分算法是有效可行的。     

基于粗糙集的供应商评价选择

针对传统的供应商评价选择方法不能有效处理不完备数据信息、没有充分利用以前的评价结果等不足之处, 将粗糙集理论中的规则提取技术和知识库构造技术应用到供应商的评价选择方法之中,依据供应商综合评价指标体系的设置原则,建立了相应的供应商综合评价指标体系,按照数据获取、初始决策表构建、数据预处理、建立区分矩阵、构造区分函数、属性约简、决策规则获取、值约简、最优决策规则获取、知识库构造、供应商分类的处理过程建立了基于粗糙集的供应商评价选择模型.最后以某企业的供应商数据为例进行了实证分析,通过模型得到的决策规则是合理性的,证明模型的有效性和可行性     

基于粗集理论的决策分析

管理信息系统建设的重要目标之一是利用系统运行所积累的数据辅助用户进行决策分析 ,因此从数据中挖掘隐含的知识是建立决策系统的基础。粗集理论是知识发现的基础理论之一 ,是目前在知识发现领域研究最活跃的技术之一。文章从粗集的基本体系出发以优化疾病治疗方案为例 ,探讨其在决策分析中的应用     

中草药复方祛痘凝胶的研制及功效评价

采用正交试验设计,通过对DPPH·自由基清除率、透明质酸酶抑制率、睾酮转化率以及对金黄色葡萄球菌抑菌作用的测试,优选出黄连、黄檗、黄芩、大黄水提液的最佳复配比,制备一款祛痘凝胶,并对该凝胶的感官和理化指标及功效进行测试,对试用者的祛痘效果进行跟踪研究和问卷调查,结果表明:该祛痘凝胶质地清爽、肤感舒适、无刺激,具有较好的祛痘功效.     

Clustering of Web learners based on rough set

The demand for individualized teaching from Elearning websites is rapidly increasing due to the huge differences existed among Web learners. A method for clusteringWeb learners based on rough set is proposed. The basic ideaof the method is to reduce the learning auributes prior to clustering, and therefore the clustering of Web learners iscarried out in a relative low-dimensional space. Using thismethod, the E-learning websites can arrange correspondingleaching content for different clusters of learners so that thelearners‘ individual requirements can be more satisfied.     

基于邻域粗糙集的主动学习方法

主动学习是机器学习领域的重要研究方向.现有主动学习方法通常选择不确定性的或具有代表性的样本供专家打标,然后添加到已标记的数据集中供分类器学习,但没能充分利用数据的分布信息,并且在野点采集问题上有待改进.结合邻域粗糙集理论,提出了一种基于邻域粗糙集的主动学习方法(neighhbor rough set active learn-ing,NRS-AL).实验结果表明,在加州大学数据集(university of CaliforniaIrvine,UCI)上,该算法充分利用了数据的分布信息,同时结合样本的不确定性和代表性计算,处理了野点的选择,是一种能有效解决主动学习样本选择问题的算法,在accuracy,受试者工作特征(receiver operating characteristic curve,ROC)曲线下面的面积(area under curve,AUC)指标上优于文献中的主动学习算法.