基于模糊相似矩阵的分类方法

粗糙集理论是一种处理不确定性问题的有力工具，它假定知识是一种对对象进行分类的能力，分类是推理、学习与决策中的关键问题，传统粗糙集所基于的是不分明关系，这往往使得分类过细，因而笔者探讨一种基于模糊相似矩阵的分类方式，把传统的等价关系弱化为模糊等价关系，从而可得到更具表达力的粗糙集模型。     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.     

多粒度模糊粗糙近似算子的信任结构与属性约简

多粒度是近年来粗糙集领域研究的一个热点方向, 为使多粒度模型更适用于实际数据, 提高模型的可用性, 模糊思想被引入到多粒度粗糙集模型中。本文构建了基于模糊相似关系下的多粒度模糊粗糙集模型, 并建立了模糊信任结构。在该信任结构下根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。研究多粒度模糊粗糙集在模糊等价关系下的属性约简, 并给出相关算法。     

模糊信息系统上的粗糙约简

:基于粗糙集理论和模糊等价关系,提出了模糊信息系统(FISs)在不同粒度划分上的知识约简方法和属性重要性度量.这些约简利用了2个水平划分参数(或对象相似度)α、β,其中相对约简与属性重要性度量采用了决策类的水平集正区域公式.利用水平集粗糙成员函数得到分布约简与分配约简方法,它们扩展了Pawlak信息系统(PISs)上的属性约简方法,解决了FISs上的知识获取与特征选择问题.同时,基于不同粒度下的等价类,给出了FISs上可辨识属性矩阵、分布约简和分配约简的辨识公式,克服了经典方法在FISs上的不适用性.示例结果表明,在不同粒度空间上,这些约简方法产生了与全部属性具有最大程度分辨能力和规则置信度的属性子集.     

乐观多粒度区间集粗糙集

Pawlak粗糙集基于单个粒空间(一个等价关系)建立了上、下近似来刻画目标概念,而乐观多粒度粗糙集则利用多个粒空间(一族等价关系)对目标概念进行近似描述,是Pawlak粗糙集的一种扩展.区间集通过上、下界给出了概念的外延范围.在区间集粗糙集的基础上,提出了乐观多粒度区间集粗糙集,研究了它们的性质,并进一步给出了单个和多个粒空间下几种区间集粗糙集和乐观多粒度区间集粗糙集之间的关系.     

不确定知识的相似度量方法及应用

基于模糊集和粗糙集理论,给出常用的几种不确定知识的相似度量方法,并应用于信息检索系统中。建立了更符合用户信息需求的模糊相关检索模型。利用粗糙集的等价关系(近似关系)表示用户查询兴趣特征,并通过不精确的分类知识方法进行知识库中用户兴趣分类。     

基于模糊粗糙集的一种知识获取方法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的知识获取方法．该方法利用模糊集理论对决策表中连续属性进行模糊化;通过定义模糊等价类得到模糊粗糙近似空间的上、下近似,从而获取决策规则．实例验证了此方法的有效性．     

模糊决策粗糙集模型及其属性约简

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.     

基于决策技术和粗糙集理论的诊断知识库构建研究

针对目前诊断推理中知识库构建存在知识获取困难,提出了一种基于粗糙集和决策理论的诊断知识库构建模型.该模型引入决策技术和粗糙集理论,对源数据进行预处理,构建决策表,通过属性约简和属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库.实例证明在保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征知识,并能有效地解决诊断知识库构建中规则获取的知识冗余或缺失问题,显著提高故障诊断的精度和效率.     

基于限制容差优势关系的粗集决策分析模型

针对不完备偏好决策问题,提出一种基于拓展粗糙集的决策分析模型.首先提出限制容差优势关系的定义;然后得到限制容差优势关系下的粗糙近似和分类决策规则.最后通过一个实例证明了所提出的模型对不完备偏好信息系统的处理符合实际情况.     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

容错粗糙主成分分析的属性约简方法

在分析大肠早癌荧光数据属性约简方法的基础上,提出一种基于容错关系信息熵的粗糙主成分属性约简方法.该方法首先针对数据的不完整特性,建立容错关系粗糙集模型.然后,引入随信息量减小而单调下降的信息熵,建立基于信息熵的容错关系粗糙集模型,并进行初步数据属性处理.最后,结合主成分分析方法,形成基于容错关系信息熵的粗糙主成分分析方法,在进行数据降维处理的同时提取数据特征.以大肠早癌荧光光谱为实验数据的分析处理结果表明,该方法可以有效地降低荧光光谱数据的处理维数,提取影响医疗诊断的特征数据,减少后续数据处理的复杂度.     

基于粗糙集理论的贝叶斯网络分类算法

面对生活中数据信息量大的问题,常使用粗糙集对数据进行知识约简,消除数据中冗余的部分。但大多数研究没有考虑约简后对原有分类的影响;常使用的朴素贝叶斯算法又难以获得其先验概率。基于上述问题,本文提出了一种基于粗糙集的贝叶斯分类算法：首先利用粗糙集中决策属性和条件属性之间的依赖关系,进行属性约简,消除冗余的数据,然后通过贝叶斯算法对约简后的数据进行知识挖掘,最后通过对故障源数据的对比分析。该方法既避开了朴素贝叶斯算法对先验概率的要求,又使得数据分类和预测能力有了明显提升。     

不完备系统中基于特征关系的知识约简

以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象,根据特征关系讨论了其中的知识约简问题.在不完备决策系统中,引入了近似分布约简的概念并给出了相应的判定定理与辨识矩阵,为从复杂的不完备系统中获取知识提供了新的理论基础与技术手段.     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。