一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。     

常项集产生的算法及兴趣度量

本文引入在关系数据库中包含定量和范围属性关联规则的挖掘问题 ,这种技术的一个直接应用可以生成许多类似的规则。给出为挖掘定量关联规则所需的兴趣度量及常项集产生的算法。     

基于决策树的轨道交通安全评估方法及其应用

提出了一种定量的基于决策树的轨道交通安全评估方法.该方法针对风险源的海量数据集和庞大的属性集,采用面向应用的属性构造、规范化与面向属性的归约进行数据集的预处理,为突破内存限制,采用改进的决策树分类方法DT_SA对轨道交通风险因素进行分析,最终提取的分类规则包含描述类分布的定量信息.同时规则前件中属性的顺序又体现了属性对主类的影响程度.这些规则揭示了轨道交通风险源的规律,应用验证了其有效性.     

粗糙集理论在图像增强处理中的应用

对粗糙集理论在图像主要特征提取、图像自动识别与边界检测等方面的应用方法进行研究.采用地学实地野外调查中获取的彩色图像作为实验对象,选用表征颜色、纹理的17个特征属性作为条件属性构建决策表,通过属性约简、分类和规则提取指导图像处理,最终实现了对目标地物的分类分区增强处理及区域边界划分.实验结果表明:该方法可以较好地对图像进行分区处理和边界划分,结果较令人满意;并且得出影响实验图像分区的主要条件属性为蓝色标准偏差、红色方差、红色与蓝色相关性、彩色特征、对比度及熵.     

基于OWL的RB-RBAC策略定义和推理

提出一种基于本体对RB RBAC策略进行定义的方法, 该方法能定义复杂的属性表达式, 并支持多种属性值类型, 可以在策略中直接定义属性值间的偏序关系和角色间的层次关系. 具有不同语法结构的属性表达式也可以比较, 以发现不同授权规则间可能存在的关系. 在推理机的支持下, 除了能够访问控制决策推理外, 还可以判定授权规则间的优先关系, 并发现相关规则间的策略冲突.     

决策表决策值的简化

首先定义了决策规则决策属性的简化,并以此为基础定义了决策表决策值的简化,旨在研究决策表条件值简化的对偶问题,即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上,给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。     

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

决策表决策值的简化

首先定义了决策规则决策属性的简化，并以此为基础定义了决策表决策值的简化，旨在研究决策表条件值简化的对偶问题，即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上，给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。     

一种基于粗糙集理论的决策规则提取方法

粗糙集理论是一种新兴的数学工具,用于分析、处理不确定或不完整的复杂信息,适合于从大量复杂的数据中发现隐含的、潜在有用的规律。提出了一种基于粗糙集理论的决策规则提取方法,通过重要度分析和属性约简,找出影响决策属性的关键因素。通过值约简,得出决策规则。运用该方法对大学生自主学习风气与能力培养之间的关系进行研究,实例分析表明,这种新的方法具有实际应用价值。     

具有连续属性的不完备信息系统Rough集扩展

在模糊相似关系的基础上,针对具有连续属性的不完备信息系统提出了Rough集的扩展模型;利用模糊区间数来表示不完备信息表中缺失的连续属性值,并根据属性值的概率分布情况计算模糊区间数的可能度,在模糊关系的基础上给出了不完备信息表的上近似和下近似的定义;利用基于欧氏距离的贴近度法计算模糊相似度,构造相似矩阵,实现了对论域的划分;给出决策规则的约简和表示方法,应用实例说明了所提出的Rough集模型及规则的实用性。     

一种基于可信度最优的数量关联规则挖掘算法

研究了数量关联规划挖掘过程中的连续属性离散化问题,描述了连续属性离散化方程,包括连续属性区间划分算法和数据库样本大小的确定,提出了基于可信度最优的数量关联规则挖掘算法。该算法首先利用等深度划分算法对连续属性进行离散化,然后利用凸包处理技术提取强规则中可信度最高的数量关联区间,它对于数量关联规则的优化有着重要的应用价值。应用该算法对股票行情进行了数量关联分析,提取股票涨跌与股票价格之间可信度最高的关联规则。实验表明该算法是非常有效的。     

定量关联规则的挖掘

介绍在关系数据库中包含定量和范围属性关联规则的挖掘问题，给出一些定义和方法，引人局部完备性来度量由于划分而引起大量信息的丢失程序，决定是否划分一个定量属性及划分数。     

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。     

一种关系数据库中基于云模型关联规则的提取

为了发现有效的关联规则，属性在比较高的水平被范化，允许相邻属性值或者语言项的重量．这种软划分可以映射人类的想法，同时使发现的知识鲁棒．利用云模型的理论与方法求解数量关联问题，给出了一种云关联规则的定义，并提出了基于云模型理论支持度和置信度的计算方法，最后提出了一种提取算法Cloud model A．这种方法较好地软化了数量属性论域的划分边界，从而使得挖掘出的云关联规则更容易被人理解。     

区间值数据库上的正态关联规则

通过等距处理在数据库的区间值上取样,应用模糊c-方法算法确定正态模糊数的两个参数,借助正态模糊数模型来软化数量属性论域的划分边界,给出正态关联规则的挖掘方法与预测方法,由于文中的方法能将数量属性的正态关联规则的问题转化为布尔属性的关联规则的问题,因此容易被人理解和掌握。     

比较两种挖掘正态关联规则方法

首先采用两种聚类方法确定正态模糊数的两个参数,并借助正态模糊数模型来软化数量属性论域的划分边界,由此生成一系列的正态关联规则.接着给出正态关联规则的挖掘方法,此方法能挖掘出所有有意义的正态关联规则.最后对两种挖掘正态关联规则的方法进行了比较.     

零售业中商品选择问题的遗传算法研究

选择经营哪些商品是零售业面对的一个重大决策问题,这个问题需要考虑到商品之间的交叉销售效果。最近的研究成果表明这一问题是NP难问题。采用定量关联规则技术来计算交叉销售效果,并提出一个面向商品选择问题的遗传算法。由于交叉销售效果是一个不精确的信息,根据遗传算法的要求,进一步研究了面向不精确信息的适应度函数,从而使遗传算法适用于基于交叉销售效果分析的商品选择问题。     

基于有向无环图的函数依赖一致性数据生成

针对函数依赖一致性数据生成问题,采用有向无环图作为函数依赖集合的描述模型,提出一种单函数依赖一致性数据生成算法 （TGSFD）;并通过属性排序解决多函数依赖一致性数据生成问题;为了利用流水线技术提高数据生成效率,提出最小独立属性子集概念,并给出了属性集划分算法. 实验表明本文提出的TGSFD和属性排序算法能够保证生成的数据满足函数依赖一致性,属性集划分和流水线技术可以有效提高数据生成效率.      

一种基于记录分区的多值关联规则挖掘算法

根据多值关联规则的属性互不相交的特点,提出基于记录分区的多值关联规则的定理和算法,利用反倾斜技术,在合理的内存支持下,该算法能以至多3次扫描数据库（I／O）的时间复杂度,有效地分布不匀的数据记录集中产生高频项目集（frequent itemsets)。