基于变精度粗糙集的分类决策树构造方法

针对分类决策树构造时最优属性选择困难、难以适合大规模数据集的问题,提出新的属性选择标准--属性分类重要性测度,引入王信度和支持度,设计了基于变精度粗集理论的决策树算法.分类重要性测度可全面刻画属性的综合分类能力,且计算比信息增益简单.决策树生长过程中引入支持度和置信度,以控制决策树的生长,提高决策树对噪声数据集和不相容数据集的处理能力,减小决策树的规模.通过对UCI上5个不同规模和类型的数据集进行测试计算,结果表明算法效率高于ID3算法,与UCI报告的最好结果相当.     

综合评判的属性测度四维阵列模型及权重确定方法

属性集和属性测度理论［１］是一套全新的描述不确定性现象的理论,本文在此基础上建立了群体决策综合评价的属性测度四维阵列模型,并给出了一种新的权重确定方法.     

R-fuzzy粗糙近似隶属度集的优势测度方法及其视觉感知应用

R-fuzzy集以粗糙集的形式给出了隶属函数,按照隶属度与描述符的相关程度将其进行分类.完全符合描述符的隶属度划分到下近似集,与描述符有关的隶属度划分到上近似集.如果能够得到上近似集中隶属度的重要性,将拓展R-fuzzy的应用领域.进一步讲,如果能够引入一种方法对R-fuzzy上近似集中的隶属度重要性进行量化,将可实现对隶属度重要性的量化排序,实现更高的分辨力.本文提出的优势测度概念可以很好的实现这个要求.首先,给出了优势测度理论框架,证明了优势测度与1型模糊集的等价性,接着,论证了与R-fuzzy集的一致性,指出了优势测度模糊集本质就是R-fuzzy粗糙隶属集的验证器.最后,通过人类视觉感知实验及优势测度的可视化,研究了不同类别群体共识与个识对确定R-fuzzy隶属度测度的影响,分析了R-fuzzy粗糙近似隶属度集的优势测度方法对于人类群体感知辨识的优势.     

一种采用LLE降维和贝叶斯分类的多类标学习算法

多类标数据中的样本可能属于一个或多个类标,因此其分类问题较单类标分类更为复杂。提出一种新的多类标学习算法,首先针对多类标数据的特征属性维数高的特点,采用LLE算法对多类标数据的特征属性进行降维,提取能较完整描述数据的一组低维特征属性集;然后将多类标样本集按所属的类标进行划分,并采用贝叶斯分类模型来学习各组样本集的分类特性;根据各个分类模型的判定类标,综合得到多类标样本的最终类标集。将该算法分别应用到自然场景图像和基因数据的多类标分类学习中,实验结果表明,该算法针对不同的多类标数据集均能取得很好的分类效果,且相比于其他多类标算法有更高的性能。     

基于关联规则赋权特征选择集成的信用分类研究

针对信用分类数据集中常见的高维性特征,本文基于特征袋装法和关联规则挖掘算法,构建了新的赋权特征选择集成模型AR-WSAB.该模型能根据频繁项集的支持度和置信度,对各特征的重要度进行测度,进而选择出各特征子集,训练子分类器,再通过集成得到最终结果.通过在贷款违约预测数据集上进行实证分析,结果表明该模型分类正确率相对于Bagging集成模型和PCA算法都有显著优势,所提方法能够有效处理高维性特征,并且在各分类算法上都具有普适性.     

属性集和属性综合评价系统

本文在属性集和属性测度理论基础上提出了属性综合评价和决策系统。     

基于粗集2未确知测度模型的企业技术创新能力评价研究

应用粗集理论对影响企业技术创新能力的指标进行约简后,提取影响企业创新能力的主要指标,然后应用未确知测度模型进行综合评价.最后,用某市企业的具体实例,得出该城市企业技术创新能力的整体水平,以证明方法的有效性.     

基于差别矩阵的Rough集属性约简算法

差别矩阵非空元素的个数,直接影响基于差别矩阵的Rough集属性约简算法的效率。分析了几种差别矩阵的不足,基于此,重新定义了一种差别矩阵,该差别矩阵把划分U/C={[x1]C,[x2]C,…,[xn]C}的一个等价类看成一条规则参与区分,从而大大减少了差别矩阵非空元素的个数,提高了Rough集属性约简算法的效率。给出了这几种差别矩阵非空元素的计算公式及其相关定理。提出了一种带启发式知识的约简算法,该算法在很大程度上能找到决策表的最小属性约简。最后给出了对UCI一些数据库的仿真结果。     

基于案例分析的语言信息灰靶决策分类模型

针对不确定情形下的分类问题,研究了基于语言案例的多属性决策分类方法.根据灰靶决策过程靶心设置的逆序问题,提出了靶心设置的改进方法;基于自然语言和模糊数的对应关系,提出了语言靶心距测度方法;以案例符合度最大为目标,考虑靶心距分类临界值约束和决策者对指标权重约束,建立了基于模糊靶心距离的分类模型,可以解决语言评价信息下的样本分类问题.算例说明了方法的应用步骤和可行性.     

基于LASSO的复杂产品关键质量特性识别

针对复杂产品多属性、高维度的特点,引入LASSO方法对其关键质量特性进行识别。首先利用LASSO方法的特征选择能力降低原始数据集的维度,并获得原始数据集中质量属性同质量类别相关性的排序;根据要求数量选取属性组成关键质量特性属性子集,利用SVM测试所选取属性子集的分类精度,并同已有文献结果进行对比。以UCI数据库中SECOM数据集为例,采用SMOTE过抽样和随机欠抽样相结合的方法使数据均衡后进行测试。结果表明,该方法不仅能够消除高维原数据集中不相关和冗余属性,还能保持良好的分类质量。同IG和ReliefF等方法相比,文中方法所获得的关键质量特性的分类精度有显著提高,并且第二类错误率也明显低于前两种方法。     

空值环境下基于粗集理论的知识表达研究

讨论了空值的有关问题 ,并在基于粗集理论的知识表达系统中引入空值 ,提出了知识表达系统中空值的分类处理 ,并给出了分类处理的算法 ,从而为在表示知识的元组信息不完整的情况下 ,充分利用空值的有用信息 ,为决策者处理不同层次上的参考信息提供了重要思路     

决策粗糙集的一种新分类区域及相关比较分析

分类区域是粗糙集理论进行属性约简的重要基础, 量化扩张分类区域则是一个科研重点. 本文主要针对决策粗糙集, 在二分类层面提出一种新的分类区域, 并进行与两类常用分类区域的比较分析. 首先, 采用集合区域自然地提出了二分类决策粗糙集的新分类区域; 其次, 对两类常用决策粗糙集分类区域进行了退化研究; 进而, 对三种分类区域进行了比较分析, 得到了新分类区域的优势; 最后, 用具体实例进行了详细说明. 特别地, 对比于变精度粗糙集与贝叶斯粗糙集, 本文还分析了三种决策粗糙集分类区域扩大分类正域的机理. 本文构建的分类区域, 具有对于经典Pawlak分类区域的扩张性, 更加紧密地联系了集合区域的基础结构, 呈现出对于已有分类区域的改进性.     

Rough function model and rough membership function

Two pairs of approximation operators, which are the scale lower and upper approximations as well as the real line lower and upper approximations, are defined. Their properties and antithesis characteristics are analyzed. The rough function model is generalized based on rough set theory, and the scheme of rough function theory is made more distinct and complete. Therefore, the transformation of the real function analysis from real line to scale is achieved. A series of basic concepts in rough function model including rough numbers, rough intervals, and rough membership functions are defined in the new scheme of the rough function model. Operating properties of rough intervals similar to rough sets are obtained. The relationship of rough inclusion and rough equality of rough intervals is defined by two kinds of tools, known as the lower （upper） approximation operator in real numbers domain and rough membership functions. Their relative properties are analyzed and proved strictly, which provides necessary theoretical foundation and technical support for the further discussion of properties and practical application of the rough function model.     

粗造集理论与应用发展

针对近几年兴起的粗糙理论进行了介绍 ,给出了应用较多的一些评价函数 ,并对各部分理论进行了举例说明 ,最后对粗糙集的应用提出了论述 .     

Fuzzy Rough Relation and Its Properties

1　IntroductionThe notion of rough sets has been introduced by Pawlak[1 ] .The conceptof fuzzy sets wasintroduced by Zadeh in his classic paper[2 ] .A comparisons between fuzzy sets and roughsets have been given in Pawlak[3 ] ,where itis shown thatthese concepts are different. Thecombine study of fuzzy set and rough setis important. Then fuzzy rough setis introducedby S. Nanda and S. Majumder in 1992 [4] . In this paper,the concept of fuzzy rough rela-tion and the max- min composition of F…     

Rough similarity degree and rough close degree in rough fuzzy sets and the applications

Based on rough similarity degree of rough sets and close degree of fuzzy sets, the definitions of rough similarity degree and rough close degree of rough fuzzy sets are given, which can be used to measure the similar degree between two rough fuzzy sets. The properties and theorems are listed. Using the two new measures, the method of clustering in the rough fuzzy system can be obtained. After clustering, the new fuzzy sample can be recognized by the principle of maximal similarity degree.     

Rough communication of crisp concept in fuzzy approximation spaces

To study the problem of knowledge translation in fuzzy approximation spaces, the concept of rough communication of crisp set in fuzzy approximation spaces is proposed. In a rough communication of crisp set in fuzzy approximation spares, the problem of uncertainty exists, for each agent has a different language and cannot provide precise communication to each other. By means of some concepts, such as CF rough communication cut, which is a bridge between fuzzy concept and crisp concept, cut analysis of CF rough communication is made, and the relation theorem between CF rough communication and rough communication of crisp concept is obtained. Finally, in order to give an intuitive analysis of the relation between CF rough communication and rough communication of crisp concept, an example is given.     

函数S-粗集与粗规律挖掘-分离

研究了函数S-粗集的本质和特性,及其用于挖掘系统的潜在规律。利用函数S-粗集(单向函数S-粗集,双向函数S-粗集)的数学结构和特性,给出系统中粗规律模型的生成方法。给出了利用函数S-粗集进行系统中的粗规律挖掘与分离的讨论,和系统中粗规律分离的应用。例子证明,函数S-粗集是系统规律挖掘的一个有力工具。     

基于RST的粗关系数据库的熵研究

熵是度量信息不确定性的重要工具,粗集数据分析方法研究粗关系数据库熵的重要方法。首次利用复合粗近似算子概念和方法,由属性值域上的二元关系导出了粗关系模式实例元组之间的二元关系,为利用粗集理论来研究粗关系数据库提供了必需的前提条件。在此基础上,提出了基于粗集的粗关系模式及其实例的信息熵和粗糙熵的概念,同时给出了它们的计算公式。最后以一个工程实例的计算验证了本文方法的有效性。