粗糙模糊决策表概率决策分析的扩展粗糙集方法

应用λ-截集将决策类中的模糊集合转换为普通集合,在此基础上推广了粗糙隶属函数,讨论了其中的一些集合理论性质,通过设定置信阈值参数α,提出了一种可以从粗糙模糊决策表中获取概率决策规则的扩展粗糙集方法,并设计了一种改进的快速约简算法,最后给出了该方法的一个算例.研究结果表明,提出的方法可从冗余的且有噪声的粗糙模糊决策表中获取用于指导实践的概率决策知识.     

利用模糊关系数据库方法管理模糊决策表知识

在关系数据库环境下表示决策表为利用已成熟的数据库技术和功能去操作决策表提供了一种机制。决策表的查询可以通过传统的数据库查询来实现。本文讨论了如何利用相关的方法去表示、存储和管理模糊决策表知识，进而可以利用扩展的SQL功能进行模糊决策。     

粗糙集中基于信息量的决策表属性约简算法

高效的属性约简算法是粗糙集理论应用于知识发现的基础,要在令人可接受的时间内获得约简的通常做法是基于启发式的约简方法。本文提出了决策表中决策属性集相对条件属性集的条件信息量的概念,同时用知识的条件信息量定义了属性的重要性,在此基础上,提出了一种新的基于信息量的属性约简算法,该算法的时间复杂度为(O|C|3|U|2),通过实例分析,表明该算法是有效的。     

基于属性约简的决策表算法

Rough Set理论通过属性约简和决策规则约简,达到发掘知识并简化知识的目的。本文首先给出了属性重要性的度量方法,然后对条件属性的简化进行了阐述,最后,讨论了一致决策表最小算法的三类优化问题。并通过一个实例证明了这种算法。     

基于区间值推理的粗糙模糊神经网络

将区间值与模糊推理相结合,在构造神经网络的过程中为了简化网络结构而将它们与Rough集中的知识约简相结合,从而提出了基于区间值推理的粗糙神经网络．     

基于宽松下近似概念的连续型决策表的属性约简方法

针对连续型决策表,利用模糊相容关系对样例聚类产生模糊决策表,运用宽松下近似概念定义属性重要度,利用函数弹性概念定义决策属性关于条件属性的敏感度,将其作为属性重要度的权重得到加权重要度,并以此为启发式信息提出了一种连续型决策表的属性约简方法.     

模糊变量时间序列及其应用

为了解决实际研究过程中模糊数据设定不准确的问题,采用模糊数学方法。应用模糊度说明了数据变量模糊化的重要性,给出了模糊变量和模糊变量时间序列的定义,并用计量经济学和数据挖掘例子说明变量模糊化的必要性。结果表明:研究中的很多数据确实具有模糊特性,模糊变量时间序列的应用有利于得到更客观的计量模型及进行时间序列挖掘。模糊变量时间序列的提出对计量经济学和数据挖掘有一定的参考价值。     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

模糊关系数据库的函数依赖及应用

在关系数据库中引入模糊数学思想,运用模糊数学的表示方法来描述实体,并且存放在数据库中,由此形成了带有模糊意义的数据库系统。研究模糊数据库中函数依赖理论,具体讨论模糊数据库中函数依赖的基本定义和基本公理系统以及在模糊关系数据库中的应用实例。     

基于矩阵的依赖推导算法研究

给出了基于矩依赖推导算法，并可推导出的关系上能够保持的函数依赖集。     

基于粗糙集的模糊模型辨识方法

提出了一种基于粗糙数据分析的模糊模型辨识方法·二值化数据过滤和决策表的简约算法是该方法的两个关键点·通过将传统的决策表转化成二进制决策表,并采用二值化数据过滤技术,可以同时简化决策表的属性和属性值·通过决策表的简约算法,从决策表中提取出重要的属性和关键的属性值,从而得到了输入空间的模糊最优化分,进一步得到模糊模型的前提结构和参数·利用这种方法以一组经典数据为背景建立了岩石边坡工程中边坡稳定性分析的模糊模型,仿真结果说明了该方法的有效性     

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．     

基于覆盖的粗糙隶属函数

粗糙隶属函数最初是基于等价类的,然后被推广到拓扑结构上.注意到无论是等价类还是拓扑都构成了论域上的一个覆盖.鉴于此,我们引入了基于覆盖的粗糙隶属函数的概念,研究了其性质,并给出了一个公理化的定义.     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。     

基于粗糙集的互信息求取属性约简的决策算法

在文献[1]提出的决策表属性约简的信息熵表示的基础上,给出了一种基于互信息求取属性约简的算法.同时给出了该算法的时间复杂度分析,并举例验证了所提出算法的有效性和实用性.     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。     

连续值域决策表的属性约简算法

结合模糊聚类技术与粗糙集理论，首先给出了一种求连续属性重要性的方法，然后由粗糙集中属性约简思想，给出连续值域决策表的属性约简算法，最后通过实例说明该算法的有效性。     

一种基于粗糙集理论的连续属性离散化方法

基于粗糙集的有关理论,提出了一种新的连续属性离散化方法·首先说明决策属性支持度的概念,再利用决策属性支持度作为反馈信息,提出一种领域独立的基于决策属性支持度的连续属性离散化算法·该算法能在保证决策表原始分类能力不变的前提下,提高约简效率·同时,各个属性拥有较少的分割区间,会使规则集合更加简洁·通过实例分析比较,说明该算法是非常有效的·