改进的粗糙集模糊聚类算法及其应用

通过将粗糙集和模糊聚类算法相结合, 利用粗糙集中上近似集和下近似集的概念改进模糊聚类算法, 解决了模糊聚类边界不确定的问题, 得到了上近似集和下近似集的聚类结果, 从而实现更好的聚类, 改进算法可以处理边界问题和复杂数据问题. 将改进的粗糙集模糊聚类算法用于研究环糊精聚类, 并将聚类结果与K均值聚类分析算法、 模糊C均值聚类算法相比, 实验结果表明, 改进算法有较好的聚类效果.     

基于模糊粗糙集的一种属性约简算法

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属性约简算法。该方法引入了模糊C均值聚类算法用以连续属性的模糊化;并通过聚类有效性分析来确定最佳分类数目;克服了目前属性模糊化方法需要人为规定划分类数,几乎不考虑信息系统的具体属性值等缺点。实例验证了此方法的有效性。     

粗糙集和模糊聚类理论在煤炭企业绩效评价中的应用

本文首先指出煤炭企业绩效评价的必要性,在建立评价指标体系的基础上,利用模糊聚类方法将不同置信水平上的评价对象论域进行分类,并由粗糙集中的互信息熵确定指标权重,最后给予相应算例.     

基于粗糙集的决策表属性重要性研究

本文首先介绍了粗糙集理论的发展及一些基本概念,进而对属性的重要性进行定义并加以分析。最后根据具体实例,我们总结出不同属性具有不同的重要性的规律,为今后的预测和决策提供了良好的理论依据。     

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。     

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.     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

远程教育中基于粗糙集的聚类算法

针对目前远程教育中个性化教学水平较低的问题,提出了一种基于粗糙集的Web学习者聚类算法,并应用粗糙集的约简方法解决了学习者特征数据中的属性冗余问题,提高了聚类算法的效率,从而提高了远程教学网站的个性化教学水平.     

F-模糊粗糙集及其约简

模糊粗糙集的知识约简是模糊粗糙集理论的核心内容之一,从增量式的数据、海量数据或动态数据中挖掘出人们感兴趣的知识,是数据挖掘研究的一个重点,也是一个难点.首先,给出模糊粗糙集的属性重要度的定义及属性约简的定义;其次,从F-粗糙集及并行约简出发,并结合模糊粗糙集的属性重要度,提出了F-模糊粗糙集及其约简,为增量式或动态模糊决策表的属性约简提供了一种有效的方法;最后,通过实例验证了F-模糊粗糙集及其约简的可行性.     

一种基于聚类的粗糙集连续属性的离散化算法

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。粗糙集理论只能对离散属性进行处理，而不能处理连续属性。中针对这一缺陷，利用连续数值属性有序性的性质和统计方差理论，提出了一种基于聚类的连续属性离散化算法。运用典型数据将本算法与现有方法进行了比较分析，得到了满意的结果。     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论,提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性, 在保证决策表原始分类能力不变的前提下,按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉,从而将条件属性离散化。同时给出了该算法的时间复杂度分析,并通过实例分析验证了算 法的有效性和实用性。     

粗双枝模糊集的嵌入集的性质

在粗集和双枝模糊集基础上,讨论了粗双枝模糊集的嵌入集的性质;利用模糊集的截集,讨论了粗双枝模糊集的嵌入集的截集性质。     

模糊粗糙集合

介绍了模糊集合及粗糙集合的概念和特征。说明了模糊集合和粗糙集合之间的联系 ,讨论了模糊粗糙集合概念 ,同时 ,对模糊粗糙集合的补、交、并及等价进行了研究。为模糊集合和粗糙集合的结合建立了基础     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.     

基于粗糙集理论的决策树构造算法

应用粗糙集理论,提出了一种利用新的启发式函数构造决策树的方法。该方法以属性重要性评价指标作为信息熵函数,对务件属性进行选择,充分考虑了属性间的依赖性和冗余性,弥补了ID3算法对属性间依赖性强调不够的缺点,解决了决策树中子树的重复和有些属性在同一决策树上被多次选择的问题,该方法还能对不相容决策表进行正确分类。实例表明该方法是正确有效的,而且明显优于传统的决策树构造方法。     

粗糙集的贴近度

为描述两个粗糙集的接近程度,提出了粗糙集贴近度的概念,给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式,分别定义了粗糙集的距离贴近度,最大最小贴近度,最小平均贴近度以及格贴近度．