基于二叉树结构的数据约简算法研究

在粗糙集理论中,数据约简是一个非常重要的研究课题,它包括属性约简与属性值约简。现己证明寻找一个信息系统的最优约简是NP-难题。文章主要研究了基于二叉树结构的数据约简方法,实验结果表明,该算法在大多数情况下能够有效地获得信息系统的一个最优约简。     

基于粗糙集理论的公交优先控制算法

提出了一种基于粗糙集理论的公交优先控制算法.通过对交警指挥交通的实际经验所得决策表的约简,归纳出一系列的控制规则,改进现有信号交叉口控制方式.对实际路口的仿真,表明该算法能减少车辆延误,增加路口通行能力.     

基于粗糙集和模糊集理论的规则提取方法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论，两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠，但两者的着眼点和计算方法是不一样的，因此它们不能被相互替代，而且必须结合起来使用。本文结合粗糙集理论和模糊集理论提出一种新的规则提取方法，并给出了一个应用实例。     

粗糙集在决策系统中的应用

介绍了粗糙集理论实现数据分类和规则推理的基本原理，对关系数据库中的二维决策表提出了一个问题解决模型，并在同时满足支持度和可信度的基础上对规则进行筛选，提高了决策的准确性和合理性。     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点。粗糙集理论是一种具有模糊边界的集合理论，它作为研究知识发现的新型工具，能严格地处理不精确数据的分类问题，被广泛应用于不相容决策表中的规则提取过程中。针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究，并介绍了数据集中挖分类规则的基本原理，同时利用RS理论中核和核值的概念，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法，并应用一简单的例子说明如何在数据库中发现分类规则，实验结果表明此算法可以大大提高系统潜在知识的清晰度。     

新的混合智能系统R-FC-DENN

以认知心理学、模型集成理论为基础,构建了集粗糙集理论、聚类理论、模糊逻辑理论、遗传算法理论、人工神经网络理论于一体的一个新的混合智能系统R-FC-DENN。它首先通过粗糙集将输入样本进行约简,然后用聚类技术将简化后的样本进行聚类,对不同的聚类使用经过遗传算法改进了的神经网络进行训练,接着将这些经过不同神经网络训练的样本用模糊权值组合起来,放入新的用遗传算法改进了的神经网络再进行训练,从而完成整个训练过程。最后用UCI下的实际数据库对提出的混合智能系统R-FC-DENN的实用性进行了检验,证明方法是可行的。     

Intrusion detection using rough set classification

Recently machine learning-based intrusion detection approaches have been subjected to extensive researches because they can detect both misuse and anomaly. In this paper, rough set classification (RSC), a modern learning algorithm, is used to rank the features extracted for detecting intrusions and generate intrusion detection models. Feature ranking is a very critical step when building the model. RSC performs feature ranking before generating rules, and converts the feature ranking to minimal hitting set problem addressed by using genetic algorithm (GA). This is done in classical approaches using Support Vector Machine (SVM) by executing many iterations, each of which removes one useless feature. Compared with those methods, our method can avoid many iterations. In addition, a hybrid genetic algorithm is proposed to increase the convergence speed and decrease the training time of RSC. The models generated by RSC take the form of "IF-THEN" rules, which have the advantage of explication. Tests and comparison of RSC with SVM on DARPA benchmark data showed that for Probe and DoS attacks both RSC and SVM yielded highly accurate results (greater than 99% accuracy on testing set).     

A minimal axiom group for rough set based on quasi-ordering

Rough set axiomatization is one aspect of rough set study to characterize rough set theory using dependable and minimal axiom groups. Thus, rough set theory can be studied by logic and axiom system methods. The classic rough set theory is based on equivalent relation, but rough set theory based on reflexive and transitive relation (called quasi-ordering) has wide applications in the real world. To characterize topological rough set theory, an axiom group named RT, consisting of 4 axioms, is proposed. It is proved that the axiom group reliability in characterizing rough set theory based on similar relation is reasonable. Simultaneously, the minimization of the axiom group, which requires that each axiom is an equation and each is independent, is proved. The axiom group is helpful for researching rough set theory by logic and axiom system methods.     

基于粗糙集理论的模糊神经网络及其在化纤生产过程中的应用

提出一种基于粗糙集理论的模糊神经网络系统,首先运用粗糙集理论来发现大量样本数据中的概略化的规则,然后根据这些规则来设计神经网络的结构模型,并利用神经网络技术对模型进行训练。化纤工业中抽丝冷却侧吹风过程的模拟仿真实验,证明了该方法的有效性和可行性。     

基于粗糙集理论的人工神经网络故障诊断系统

在故障诊断神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的神经网络分层的简并剔除其中不必要的属性,克服了网络规模过于庞大及分类识别速度慢等缺点,取得了减少分类过程中的模式匹配搜索量的良好效果,并给出基于粗糙集理论的分层发掘神经网络模型结构及算法,结果表明该系统对工程应用具有一定的参考价值。