基于可变精度粗糙集的规则挖掘矩阵算法

提出了一种基于可变精度粗糙集的规则挖掘矩阵算法,它是一个采用基于分类精确度的粗糙集模型进行决策规则挖掘的新方法,能有效地处理决策表的不一致性。实例结果和实际应用表明该算法是有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。     

一种基于互信息的粗糙集知识约简算法

针对粗糙集理论核心内容之一的知识约简问题,该文提出了一种改进的互信息的属性约简算法。该算法结合信息论中信息熵与互信息的概念定义了粗糙集里的一种新的属性重要度,并以此属性重要度为启发式信息进行属性约简。实验分析表明:在大多数情况下,该种算法都能够得到决策表的最小约简。     

基于粗糙集的科技项目团队能力评估分析研究

针对科技项目团队能力评估问题进行了研究，引入粗糙集和信息熵理论，总结以往项目经验，建立了基于粗糙集的团队能力指标评价模型。最后通过实例分析，对该模型的科学性和可行性进行了验证。     

Rough Sets and Nuclear Safety

It is well-known that rough set theory can be applied successfully to rough classification and knowledge discovery. Our work is concerned with finding methods for using rough sets to identify classes in datasets, finding dependencies in relations and discovering rules which are hidden in databases by means of decision tables and algorithm D. We use these methods to analyze and control aspects of nuclear energy generation.     

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。     

基于可分辨矩阵的属性集依赖度计算方法

在决策表中,为了评价某条件属性的重要性,不但要考虑这个属性(单一属性)相对于决策属性的重要性,还要考虑该条件属性与其他条件属性构成的属性集的重要性.在属性集依赖度比单一属性依赖度更加可信的事实基础上,提出了一个基于可分辨矩阵的属性集依赖度计算方法.该方法能够较快地获得可分辨矩阵,并直接求出属性集的依赖度,从而大大降低了算法的时间复杂度.实例验证了该方法具有较好的有效性和较低的时间复杂度.     

粗糙集的RBF表示与非监督模式分类

提出了一种粗糙集的ＲＢＦ网络表示形式，在集值测度意义下，将粗糙集的语义表达进行了有效的描述，并构造了其自适应自组织的遗传学习机制．其创新性主要表现在：（１）通过ＲＢＦ网络有效地构造了粗糙集在模式分类中的自适应表示形式；（２）在遗传算法中引入了元进化自调整机制；（３）以粗糙集意义下的非线性映射方式提高了模式分类的计算效率．图３，表１，参４．     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型，然而，该模型目前还未有三支决策方面的相关研究。针对这一问题，提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念，然后以贝叶斯决策最小化代价为基础，推导出了双论域模糊概率关系下决策区域的三元划分，即三支决策模型，最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

基于粗糙集理论的医疗诊断系统分析

粗糙集理论是一种处理含糊和不精确性问题的新型数学工具,它是一种新型的数据挖掘和决策分析方法.通过条件属性对决策属性的依赖度和重要度分析,最终获取最小决策规则,并在医疗诊断系统中尝试.最后实践表明,这种方法在医疗决策系统中进行属性的约简是可行的.     

基于优势关系粗糙集的规则生成算法

针对现有的基于优势关系粗糙集的规则生成算法存在运行效率低的问题,提出了一种基于多个优势差别矩阵的规则生成算法,突出不同决策类之间的差别信息,在得到精简规则集的同时,能够提高规则生成效率.通过实验与其他规则生成算法加以比较,表明该算法在平均性能方面优于其他算法.