基于邻域粗糙集的极速学习机算法

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测。实验表明ELM算法相比具有更高的训练精度和测试精度。     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

多尺度单值中智系统中基于优势粗糙集模型的最优尺度选择与约简

单值中智集是处理不确定、不一致信息的有效工具,结合单值中智粗糙集和多尺度决策系统,提出基于优势关系的多尺度单值中智粗糙集模型的最优尺度选择和约简算法.首先,在构建基于优势关系的多尺度单值中智粗糙集模型时引入正理想点、负理想点和不确定点来刻画单值中智数大小关系;其次,结合证据理论中的信任函数和似然函数给出模型的最优尺度选择算法及约简算法;最后,利用五组UCI数据集对文中提出的模型与算法进行实例验证,分析算法的有效性.提出的算法在分类精度和算法效率两方面都有所提高,进一步扩展了单值中智粗糙集在多尺度决策系统下的应用,为后续该领域的研究提供参考.     

基于极大相容块的不完备信息处理新方法及其应用

针对不完备信息提出一种新的基于矩阵方法的极大相容块求取算法与属性约简方法,结合智能分类器给出不完备信息条件下的故障诊断方法 .首先,通过矩阵方法计算不完备决策表中的极大相容块;然后,利用所求得的极大相容块,提出一种新的属性约简算法,并与其他方法做对比;最后,将所提出的基于极大相容块的属性约简方法与智能分类器（支持向量机、随机森林、决策树等）结合,建立优化的智能故障分类器,将它应用于不完备信息条件下的故障诊断.以汽轮机组的故障诊断为例进行仿真实验,实验结果表明提出的针对不完备信息条件下的故障诊断方法可行、有效.     

动态数据库规则获取和更新的粗糙集方法

随着客观世界的发展变化，新模式会不断地增加到数据库中，在已有的模式中会增加新成员，这就导致以前得到的规则集需要随之更新，在利用粗糙集方法获取规则的基础上,提出两种规则更新方法，并提出规则获取和更新的一般理论模型，强调充分发挥决策者和分析人员的主观能动性的重要性，根据客观实际提出新模式和原有模式中的新成员，以满足不断变化的外部情况，而不只是单纯依赖机器决策，并以实例说明。     

加权变精度直觉模糊序信息决策表的近似约简

以直觉模糊信息表为背景，利用粗糙集和模糊集，旨在筛除信息表中冗余的属性，提出获取决策规则的近似约简方法 .首先，通过在直觉模糊集中引入带权重评分函数来定义加权直觉模糊序关系；进一步，为了提高模型分类的容错率，结合变精度粗糙集模型构建加权变精度直觉模糊序决策信息表；接着，在该决策表中提出上、下近似约简的判定定理和可辨识矩阵，进而生成两种求解上、下近似约简的方法；最后，通过具体案例和数值实验分析验证了该方法的有效性.     

属性值的Rough Logic约简及优化

对于属性值离散化约简,Andrzej Skowron给出了割集方法,该方法虽然简单可行,但在属性值致密的情况下,产生的割集较大,数据的约简效率较低.提出用Rough Logic方法对Andrzej Skowron割集进行抽取和缩减,并给出相应启发式算法,使属性值约简效率有明显提升.     

覆盖广义粗糙集与信任函数

本文在覆盖广义粗糙集最简覆盖的基础上.应用等域关系,将覆盖广义粗糙集转化为Pawlak经典的粗糙集,使得经典粗糙集理论的应用范围得到了一定的扩充,并用例子说明该转化方法提高了一个集合的近似程度.最后讨论了覆盖广义粗糙集与证据理论之间的关系.     

根据粗糙集理论进行图像块分类的规则发现

提出了一种根据粗糙集理论进行图像块分类的方法,它利用了粗糙集理论的强大的定性分析能力,结合图像块样本的时域、频域特性对其进行分类,并在分类能力不变的情况下,通过知识约简,导出问题的分类规则。