FCM属性约简方法在汽轮机故障诊断中的应用

文章通过汽轮机故障样本数据的空间分布状态分析,基于模糊c均值(FCM)聚类方法实现故障征兆参数属性的离散化处理;采用粗糙集(RS)属性约简方法对原始特征向量进行优化,去除冗余特征,提取特征向量的本质信息;基于约简后的特征向量建立支持向量机(SVM)故障诊断模型.实验结果表明,该文所提出的方法不仅可以提高故障诊断的准确性...     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

基于粗糙集理论的数据预处理

探讨数据挖掘过程中,数据预处理应用粗糙集理论进行属性和属性值约简的方法以及用计算机实现约简的算法.通过对医疗数据的预处理表明,利用粗糙集理论来进行数据预处理是一种十分有效的精简、求最小决策算法的有效方法.     

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。     

一种改进的基于粗糙集理论的启发式特征选择算法

在最大支持启发函数的基础上提出了一种新的基于粗糙集的启发函数,称为参数加权平均支持启发函数.该方法的优点是考虑了可能性规则集的整体质量,它所选出的特征在决策类上能形成具有高加权平均支持度的规则,并且能够利用阈值调整下近似的水平.计算实例表明该方法是有效的.     

基于信息熵的不完备信息系统属性约简算法

在现实生活中信息的不完备现象广泛存在,等价关系不一定成立,限制了经典Rough集理论在一些实际问题中的应用.从信息论角度出发引入信息熵的概念,提出了不完备信息系统中知识熵的度量方法,定义了信息观下不完备信息系统知识约简的方法,分析并讨论了与现有其他约简定义的关系,给出了一种基于信息熵的不完备信息系统属性约简算法,通过仿真实验说明了该算法对于不完备信息表知识约简是可行的.     

基于改进Leader算法的Web存取模式的聚类

介绍了一种新颖的Web存取模式的聚类算法,该算法是一种结合粗糙理论和模糊理论的改进Leader算法,既体现了粗糙理论和模糊理论在处理含有不确定信息问题上的优势,同时使用了Leader算法进行聚类以提高算法的时间复杂度,从而在Web存取模式的聚类中的聚类的时间花费是令人接受的而且聚类结果是相对满意的。通过实例分析及实验结果,该算法是行之有效的。     

基于重要性联系度粗糙集模型的规则提取

在基于联系度的粗糙集模型中引入条件属性存在重要性差异的因素,定义了不完备决策表中对象间的重要性联系度,提出了基于重要性联系度的粗糙集扩展模型.在此模型中给出了对不完备决策表进行属性约简和规则提取的算法,并以Visual C++6.0为开发工具编写了程序,进一步验证了算法的正确性和模型的可靠性.     

基于数据挖掘诊断事件方法的网络入侵检测系统

简单论述了在入侵检测系统中数据挖掘技术的应用,并结合了数据挖掘挖等新概念,根据数据挖掘技术用于事件诊断的基本思想,利用粗糙集进行数据归纳,过滤大量事件数据中的冗余属性,得到精简事件数据集,并将得到的精简数据进行分类成所需的规则,并结合实例说明了该方法的工作步骤。由实例可知该方法用于事件诊断的可行性,最后指出实际应用过程中的一些技术难题。     

粗糙集在智能空瓶检测感兴趣区域提取中的应用

为实现空瓶检测中感兴趣区域ROI的自动精确标定,介绍了一种基于粗糙集不可分辨关系划分及粗近似进行ROI区域提取的新方法。首先,基于先验知识描述,确定粗略ROI区域,然后,提取和ROI区域标定有关的底层图像特征如灰度、边缘、位置等,在对特征属性离散化后,构造出反映分类关系的信息表,并依据不可分辨关系划分获得基本像元区域,最后,以初始ROI区域的上近似作为最终提取的ROI区域。在瓶身及瓶口的ROI区域提取实验中,该方法可以获得比人工标定更为精细的ROI区域,有利于提高后续检测过程中的检测精度。