一类对Jenolek属性约简算法的新的改进方法

在分析了Jenolek属性约简算法和已有的对其改进算法的基础上，提出了一类新的改进方法，主要是利用辅助空间保存属性信息，并且利用排序操作、决策表预处理、寻找核属性集、属性扩展等技术，在保持Jenolek算法性能不变的情况下在时间复杂度方面比已有的方法获得了更大的改进。     

基于不完备信息系统的分配约简的启发式算法

研究了不完备信息系统下的属性约简,基于相容关系提出一种遗传算法的分配约简算法,算法编码采用了二进制一维编码形式,比较适合地表达了遗传算子.为了加快算法的收敛,在适应值函数中引入了惩罚函数,可以保证所求约简既含较少属性又有较强支持度.在交叉规则中,采用了单点交叉,最大迭代代数被作为停止准则,算法获得较佳的搜索效果.通过实例分析,可以证明该算法是求解知识约简问题的快速有效方法.     

粗糙集中基于信息量的决策表属性约简算法

高效的属性约简算法是粗糙集理论应用于知识发现的基础,要在令人可接受的时间内获得约简的通常做法是基于启发式的约简方法。本文提出了决策表中决策属性集相对条件属性集的条件信息量的概念,同时用知识的条件信息量定义了属性的重要性,在此基础上,提出了一种新的基于信息量的属性约简算法,该算法的时间复杂度为(O|C|3|U|2),通过实例分析,表明该算法是有效的。     

基于集值映射的近似算子

介绍了Gomolinska提出的基于集值映射的粗糙集模型,证明了基于一般二元关系的广义近似算子以及覆盖近似算子都是基于集值映射的近似算子特例,且多数的近似算子可以借助基本近似算子通过复合运算产生。     

粗糙集的期望表示

粗糙集理论将知识与分类联系在一起,认为知识就是人类所具有的分类能力.本文对知识的分类能力给予了量化,提出了一种新的知识表示方法,称为数学期望表示法,我们利用数学期望来定量地表示知识的分类能力.本文建立了知识与其数学期望间的关系,并证明了对于信息系统而言,知识的代数表示与数学期望表示是等价的.     

浅析粗糙集应用领域及未来研究方向

粗糙集理论作为数据挖掘的一种有效的手段,现已成为学术界的一个前沿研究领域。概要介绍RS核心思想、基本概念;对RS的应用领域及未来研究方向进行了简要论述。     

基于神经网络与粗糙集的车牌字符识别方法

车辆牌照的自动识别是目标自动识别的一种重要形式,针对车牌识别的后期技术,即牌照识别技术做了研究并提出了一种基于神经网络与粗糙集的车牌字符识别方法,实验结果表明,和标准神经网络相比,该算法具有更加良好的性能,满足实时识别车牌的要求。     

不确定性推理在文本分类上的应用研究

在文本分类中k-NN分类方法简洁而有效,但在多类分类问题中,由于类的重叠和属性的不足导致训练文本和类边界出现不确定性,而传统k-NN分类方法无法处理这种不确定性.该文借助于几种经典的不确定性推理方法:DS证据理论、模糊集理论、模糊-粗糙集理论,来改进传统k-NN文本分类方法,实验表明基于不确定性推理的方法能够提高文本分类的精度和召回率.     

基于粗糙集理论的医疗信息系统分析

基于粗糙集理论的启发式算法,先求出决策表的核值,再量化数据属性的重要性,属性约简从核出发根据属性重要度的不同逐次选择重要度大的属性添加到核中去,直到满足要求为止。利用该算法从医疗信息系统中收集有用的患者属性数据,消去多余数据属性,并由此帮助医院进行决策,实施建立医院客户关系管理。     

粗糙集模型和概率粗糙集模型的若干研究

主要叙述在等价关系、一般关系和概率论中的粗糙集模型，给出它们的定义、性质、各自的几种定义类型和它们之间的联系以及若干例子．