质量功能展开中自相关关系确定的粗糙集方法

针对质量功能展开中各项工程特性之间的自相关关系具有模糊、不确定和不分明等特质,提出了自相关关系确定的粗糙集方法.对于每一项顾客需求,由每一项工程特性组成相应的决策属性集,并由其它工程特性组成相应的条件属性集,分别构造了相应于该决策属性集的决策系统.基于粗糙集中相对约简和相对核等方法,分别建立了其相应的修正决策系统.利用信息熵和等价类的集成方法,获取了修正决策系统中各条件属性的重要度.引入了自相关关系的比例因子概念,确定了各项工程特性之间的自相关关系.以洗衣机的产品研发为例,说明了方法的应用.     

基于模糊-粗糙模型的逼近精度分类规则提取策略

为了处理具有连续属性的决策系统,利用模糊理论与粗糙理论在处理不确定性问题方面的差异性,提出一种基于模糊-粗糙模型的逼近精度分类规则提取策略.首先利用模糊π函数对决策系统中的连续属性构造三个模糊参数进行模糊化,从而确定条件属性的模糊区域;再根据模糊相似关系构造模糊相似矩阵,然后基于模糊等价类划分的概念,提出了利用逼近精度近似度量的数据挖掘方法进行属性约减,最后应用实例说明如何在决策表中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

基于遗传算法的一种粗糙集知识约简算法

知识约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识.文中从系统的信息表出发,根据可辨别下三角矩阵,利用遗传算法,提出一种基于遗传算法的粗糙集知识约简算法,并通过实验分析说明,这种算法可以解决现有启发式算法无法解决的部分问题.     

基于粗糙集的知识理论及其应用

粗糙集理论是一种刻划不完整性和不确定性的数学工具,它能有效地分析不精确、不一致、不完整等各种不完备信息.本文给出了基于粗糙集的知识理论,该理论不需要预先给定某些特征或属性的数值,可从现有的数据出发进行知识的简化和相对简化、范畴的简化和相对简化方法,为处理不完备信息提供了一种更符合人类认知的知识理论.此外,文中还提出了该理论的应用方法及步骤,列举了一个在配镜决策方面的实际应用例子.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

基于启发式信息熵的粗集数值属性离散化算法

在一致性假设前提下,以数据集的统计性质作为启发式知识,从候选离散点集中选择离散点,根据数据集的期望值和方差来确定搜索最优离散点的区域,提出一种新的基于信息熵粗集数值属性离散化算法,并采用UCI国际标准数据集来验证新算法.新算法与已报道的算法所得到的离散断点集完全一致,决策表的离散化结果也相同,但时间代价不同,新算法比其计算效率提高40%～50%.     

基于同时稀疏和低秩先验的多通道脑电波信号重建方法

该文提出了一种基于lq范数和截断加权Schatten-p范数(LQTWSP)的非凸优化模型,旨在准确挖掘多通道脑电波信号中固有的同时稀疏和低秩属性,并选择了一种有效的迭代方案求解非凸优化模型.通过实验验证该文LQTWSP方法的性能.将LQTWSP与基于内点法的SCLR(SCLR-I)、基于交替方向乘子法的SCLR(SC...     

基于粗集的邮件自动分类系统研究

电子邮件给人们带来极大便利的同时,垃圾邮件的日益泛滥,也给人们带来了极大的不便和危害。本文使用基于粗集最优属性约简方法对邮件集进行特征维数压缩,在不影响条件属性分类能力的情况下,利用粗糙集约简化简决策表,得到一个规则,利用规则可以对新加入的邮件进行自动分类,试验结果表明该方法是行之有效的。     

基于混合先验分布的贝叶斯因子分析模型

针对现有因子分析模型不能充分融合模型参数信息问题,通过研究因子分析模型的统计结构,构造了参数的混合先验分布;利用贝叶斯定理证明了模型因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布.实证研究表明:由于参数先验分布的作用,贝叶斯因子分析结果与传统的因子分析之间存在明显的差异.