基于边界域的知识粗糙熵与粗集粗糙熵

传统的知识粗糙熵表征了知识整体的统计特征,是总体的平均不确定性的量度,知识和粗集的不确定性值被放大。从Pawlak拓扑的角度,给出了一种基于边界域的知识粗糙熵新定义,并修正了粗集粗糙熵的定义,集合的不确定性可以通过边界域来描述,能更精确的度量知识不确定性;证明了知识粗糙熵和修正后的粗集粗糙熵都随着信息粒度的变小而单调减少等重要结论。最后,通过弹簧振子系统定性仿真例子,结合定性推理技术,构造属性约简的启发式算法,消去定性描述中的冗余,获得了其系统的定性微分方程,说明了粗集理论在定性推理与定性仿真技术中的重要应用价值。

水声被动目标识别技术挑战与展望

低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。

不完备信息系统的属性约简方法研究

该文从经典的粗糙集对完备信息系统的属性约简方法入手,为避免不完备系统的完备化处理,修改了传统意义上的差别函数,在不生成分辨矩阵的情况下,提出基于按桶散列的物理存储方法,并利用逻辑运算中的吸收律直接对不完备信息系统进行约简。

Apriori算法中频繁项集挖掘实现研究

在数据挖掘中,关联规则是发现知识的一种有效方法,而频繁项集的挖掘是关联规则中发现强规则的基础,其中连接与剪枝是逐层迭代求解k-项频繁集的核心算法。因此,文中主要介绍了基于连接与剪枝挖掘频繁项集的实现过程,并通过挖掘对传统购物篮数据中的频繁项集进行了验证,结果是一致的。算法的有效性也为进一步挖掘关联规则中的强规则提供了基础。

基于变精度粗集模型的变精度值自主式获取方法

变精度粗集模型拓展了经典粗集理论,可使之适应不一致数据的处理。然而已有基于变精度粗集模型的知识约简算法要依据领域先验知识来确定变精度β值,影响了算法的实用性。在讨论β值对知识约简影响的基础上,提出变精度粗集模型的β值自主式获取方法,将变精度值设置在决策表相对可辨识性的阈值附近。实验结果表明该方法能较准确的反映决策表的决策分布情况。

基于决策类分割的动态数据环境下的归纳学习

深入分析了基于分辨矩阵和传统决策矩阵的归纳学习算法中存在的问题,提出了一种新的决策矩阵及基于它的归纳学习和动态数据环境下的递增式学习方法。其主要思想是基于决策类将决策系统分割为多个子系统,并构造其新的决策矩阵,然后将决策系统上的归纳学习转化为新决策矩阵下的递增式学习。这不仅解决了动态数据环境下归纳学习问题,而且能降低矩阵空间规模,避免了传统决策矩阵算法中的重复计算。实例分析和实验结果验证了基于分治策略算法的合理性和有效性。

粗集理论原型系统的集成与实现

粗集理论主要基于集合近似的概念,给出了知识划分和规则提取的一套方法,主要有不可分辨类的数据划分定义、上下近似和相对正区域求解方法、最小决策规则生成等。针对粗集中这些重要理论,文章主要介绍开发粗集理论原型系统的设计要求、系统组成以及实现粗集理论中相关算法理论依据,并包含有通用数据库接口,因此有着一定的应用价值。

变精度粗集模型中变精度值的估计

变精度粗集模型是一种有参数的粗集扩充模型.目前,基于变精度粗集模型知识约简和学习的各种算法中,参数β值都是作为领域的先验知识而被直接引入.而β值不同,约简的结果一般也不同,因此有必要寻求一种方法,实现从原始数据集本身出发完成对β值的估计和选择,从而摆脱β先验知识对结果的影响.结合决策表确定性度量和决策表相对辨识性方法,分别研究了β值的估计和选择以及参数β值对约简结果的影响.通过实例进行了分析,结果表明在利用变精度粗集模型提高系统容错度时,β值选择是必要的.

不完备决策系统中规则提取的快速矩阵算法

提出了广义决策的不可分辨关系及其不可分辨类、联合决策相容矩阵等概念以及不完备决策系统中基于联合决策相容矩阵的约简和规则提取的快速矩阵算法。将条件属性相容矩阵和决策属性分配决策矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,有效的提高了算法的效率。通过一个实例,说明了算法的执行过程;算法复杂度分析以及相应的对比实验,进一步说明了该方法的有效性。

基于粗糙集理论的协调集及其决策树构造

从不协调信息系统中获取知识是一个研究热点,变精度粗糙集理论模型把集合的关系拓展到"一定程度包含",从而将经典粗糙集理论模型中划归于边界域中的元素拓展到正域结构中,在一定程度上提高了获取异常信息的能力.在经典粗糙集理论模型的基础上,讨论了协调集的构造及其修正定义,并进一步讨论了变精度粗糙集模型理论中协调集的定义;提出了基于协调集的决策树构造方法.结果表明沿着树的分支序贯能得到规则的合理解释,但比传统意义上的决策树要简单.

基于模板匹配的舰船螺旋桨叶片数识别方法

针对在舰船辐射噪声DEMON线谱信噪比低时,传统使用的基于模型或专家系统的叶片数识别方法存在错误率高且识别结果不稳定的问题,提出了一种基于模板匹配的螺旋桨叶片数识别方法。该方法建立了不依赖于样本的模板库,设计了模板匹配算法和识别结果置信度算法,较好地解决了传统的叶片数识别技术所存在的数学模型失配或规则不全、样本不完善性等问题。对实测数据的分析表明,该方法明显降低了叶片数识别的错误率,使目标类型识别结果趋于稳定。

边界条件熵的属性约简及在定性仿真中的应用(英文)

从Pawlak拓扑的角度,给出了一种知识边界粗糙熵和边界条件熵的新定义,并反映出集合的不确定性可以通过边界域来描述的思想,证明了边界条件熵随着信息粒度的变小而单调减少的重要结论.弹簧定性仿真实例,结合定性推理技术,以边界条件熵为基础构造属性约简的启发式算法,消去定性描述中的冗余,获得了弹簧系统定性微分方程式.实验结果表明,粗集理论在定性推理与定性仿真技术中的重要应用价值,基于边界条件熵的属性约简是有效的.

矢量线阵和标量弧线阵抗左右舷目标模糊性能分析

针对线阵声纳左右舷目标模糊问题,建立了基于矢量水听器直线阵p+v_c和pv_c两种信息处理模式以及标量水听器弧线阵不同布阵方式的抗左右舷目标模糊性能数学模型,分析了不同布阵方式以及不同信息处理模式的抗左右舷目标模糊性能,并进行了仿真计算。分析和仿真结果表明,矢量水听器直线阵和标量水听器弧线阵在分辨左右舷性能和观察范围上各有优势。矢量水听器直线阵虽然可分辨左右舷,但由于在一定扇面内分辨左右舷是依靠声纳方位历程图的明暗差异,在多目标情况下易造成声纳观察上的干扰;具有一定圆心角的标量水听器弧线阵,可以在更宽的扇面内具有抗左右舷目标模糊能力。

谈专业竞赛对教学实践改革的促进作用

本文结合"数据结构"实践教学,探讨了高等教育大众化教育背景下计算机专业人才培养模式。通过介绍近年来我校参加的计算机专业竞赛,说明改革实践教学模式的必要性。

大数据集上基于串行进位链规则提取的矩阵分块算法

分析现有等价矩阵规则提取算法对于大数据集低效性的根源,提出了一种新的等价矩阵以及根据决策类数目分割大数据集的方法,将条件属性和决策属性等价矩阵合并为一个矩阵,称为联合决策矩阵,该矩阵大大降低了等价矩阵的规模;提出了将大数据集转化为在多个子系统上串行进位链计算流程的规则提取快速矩阵算法,充分体现了人工智能领域中分而治之的思想.理论分析表明该算法在效率上较现有算法有显著提高;相应的对比实验结果表明,这种分治策略的矩阵分块和串行进位链法对大数据集上的规则提取的实用性和高效性.

基于统计偏好的边界域重构方法

目前许多挖掘算法都试图使异常信息的影响最小化,或者排除它们,经典粗糙集理论基于正域的属性约简方法也不例外,它直接排除了边界域中样本所包含的信息.如何改变边界域结构,将边界域样本尽可能拓展到正域结构中,从而有效获取更有价值信息的研究很有必要.在经典粗糙集理论的基础上,采用统计学中基于某种偏好策略,提出了边界域重构的基本方法和知识获取方法,进一步讨论了与变精度粗糙集模型之间的联系,并重新定义了变精度粗糙模型中关于β下近似的定义.结果表明基于边界域重构的方法和修正后变精度粗糙集模型正域结构得到相应扩大,获取异常信息能力进一步加强.

一种递增式归纳学习算法

笔者提出的递增式决策函数生成算法是在改造后的分辨矩阵下完成的,更有利于编程实现;避免了传统粗集方法对数据作一次性处理生成庞大的决策矩阵,从而有效解决了在处理大规模数据库时内存不足问题;由于决策函数是递增式生成的,因此该算法适应了目前数据变化的特点,实现了新例的动态学习,因此这种对信息的重用,减少了数据挖掘的时间;同时,递增式决策函数生成算法从根本上解决了多类决策的递增式学习问题。

基于信息Granule属性约简的求解

在传统基于分辨矩阵的约简方法中,用属性构成的集合表达对象间可区分性质;给出了信息Granule的二进制数构造方法,将对象间的可区分性质通过可区分函数的定义实现,并给出约简和核的求解算法。不难发现,后者比施行分辨矩阵更有利于在计算机上实现。

Rough算子求解不一致信息系统的约简算法

为求解不一致信息系统的属性约简,在经典粗集理论模型的基础上,许多学者提出了上、下分布约简等方法,但是,这些方法尽可能保持了原决策系统的决策分布情况并且当数据集基数较大时,时间空间复杂度都较大。本文从另一个视角将大数据库中记录看成概率事件,利用粗集理论导出规则的模糊性度量方法—Rough算子,在多数优先的原则的基础上,将不一致信息系统转化为一致信息系统,并基于此提出了递增式反向求解方法。这种反向求解思想也为在大数据库中求解约简提供了可能。

基于改进区分表的核属性约简算法

知识约简是一个NP难问题,在众多知识约简方法中,核属性基本上作为属性约简的初始解,这样就能有效地减小约简算法在属性空间中的搜索范围,在一定程度上加速了知识约简的进行。然而,核属性解基本上是利用Hu的分辨矩阵法求得的。结合Hu的分辨矩阵算法,讨论了Hu以及Wroblewaski区分表算法中存在的问题,改进了区分表的定义并结合Ye方法提出了基于区分表核属性约简算法,既克服了分辨矩阵方法的缺陷,又避免了区分表算法中存在的问题。实验结果表明该算法能有效求出决策系统的属性核。