基于粗糙集约简与概率图的认知诊断模型研究

随着孤独症儿童的数量不断增加,准确且及时地对其进行认知诊断变得愈发重要.构建基于粗糙集约简算法的孤独症诊断知识库,研究基于概率图的认知诊断模型,以提高对孤独症儿童诊断的准确性和效率.实验结果表明:该认知诊断模型的均方根误差值范围为0.10~0.11,平均绝对误差值范围为0.009~0.115,在孤独症儿童的认知诊断中具有较高的准确性和稳定性.

Rough有限格的蕴涵规则挖掘

提出了一种基于 Rough有限概念格的规则发现方法 (RRLIRD) ,以揭示数据集中的蕴涵规则 .首先引入有限概念格的简化表示形式 ,由用户选择数据集中感兴趣属性集创建概念格结构 ,提高用户的交互性和挖掘的效率 ;然后运用有限概念格与 Rough集理论相结合形成 Rough有限概念格 ,蕴涵规则则由其特有的上、下近似运算得到 ,不需计算繁琐的频繁项目集 .算法运用大型超市的交易流水数据进行仿真实验 .结果表明 ,执行时间比经典的 Apriori算法大大降低 .该算法也适用于证券行情分析和农业数据库中的病虫害分析等 .

基于Rough集数据挖掘模型的钻头磨损状态预报系统

利用Rough集数据挖掘模型分析主电机电流、钻头直径、切削参数等因素与钻头磨损的规律 。

基于Rough集理论的教育评价模型

提出了一种基于粗集理论的教师导向性评价模型.与其他模型相比,该方法更简洁、科学、有效.

移动蜂窝网络多出口流量数据精准清洗方法

为了提升移动网络多出口流量数据的清洗精度,降低冗余数据占比,提出移动蜂窝网络多出口流量数据高效清洗方法。依据移动蜂窝网络结构特点以及流量特征,预处理移动蜂窝网络多出口流量数据;利用差分自回归移动平均模型,构建移动蜂窝网络多出口流量数据高效清洗模型;将多出口流量数据四元组作为模型输入,运用优化粗糙集理论的数据约简算法,达到精准清洗移动蜂窝网络多出口流量数据的目的。实验证明该方法可通过流量数据预处理降低冗余数据占比,可降低流量数据输出出错率,提高了移动网络多出口流量数据的清洗精度。

基于双向LSTM神经网络的站点周边水位预测系统设计

为提升水利设施监测站点周边水位预测的准确性,设计基于双向LSTM神经网络的站点周边水位预测系统;系统硬件部分设计了周边水系查询体系与水位记录装置;系统软件根据初始参数定义结果建立LSTM神经网络布局模型,设计双向LSTM解码器,其连接闭环能够有效地提高模型的预测性能和稳定性;采集水位数据并进行清洗处理,利用清洗后的数据对象建立一维水动力模型,计算水系糙率,确定流量与延时时间的数值关系,将上述参数作为输入值对双向LSTM模型进行训练,实现水位信息的预测;实验结果表明,在实验水系区域内,所提方法5月份、6月份的水位记录数据与原始水位数据之间的差值始终为零,拟合误差也为零;而对比方法中基于DWT-LSTM的水位预测模型的5月份、6月份的水位差值分别为1.9 m、1.1 m;抽水蓄能引水型水位监测系统的5月份、6月份的水位差值分别为3.0 m、2.4 m。

基于大数据挖掘的混合式教学模式质量评价方法

数据维度的增长会加大数据处理难度,导致教学质量评价耗时较长,为此提出了一种基于大数据挖掘的混合式教学模式质量评价方法。该方法采用关联规则挖掘教学数据,然后采用粗糙集对挖掘结果进行属性约简,以提升教学评价效率。基于数据处理结果,建立面向教学评价的模糊综合评价模型,获取教学质量评价结果。实验结果表明,设计方法的评价结果更加精准,评价误差始终保持在2.5%以下,且效率较高,最短评价耗时仅为10.3 s,明显优于现有方法,具备实际应用价值。

基于无人机点云数据土壤粗糙度测量方法

耕地土壤粗糙度是影响土壤水分、微波遥感观测和植物生长等农情信息监测方面的重要因子。土壤粗糙度通常是根据野外拍摄照片进行判读,但存在判读效率低、受人为因素影响等不足。无人机低空遥感对观测地表起伏状况具有良好的敏感性,因此基于摄影测量利用无人机对地表进行拍摄,将其结果与粗糙度测量板获取的数据进行对比,探讨无人机数据测量土壤粗糙度的精确性。研究结果表明:近景摄影测量的平均绝对误差主要集中在0.4~1.2 cm之间,平均相对误差为6.16%,均方根误差为0.40 cm。表明无人机点云摄影测量可有效运用于地表粗糙度的测量,且当分块采样的面积越小时,获得粗糙度的值越精确。

考虑强化粗糙集属性的快递运输风险快速挖掘

快递运输过程中受自然天气变化以及交通情况等突发事件的影响,导致快递配送出现延迟。由于随机干扰因素较多,风险主次序列难以划分,提出基于强化粗糙集属性的快递运输风险挖掘方法。获取快递运输突发事件历史数据,剔除数据的噪声与冗余。构建风险相似度矩阵,提取突发事件历史数据的类别和特征。结合评价指标和其它行业运输风险评价特征,划分风险的主次序列。通过强化粗糙集方法,挖掘快递运输中不同决策属性间依赖关系,多层次挖掘快递运输风险。通过实验证明提出方法能够快速挖掘出快递运输中风险,明确发生事故的可能性与危险程度。

数据挖掘技术的微信影响力预测模型

信息时代的到来,催化了微信等通讯工具的发展,微信属于网络信息传输的核心载体,信息传输速率快,能够提升微信影响力,为此构建了基于数据挖掘技术的微信影响力预测模型。该模型使用基于粗糙集理论和BP神经网络的微信传播数据挖掘算法,采集预测微信影响力的有效数据;通过基于主成分分析的微信影响力预测模型,使用Z-Score法降低数据维度,实现数据标准化后,使用主成分分析法,提取微信数据特征,按照特征值大小设定微信影响力预测指标,将预测指标主成分特征实施归一化并设置权重后,构建影响力整体预测函数,实现微信影响力预测。预测结果显示,此模型预测的微信影响力和实际高度吻合,预测误差最大值仅有1%,且具有较高的查全率和查准率。

一种建立粗糙数据模型的监督模糊聚类方法

提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法.该方法将RDM模型的分类质量性能指标与具有良好特性的Gustafson-Kessel(G-K)聚类算法结合在一起,并通过引入数据对模糊类的推定隶属度的概念,给出了将模糊聚类模型转化为粗糙数据模型的方法,从而设计出一种通过迭代计算使目标函数最小的两个必要条件方程来获取RDM模型的有效算法,将Kowalczyk方法的多维搜索过程变为以聚类数目为参数的一维搜索,极大地减少了寻优时间.与传统的粗糙集理论和Kowalczyk方法相比,提出的方法具有更好的数据概括能力和噪声数据处理能力.最后,通过不同的数据集实验测试,结果表明了该方法的有效性.

模糊粗糙数据模型:一种数据分析的新方法

提出了一种数据分析的新方法———模糊粗糙数据模型(Fuzzy Rough Data Model,FRDM).该方法采用动态自适应模糊聚类技术,将Kowalczyk方法中的粗糙数据模型(Rough Data Model,RDM)对输入数据空间的网格状“硬划分”转化为模糊划分,辨识输入数据空间中的模糊模式类,并通过定义各模糊模式类与决策类别之间的类型映射关系ftype:Ci→y,以及输入数据对各模式类分类规则的匹配度(Degree of Fulfillment,DoF(x))概念,建立起相应的FRDM模型.不同数据集的实验测试结果表明,与Kowalczyk的RDM方法相比,文中方法具有更好的数据概括能力、更强的噪声数据处理能力和更高的搜索效率.

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法.该方法通过自适应G-K聚类实现输入输出积空间的模糊划分,进而在聚类数和约简属性搜索的基础上,提取优化的模糊粗糙模型(Fuzzy rough model,FRM),并在融合神经网络后实现粗神经网络建模.分类实验表明,FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法,而且比单纯的FRM模型具有更强的综合决策能力,和传统的粗逻辑神经网络(Rough logic neural network,RLNN)相比,FRM_RNN_M方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力.

知识建模和数据挖掘融合的粗糙度预测新方法

针对当前制造过程海量信息和定性定量知识并存的特性,提出知识建模和数据挖掘技术相融合的建模思想。基于粗糙集模型,首次建立知识的粗糙集函数关系,并构建基于"不可分辨—函数"关系的新型粗糙集模型及预测方法,用以预测加工表面粗糙度。新模型将已有知识嵌入到数据挖掘模型中,其信息划分更精确,获取的决策规则蕴含的知识更丰富,故预测精度更高,预测范围更广。与其他预测模型相比,所建模型仅利用已有知识和信息,不需要建模者额外设计和设定模型的结构形式和参数。实验结果也表明,所建模型在预测有效性和预测精度上均有较好表现。

基于粗糙集的模糊模型辨识方法

提出了一种基于粗糙数据分析的模糊模型辨识方法·二值化数据过滤和决策表的简约算法是该方法的两个关键点·通过将传统的决策表转化成二进制决策表 ,并采用二值化数据过滤技术 ,可以同时简化决策表的属性和属性值·通过决策表的简约算法 ,从决策表中提取出重要的属性和关键的属性值 ,从而得到了输入空间的模糊最优化分 ,进一步得到模糊模型的前提结构和参数·利用这种方法以一组经典数据为背景建立了岩石边坡工程中边坡稳定性分析的模糊模型 。

粗糙集理论研究的矩阵方法

针对粗糙集研究中集合之间关系的计算问题,提出了一种基于矩阵的度量和计算方法。该方法通过引入类矩阵算子、关系矩阵算子、集合矩阵等概念和借助水平截矩阵,得到集合的矩阵表示以及集合与等价类之间关系的矩阵计算。通过对该方法的一些基本性质讨论,给出了该方法在变精度粗糙集模型中属性约简的具体步骤,并用实例说明了其有效性。

河西走廊下垫面粗糙度实测值与模拟值的差异性分析

利用甘肃省河西地区17个风塔观测资料和风向风速标准差法,计算了风塔处的下垫面粗糙度,并与中尺度数值模式ARPS中使用的粗糙度参数进行了比较分析。结果表明,数值模式中使用的粗糙度值和实况具有一定差异,其使用的粗糙度定义方案并不能准确地反映出下垫面粗糙度和非均一性特征。差异最大出现在草原下垫面上,可达375%,且差异程度随下垫面植被复杂程度增加。

基于粗糙集理论的数据清洗模型

论文在基于粗糙集理论的基础上提出一个大数据系统的数据清洗模型,以利于信息不完备决策问题的实施。模型从给定的初始数据出发,在假定属性的重要性量度σ0的前提下,经过一系列的计算,比较属性实际重要性量度σCD(x)与σ0的大小,由此确定属性x的清洗,然后根据清洗后的数据得出相应的决策规则。并给出一个简单的例子来验证数据清洗模型。

网络态势评估的粗集分析模型

互联网的飞速发展导致系统复杂性随之增加。传统网络管理无法满足需求,基于融合的网络态势感知成为未来发展的必然方向。作为网络态势感知的核心,态势评估能够集成单元网管,提供全面宏观的网络状态视图,为决策提供支持。本文从网络态势的特点和需求出发,引入粗集理论,借助其在机器学习、处理海量冗余信息、特征选择等方面的强大能力,提出了基于粗集分析的网络态势评估模型,给出形式化定义,并详细介绍了评估流程。评估流程包括建立决策表、数据预处理、态势因子选择、协调性判断、条件属性约简以及决策规则约简等步骤。实验验证了原型系统的效果和效率。

基于粗糙集理论的主机安全评估方法

针对大多数安全评估系统不能评估漏洞的组合对网络安全危害的缺陷 ,提出采用粗糙集理论进行主机安全评估的方法 .该方法利用历史评估记录 ,把漏洞作为安全要素 ,在基于粗糙集理论的属性约简能力上 ,建立了安全评估模型以及具有安全要素、服务和主机 3个层次的安全风险度量模型 ,再结合安全要素和服务重要性因子进行加权 ,计算主机的安全风险 ,进而评估、分析系统的安全态势 .与其他方法相比 ,该方法能够自动建立基于规则的安全评估模型 ,评估单个安全要素和安全要素的组合对系统安全的威胁 ,且能够监控因系统配置改变引起的系统安全状态的变化 .通过仿真实验建立了系统安全态势曲线 ,从 7天的实验记录中还发现了 9条有用的评估规则 ,这表明采用该方法的评估结果更加准确。