一种基于不可区分度的组合熵与组合粒度

组合熵与组合粒度是一种新的度量信息系统不确定性的有效方法。基于对象之间的不可区分度将组合熵与组合粒度的概念推广到非完备信息系统中,并给出二者的性质。经证明,非完备信息系统中的组合熵与组合粒度之间具有严格的互补关系,并可退化为完备信息系统中的组合熵与组合粒度。实例表明该方法能够时非完备信息系统中的不确定性进行有效的度量,拓展了组合熵与组合粒度的应用范围。

基于知识粒度的高属性维稀疏聚类算法

目前的高属性维稀疏数据算法大多面向二态数据,而且没有聚类结果的评价方法,给应用带来很大局限.针对这些问题,文中提出了一种基于知识粒度的高属性维聚类算法.首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化,并基于此给出稀疏相似度和初始等价关系的定义;然后设计可变精度的二次聚类模型对初始聚类结果进行修正,使算法具有较强的抗噪声能力;最后结合应用领域定义一种新的聚类质量评价模型.实验证明,该算法可提供多粒度分析结果,准确度更高,得到的聚类结果能真实反映数据的特征.

一种基于Rough集的层次聚类算法

Rough集理论是一种新型的处理含糊和不确定性知识的数学工具 ,将Rough集理论应用于知识发现中的聚类分析 ,给出了局部不可区分关系、个体之间的局部不可区分度和总不可区分度、类之间的不可区分度、聚类结果的综合近似精度等定义 ,在此基础上提出了一种基于Rough集的层次聚类算法 ,该算法能够自动调整参数 ,以寻求更优的聚类结果 实验结果验证了该算法的可行性 。

基于改进动态主元分析在半实物仿真系统中的研究

为了实现数据驱动技术在工业中的实际应用,开发了以蒸馏塔作为被控对象的半实物仿真系统,将数据驱动方法应用到流程工业半实物仿真系统.针对动态主元分析方法存在的计算负荷大,计算效率低的问题,提出了一种改进动态主元分析方法,利用不可区分度和交叉程度去除众多变量中的不相关变量或相关度较小的变量,减少数据量.针对系统中的典型故障,数据驱动方法能够检测出半实物仿真系统中的异常,而且与传统动态主元分析比较,改进算法降低漏报率和误报率,提高诊断可靠性,并且能及时检测出生产过程的微小故障.

一种处理混合型数据的层次聚类算法

针对字符型数据和混合型数据的聚类方法进行了研究。首先在经典粗糙集理论的基础上,通过松弛对象之间的不可分辨和相容性条件,得到了基于和谐关系的扩展粗糙集模型;然后定义了新的个体间不可区分度、类间不可区分度、聚类结果的综合近似精度等概念,提出了新的混合数据类型层次聚类算法。该算法不仅能处理数值型数据,而且能处理大多数聚类算法不能处理的字符型数据和混合型数据。实验验证了算法的可行性。