不完备信息系统中可变精度Rough集模型

本文分析了已有不完备信息系统中可变精度Rough集模型存在的不足,提出了其改进模型;通过引入遗传算法来解决模型中的阈值优选问题,使阈值优选自动化。仿真试验说明了改进模型的有效性和优越性。

基于可变精度粗集模型的k-NN分类

将可变精度粗集模型与k-NN分类结合起来,提出了一种新的分类方法,即基于可变精度粗集模型的k-NN分类方法,并且给出了β-信任函数和β-似然函数两个新的概念。

基于可变精度粗集模型的增量式规则获取算法

为了获取最小决策规则集,当增加新样本时,传统的方法通常需要对决策表中所有数据重新计算,效率欠佳。从可变精度粗集模型理论出发,讨论了新增记录与已有条件属性等价类的关系及对规则集的影响,在此基础上提出了基于可变精度粗集模型的增量式规则获取算法。通过仿真实验表明,这种增量式算法是可行的。

基于VPRS的重要属性评价方法研究

提出了基于可变精度的Rough集(VPRS)的重要属性评价方法,有效地克服了基于Pawlak粗集理论的属性重要性判别方法的不足,也是传统属性重要性判别方法的扩展,为不精确数据的属性重要性判别提供了依据,因而具有一定的实用价值.