基于Rough Set的最小决策算法的研究

在决策表中 ,每一行对应了一条决策规则 ,但并非所有的条件属性对该决策都起作用 ,所以要进行决策规则的简化 ,简化后的规则集中仍可能会含有可以去掉而又不影响决策制定过程的冗余规则 ,找到最小规则集 ,能去掉所有的冗余信息 ,达到最简化目的 ,因而最小决策算法的研究很有意义。文中提出一种算法 ,可在不求得核值表的情况下 ,直接找到各规则的最小前提条件属性集 ,获得最小决策算法。

基于归纳的值约简算法的研究与实现

在粗糙集理论的基础上,本文研究了归纳值约简过程。归纳值约简算法采用求解知识表达系统决策表的最小决策算法来求其约简,它可以通过分别求解各个决策规则类的最小决策算法来实现。对于每个决策规则类中的规则,首先计算其核值属性,然后判断核值属性是否能够决定该规则,如果能够决定,则输出规则并删除其等价规则;否则,逐渐加入非核值属性,直到能够决定该规则,然后输出规则并删除其等价规则。最终实现了其测试系统。

一类模式识别及其在地层对比中的应用

针对地质条件复杂、参数变化大的油藏地层对比问题 ,提出了一类模式识别方法 ;该方法利用粗集理论中的决策规则最小化算法 ,去掉冗余的属性特征、样本及相互矛盾的学习样本 ,将数字化测井曲线和地层参数预处理 ,转化为二值点阵图像模式 ,压缩点阵数据编码 ,提取和记忆曲线所表征的地层模式特征 ,并利用多层神经网络训练条件属性与模式类别之间的映射关系 ;所得神经网络的记忆能力和推广能力强 。

基于粗糙集及RBF网络的英文字母识别

将粗糙集理论与神经网络相结合,针对7×5分辨率的大写英文字母,构建了基于RBF网络的字母识别系统,给出了该识别系统的核心算法与核心结构。该系统利用粗糙集中最小决策算法对识别矩阵进行属性约简,减少了大量的计算和数据库存储量,同时提高了系统识别速度和识别率。通过计算机模拟实验,将该识别系统的识别率与标准BP网络算法及改进BP网络算法相比较,证实了该系统的优越性,在有约1/7的像素点受到随机干扰的情况下,该系统识别率仍可达到88%以上。