基于不一致近邻的模糊粗糙集特征选择

模糊粗糙集可突破经典粗糙集仅能处理离散数据的局限,有效对连续型数值进行特征选择。然而,模糊粗糙集以对象为中心计算,时间复杂度高,难以处理高维和大规模数据。为此,基于水平截集提出一种不一致近邻加速策略。该策略跟踪论域中每个对象的模糊近邻集,持续删减其中不影响计算的近邻,若对象的不一致近邻删减至空,则删减该对象,从而提高算法效率。同时,设计一种基于不一致近邻递减的属性重要度,可有效抑制冗余特征入选,提升效率及分类精度。通过理论证明,所提的加速策略及属性重要度不影响属性入选的次序。在此基础上,提出新的模糊粗糙集特征选择算法。在9个UCI和scikit数据集上进行验证,实验结果表明,该算法不仅有效缩短运行时间,并可取得较高的分类精度,相比FA-FSCE、AVDP和IV-FS-FRS-2算法,运行时间至少可缩短9.44%,尤其在高维和大规模数据上可缩短61.01%~99.54%,在支持向量机和K-近邻算法的分类精度上最高可分别提高11.20%和19.95%。

基于平均型聚合函数的多粒度模糊粗糙集

多粒度模糊粗糙集(multi-granulation fuzzy rough set,MGFRS)是一种重要的粗糙集模型。乐观多粒度模糊粗糙集和悲观多粒度模糊粗糙集分别给出了被描述对象的两种极端描述。从数据聚合角度看,将不同粒度值合并为单一粒度值时,乐观MGFRS采用的是取小算子,悲观MGFRS采用的是取大算子。将取小与取大算子拓展为一般的平均型聚合算子,提出了一种新的多粒度模糊粗糙集模型:基于平均型聚合函数的多粒度模糊粗糙集(multi-granulation fuzzy rough set model on the base of average aggregate function,MFA)模型。研究了MFA模型的基本性质,给出了MFA模型与乐观和悲观多粒度模糊粗糙集的关系。同时,基于MFA模型,提出了基于平均型聚合算子的粗糙近似集模型。

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集,而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集,引入vague集进行融合扩张,研究双论域区间值直觉模糊vague粗糙集.首先,定义区间值直觉模糊vague相容类,构建双论域区间值直觉模糊vague粗糙集模型,提出关于双逼近近似和三支决策区域的计算算法,并确立该模型的精确度、粗糙度、依赖度.然后,研究该模型的近似算子与不确定性度量的性质.最后,采用医疗例子进行模型计算、度量测量、性质验证,并得到关于患者临床诊断的患病分析与治疗决策.

区间值直觉模糊β覆盖粗糙集模型

在新的β覆盖邻域系统上提出四种区间值直觉模糊β覆盖粗糙集模型,用于有效处理区间值直觉模糊信息的多属性决策问题.首先,从论域的区间值直觉模糊β覆盖出发,引入两类新的邻域系统并构造了四种不同类型的区间值直觉模糊β覆盖粗糙集,扩展了现有模型的适用范围.其次,深入研究了每种模型的数学性质,构建了所提出的四种模型之间的关联关系,为模糊β覆盖粗糙集领域的研究提供了理论基础.最后,为解决区间值直觉模糊信息的多属性决策问题,设计了决策算法并进行应用实例分析,并通过与其他决策方法的对比分析,表明了区间值直觉模糊β覆盖粗糙集在多属性决策问题中具有可行性和有效性.研究成果对于复杂模糊信息决策具有一定的参考和指导意义,并为解决多属性决策问题提供了新的思路和方法.

基于区间值犹豫模糊多粒度粗糙集的三支决策模型

针对区间值犹豫模糊信息系统,提出了两种基于区间犹豫模糊多粒度粗糙集的三支决策模型。首先,借助多粒度粗糙集理论,提出乐观和悲观区间犹豫模糊多粒度粗糙集模型。其次,引入区间犹豫模糊连续交叉熵的概念,用TOPSIS方法来计算对象在不同情况下的条件概率。基于此,定义区间犹豫模糊决策理论粗糙集并给出相应的三支决策规则。最后,通过实例验证了这两种模型对目标评估采取不同的态度和决策方案,并且证明了所提算法的有效性。

基于模糊粗糙集的层次分类增量特征选择

随着大数据时代的到来,数据的类标签数量急剧增加,对现有的分类任务带来了严峻的挑战。为了解决这个问题,人们通常将标签组织成层次结构,使用结构中所包含的信息来对任务进行学习。考虑样本的不断增加,使用模糊粗糙集信息熵设计了一种面向层次分类的增量特征选择算法。考虑兄弟策略,将现有的λ条件熵推广到了层次分类的情形,设计了一种非增量的层次分类特征选择算法,设计了λ增量条件熵,基于此设计了增量版本的特征选择算法。在实验中,采用了包括非增量版本在内的7种不同的特征选择算法在5个层次数据集上与增量算法进行比较,实验结果验证了2种算法的有效性,并且所设计的增量算法能在不影响性能的情况下加快特征选择的进程。

基于θ算子的多粒度直觉模糊粗糙集模型

针对在多属性决策中决策者难以在多个属性相互冲突时做出准确判断的问题,文中在直觉模糊近似空间中,首先利用直觉模糊集的隶属度、非隶属度与模糊蕴含算子,提出了基于θ算子和θ*算子的直觉模糊集及其隶属度和非隶属度的概念,并证明了它们的一系列性质。然后,在直觉模糊集与多粒度粗糙集上,定义基于θ算子的多粒度直觉模糊粗糙集的悲观、乐观模型,讨论两种模型的相关性质。最后,给出了基于θ算子的多粒度直觉模糊粗糙集模型的多属性决策算法,将高校引进的人才评价和企业绿色经济供应链的商家评价作为实例进行了分析,同时还与已有方法进行了分析对比,用乐观、悲观模型与已有方法的决策结果的对比证明了所提方法的正确性,并验证了该模型算法的有效性。

区间值对偶犹豫模糊β覆盖粗糙集模型

为有效处理区间值对偶犹豫模糊信息决策问题,结合区间值对偶犹豫模糊集和β覆盖粗糙集提出四种区间值对偶犹豫模糊β覆盖粗糙集模型对该问题进行研究。首先,从区间值对偶犹豫模糊β覆盖诱导出两种邻域系统,定义了四种不同的区间值对偶犹豫模糊β覆盖粗糙集;其次,研究了每种区间值对偶犹豫模糊β覆盖粗糙集的相关数学性质,建立了四种区间值对偶犹豫模糊β覆盖粗糙集之间及其与其它相关模型之间的关系;最后,基于该模型设计了多属性决策算法,通过实例应用有效验证了区间值对偶犹豫模糊β覆盖粗糙集在解决实际问题中的适用性。

基于IGIFR关系的区间灰数直觉模糊粗糙集模型及性质

在论述区间灰数直觉模糊集概念基础上,提出了区间灰数直觉模糊关系与区间灰数直觉模糊等价关系概念,定义了基于区间灰数直觉模糊关系环境下的区间灰数直觉模糊粗糙集模型,并讨论了相关性质.

基于(I,O_(s))-模糊粗糙集的图像边缘提取和特征选择应用

首先,利用半重叠函数和模糊粗糙集,构造了(I,O_(s))-模糊粗糙集模型,提高了模型的灵活性和适应性;其次,将该模型与模糊C-均值算法相结合,提出了一种新的图像边缘提取算法,该算法在较低引入率的情况下,能够提取到完整的图像边缘;最后,基于(I,O_(s))-模糊粗糙集模型,提出了一种新的特征选择算法,相较于传统的特征选择算法,该算法在保持高分类精度的情况下,可以选择更少的属性条件.实验证明,基于(I,O_(s))-模糊粗糙集模型的算法具有可行性和有效性,可以为相关研究和领域提供支持.

基于模糊粗糙集的工程地形测量数据缺失填补研究

由于工程地形测量受到多种因素影响,只能获取部分数据,填补后的数据中缺失值较多。因此,提出基于模糊粗糙集的工程地形测量数据缺失填补研究,深入挖掘工程地形测量数据的空间关联性,全面理解数据背后的空间结构和拓扑关系。为了更准确地描述地形特征,从多维度提取数据,利用模糊粗糙集进行数据降维,以降低计算的复杂度并保留关键信息。利用处理后的数据生成真实的测量数据序列,进而填补缺失值,形成完整的数据集。实验结果表明,该方法能显著减少数据的缺失数,提高数据的完整性。

基于模糊粗糙集的大型汽轮机组设备故障识别方法

针对大型汽轮机组设备故障种类多,提出基于模糊粗糙集的大型汽轮机组设备故障识别方法。首先,模糊化处理大型汽轮机组设备故障信息,将复杂的故障信息转化为简单的模糊编码后,使用故障类型-征兆特征决策表生成方法构建特征决策表,表中各行代表故障类型,各列代表故障征兆特征;将决策表数据输入基于改进可拓神经网络聚类的故障分类模型中,决策表的历史数据作为训练数据,当下机组设备运行状态数据作为测试数据,通过判断当下设备运行状态是否与某故障类型-征兆特征决策表的数据匹配,完成设备故障识别。实验中,此方法可有效识别16种汽轮机组设备故障。

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。

基于模糊粗糙集和蜂群算法的属性约简

为获取连续属性数据集的最小属性子集,提出一种基于模糊粗糙集和人工蜂群算法的约简方法。首先由边缘蕴含算子和t-模给出集合的模糊粗糙近似,以下近似构建模糊粗糙正域,并据此确定决策属性对条件属性集的依赖度,然后通过依赖度和约简率构建能够反映属性集大小和重要性的目标函数,将属性约简问题转化为优化问题,最后以目标函数为迭代准则,利用人工蜂群优化算法完成数据集的属性约简。仿真结果表明:该方法在不降低分类正确率的同时,可以有效降低属性维数。

基于模糊粗糙集和鲸鱼优化支持向量机的化工过程故障诊断

针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集(fuzzy rough sets,FRS)和鲸鱼优化的支持向量机(support vector machine,SVM)的化工过程故障诊断方法。通过对化工过程历史数据分析,判别故障类型。首先,利用模糊粗糙集对离散化后的过程数据进行特征选择,经过属性约简得出最小故障特征集合;然后,利用一种新型元启发式算法——鲸鱼优化算法(whale optimization algorithm,WOA),对支持向量机的参数进行优化,根据全局最佳适应度函数值,构建故障数据分类模型;最后,将属性约简后的数据集输入到鲸鱼优化的支持向量机故障分类模型中,实现化工过程的故障诊断。利用田纳西-伊斯曼(Tennessee Eastman,TE)过程对构建的FRS-WOA-SVM故障分类模型进行测试及比较。结果表明,该方法故障诊断准确率高、诊断速度快,可以有效地对化工过程中的故障做出诊断。

直觉模糊粗糙集理论在电网灾害评估中的应用

该文从应对突发事件和灾害造成电网大停电事故的角度,分析自然灾害对电网的影响因素。在此基础上针对电网灾害中影响因素的模糊性、不确定性,建立了应用于电网灾害的评价指标体系。采用基于直觉模糊粗糙集的方法对电网灾害做出及时准确的评估,确定灾害级别,并随着事态的发展调整更新,从而为应急决策提供科学依据。该文利用属性约简,降低灾害属性的冗余度;利用值约简,提取评价规则。以对辽宁省雪灾的评价为例,验证了该评价指标及评价方法的有效性与实用性,并实现了可视化灾害评估系统的设计与开发。该研究对提高电力系统应对自然灾害的应急响应和抗风险能力具有重要意义。

基于模糊粗糙集理论的建筑业综合评价

根据模糊聚类和粗糙集理论的基本原理,利用模糊聚类的相似关系与粗糙集可辨识矩阵的特性,结合这两种方法的互补优势,研究了将之应用于建筑业综合评价的方法和步骤.通过模糊聚类法形成粗糙集下的决策信息系统,采用基于可辨识矩阵的启发式约简法对属性约简,计算出约简后各属性的权重.利用各属性的权重分别对各省市(或地区)的建筑业指标评价值加权求和从而得出各自的建筑业综合评价值,对其结果的客观性和实用性所进行的分析评价证明该方法有效.

变精度模糊粗糙集的一种定义

模糊粗糙集模型同经典粗糙集模型类似,容易受到噪音数据的影响.针对该问题,受变精度粗糙集模型的启发,提出了变精度模糊粗糙集的概念.针对现有变精度模糊粗糙集模型尚不能满足一些基本性质的缺陷,重新定义了模糊近似空间中某一模糊集的β-下近似和β-上近似,该定义方式能够满足上述的基本性质.

模糊粗糙集理论研究进展

介绍模糊粗糙集的概念及发展进程.提出了理论建立过程中,分别以推广到模糊集、引入模糊逻辑算子、拓展到两个论域为特点的三个发展阶段;分析、比较了各阶段代表性理论的特点,并对模糊粗糙集的未来发展作出了预期。

基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性,采用单一智能方法难以准确描述。文中基于智能互补融合的思想,将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩,获得最小诊断规则,基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理,便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明,文中所提出的智能方法可以有效地进行模糊推理,减小诊断信息的冗余性,诊断效率高,计算快速、准确,结果易于被人理解。