基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展 ,提出了一种模糊 -粗糙集模型 .利用模糊集理论和 Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化 ,并用模糊贴近度构造模糊相似矩阵 ,把普通粗糙集的不可分辨关系推广为模糊相似关系 .提出一种基于模糊 -粗糙集模型的归纳学习算法FRILA,此算法和决策树算法相比 ,具有得到的规则数目少、规则表示简单等优点 .

基于模糊-粗糙集的文本分类方法

在文本分类过程中,类别之间的重叠以及标志类别属性的不足会导致类别的边界之间出现模糊不确定性和粗糙不确定性,而传统的k-近邻方法无法解决这一问题;同时,在传统的k-近邻方法以及其他一些改进的k-近邻方法中,最优七值的选取需要通过训练得到.文中借助模糊-粗糙集理论来改进传统的k-近邻方法,并使用基于距离的邻城空间,以不经训练地确定适宜每个待分类文本的k-值,最后将所提方法和其他一些k-近邻方法进行了实验比较,结果表明模糊-粗糙集方法能够在一定程度上提高分类的精度和召回率.

一种改进的基于模糊-粗糙集的属性约简算法

传统的粗糙集理论所面临的问题是只能应用于离散数据集;而离散后的数据集中可能会丢失重要的信息。本文在现有算法的基础上进行了改进,运用模糊—粗糙水平集来达到简化计算量的目的。

基于模糊-粗糙集和傅里叶-梅林变换的HRRP识别

提出一种基于模糊-粗糙集理论和傅里叶-梅林变换的高分辨雷达距离像识别方法。模糊-粗糙集理论将模糊集概念引入到粗糙集理论中,克服了传统粗糙集理论不能直接处理连续值特征的缺陷;傅里叶-梅林变换具有时移与尺度伸缩不变性,能够克服距离单元的平移、伸缩给识别带来的困难。实验表明,该方法具有强大的特征压缩能力,所设计识别系统具有良好的识别率。

基于EM的模糊-粗糙集最近邻算法

针对由类的重叠引起的训练样本模糊不确定性,以及属性不足引起的类边界粗糙不确定性,提出一种基于期望-最大化(EM)的模糊-粗糙集最近邻分类算法——EM-FRNN。利用UCI数据库的突发性水污染事件案例进行实验,实验结果表明,与朴素的KNN、模糊最近邻算法、模糊粗糙最近邻算法相比,该算法的运算精度高且计算成本较低。

基于模糊-粗糙集算法的知识级约束建模

提出了支持复杂产品并行协同设计的广义动态约束网络(GDCN)概念和模型;然后,提出了模糊-粗糙集算法,对仿真结果进行数据挖掘,实现知识级约束获取;最后,开发了基于仿真的知识级约束获取系统,并以某型号V6发动机曲柄连杆机构设计为例,说明了方法的准确性和有效性。

一种改进的基于模糊-粗糙集的属性约简算法

FRSAR(Fuzzy-rough Set Attribute Reduction)是一种基于模糊-粗糙集的属性约简算法,它可以避免离散化时数据信息的丢失,但是该算法中决策属性对条件属性集依赖度的计算设计的不是很完善。本文提出了一种改进的FRSAR算法,它只考虑能够使属性集依赖度增大的属性,这样就降低了计算量。实验结果表明,改进算法和原有算法得到相同的约简结果,但是改进算法的执行时间大大降低。

多粒化模糊软粗糙集模型

为了扩大粗糙集理论的应用,特别是在模糊环境中的应用,基于模糊软集和模糊蕴涵算子,主要研究基于软模糊近似空间的乐观多粒化模糊软粗糙集模型。该模型将参数集根据客户的不同要求或目标进行重组,只选择若干相关参数集参与计算上、下近似,这样定义的上、下近似不再由整个属性集决定,而是根据重组后的多个属性集一并生成,从而使结果更加符合实际需求。另外,还定义了乐观多粒化模糊软粗糙集模型的截集并讨论了其相关性质。最后给出了算例。

新型雷达装备故障诊断规则的AFRS提取方法

针对经典粗糙集方法在雷达装备故障诊断规则提取中,由于离散化带来的误差,提出将原始数据模糊化,然后使用蚁群算法进行属性约简,从而达到避免离散化和提高诊断规则准确度的目的;通过实验证明该方法能够克服经典粗糙集的不足,在雷达装备故障诊断中取得了良好的效果,为新型雷达装备的故障诊断开劈了一条新的途径。