基于粗糙集理论的数据库推理控制

提出了一种基于粗糙集理论的数据库推理泄漏控制方法。该方法采用粗糙集理论技术,分析、提取出数据库中敏感和非敏感数据之间的联系,根据这些联系和各个属性的重要性,在防止敏感数据被推理泄漏的前提下,对数据库系统返回给普通用户的数据动态地做最小修改。实验结果表明该方法可扩展性强,在保证较高的数据可用性的同时提高了数据库的安全性。

粗糙集理论在关系数据库中的应用

介绍粗糙集理论和在关系数据库方面的应用,分析和研究了应用中粗糙关系数据库模型,以及关系操作、完整性约束和粗糙查询等。

一种基于粗糙集的多级安全数据库推理问题的量化分析方法

信息大都存放在数据库中,信息安全很大程度上依赖数据库的安全。推理是从已知的信息推出新的信息,它是对数据库安全的一个重要威胁,特别数据挖掘的发展,这个威胁变得更加严重。简单描述了多级安全数据库系统的推理问题;介绍了粗糙集理论的相关概念;利用粗糙集理论提出了一种对推理风险进行量化的方法,它不依赖系统安全员的知识,能够处理确定性和非确定性的推理通道;并给出了一个分析例子。

基于粗糙集的分布式数据库查询

本文在分布式数据库技术和模糊集理论的基础上,应用作为数据挖掘的新方法的粗糙集理论,针对分布式数据库的复杂查询处理问题,构建一种基于粗糙集的分布式数据库系统,设计出粗糙集上的查询算法,不仅极大地降低了信息查询的时间复杂性,而且提高了信息查准率,又兼顾了查全率,从而可以更准确迅速地查到所需要的信息,为信息查询和科技查询提供决策支持。

基于粗糙集理论的数据挖掘算法及其应用研究

文章对粗糙集理论及其应用进行了讨论，在分析和综合基于粗糙集理论的数据挖掘算法基础上，提出了新的遗传算法挖掘方法，并就应用模型和应用领域及方法问题进行了分析。通过应用实例表明，文章提供的方法和技术是可行的，具有较大的参考价值。

一种结合粗糙集理论和启发式知识的特征选取算法

通常数据库会包含很多冗余特征,找出重要的特征子集叫做特征选取。粗糙集理论提供了一种数学工具来发现所有可能的特征子集。但因为发现的特征子集的数目通常非常庞大,遍历所有子集将非常耗时。文章介绍一种算法,它结合了粗糙集理论和贪心的启发性知识来有效进行特征子集选取。

基于互信息和粗糙集理论的特征选择

针对互信息方法在精度方面的不足,通过引入粗糙集,给出一种基于关系积理论的属性约简算法,以此为基础提出一个适用于海量文本数据集的特征选择方法。该方法采用互信息进行特征初选,利用提出的属性约简算法消除冗余,获得较具代表性的特征子集。实验结果表明,该特征选择方法能获得冗余度小且较具代表性的特征子集。

基于粗糙集理论的目标特征选择方法

基于粗糙集理论中的分辨矩阵提出一种新的特征选择方法 .此方法的基本思想是 :对目标分类最有效的特征应该能划分最多的不同类样本 .将该选择方法用于人造数据和实际数据的特征选择中 .结果表明 :该方法能正确选择人造数据中的相关特征 ,且能大幅度降低实际数据的特征数目 .使用该方法对水下目标的识别特征进行选择时 ,可将识别特征数目下降至原特征数目的2 0 %左右 ,对特征选择后的数据进行分类时 ,正确率可提高约 6个百分点 .

基于粗糙集理论的恶意代码特征分析

针对Android恶意代码难以检测的问题,根据提取的特征属性案例做出特征信息表,通过粗糙集理论对特征进行权重计算,再利用欧氏距离计算当前特征案例与案例库中特征属性的相似度,然后对提取出的特征进行仿真。实验结果表明,在Android恶意代码的检测中取得了较理想的效果,有效提高了恶意代码检测准确度,系统误报率和漏报率均有所降低。

基于粗糙集理论的C波段无线电信号特征约简

以C波段无线电信号数据库为研究对象,提出了一种新的数据离散化方法。将C波段无线电信号数据库转化为集值信息系统,然后借助于相容粗糙集理论实现了C波段无线电信号的特征约简与规则提取。

基于粗糙集理论的模式分类样本特征选择方法研究

本文提出了一种基于粗糙集理论的模式分类样本特征选择方法,该方法应用粗糙集理论和方法,对给定的学习样本进行特征选择,根据这些特征构造神经网络模型进行训练,并在网络的工作阶段,根据这些特征对待识样本进行分类。在模式分类中,该方法能够减少网络的训练时间并改善网络的泛化能力。

基于粗糙集理论的一维距离像特征处理方法研究

雷达目标一维距离像反映了目标在雷达径向上的投影,对于目标的分类识别具有十分重要的意义。分析了舰船目标一维距离像特征和相关知识的处理,提高了识别率,将数学上的粗糙集理论引入到一维距离像目标识别中,利用大型民船、驱逐舰及小型民船的实测数据和相关先验知识,验证了基于粗糙集理论的一维距离像特征处理方法的可行性。

一种基于粗糙集理论的特征选取方法

特征选取的目的是为了减少分类规则中不必要的特征数。在启发式特征选取方法中,特征是用必要性来测量的。在文献中,粗糙集被用于定义特征的必要性。本文提出一种新的基于粗糙集的特征选取方法—带参数的平均支持启发式方法,该方法考虑潜在规则集的整体质量,选择具有高平均支持数规则的特征。此外,它还带有参数用于调整近似度。最后,通过实例分析说明该方法是有效的。

基于粗糙集(Rough Set)理论的数据挖掘(KDD)过程及其实现

数据挖掘是从数据库中抽取隐含的具有潜在应用价值得信息,进行数据挖掘的方法很多,其中基于粗糙集的数据挖掘方法简单可行。粗糙集是一种处理模糊和不确定性数据的工具,本文结合银行申请信用卡的实例利用粗糙集进行数据挖掘,消去冗余属性,抽取决策规则。

具有非一致性数据预处理的粗糙集特征选择算法

大多数特征选择算法面临着对非一致性数据缺乏有效的处理的问题。本文提出了一种处理非一致性数据的方法,采用阈值将非一致性数据做归类处理,当某一类非一致性数据的某个取值比例超过了该阈值,则该类数据都取该值,并只保留一条记录。在此基础上,本文提出了一种改进的基于粗糙集理论的特征选择算法。

基于粗糙集理论和生命初态信息的继电器寿命预测方法

工作寿命是表征产品可靠性的重要特征量。对于继电器这类长寿命产品,以寿命为指标进行产品筛选的方法目前还未得到深入研究。近来通过对继电器寿命试验数据进行分析发现:继电器个体的寿命与其生命初期的性态有关,初期性态较好的个体其寿命也较长,反之则寿命较短。本文基于这一发现提出了继电器的个体寿命预测与筛选方法,即首先通过寿命试验获取一组样本在生命初期的性能参数值与寿命值,然后利用粗糙集理论中的属性约简提取一组与寿命相关的性能参数,并建立一组寿命决策规则。此后对于任一同型产品,只要测出其生命初态信息即可根据这组规则预测其寿命,进而完成以寿命为指标的继电器产品筛选。本文最后进行了实例分析,结果表明了该方法的有效性。

粗糙集理论在机械故障诊断中的应用研究

为了对诊断过程中大量的冗余特征进行压缩或约简 ,将粗糙集理论引入到机械故障诊断过程中 ,提出了一种特征约简的算法 .通过 2个典型诊断实例对该算法进行了验证 ,结果表明 :在保证故障分类结果基本不变的情况下 ,该算法可以查找出对故障分类起主要作用的特征 ,从而达到了特征约简的目的 ,为粗糙集理论在机械故障诊断中的深入应用打下了基础 .

基于粗糙集与蚁群优化算法的特征选择方法研究

已有的基于蚁群优化算法的特征选择方法是从随机点出发,寻找最优的特征组合。讨论和分析了粗糙集理论中的特征核思想,结合蚁群优化算法的全局寻优特点,以特征重要度作为启发式搜索信息,提出从特征核出发基于粗糙集理论与蚁群优化的特征选择算法,简化蚁群完全图搜索的规模。在标准UCI数据集上进行测试,实验验证了新算法对于特征选择的有效性。

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。

粗糙集理论在字符识别中的应用

介绍了粗糙集理论在字符识别中的应用。首先叙述了粗糙集理论的相关内容，并讨论了粗糙集中的概念和方法与字符识别的关系，然后介绍了几个常用的粗糙集在字符识别中应用的算法并给出了例子。