基于不完备信息系统的Rough Set决策规则提取方法

对象信息的不完备性是从实例中归纳学习的最大障碍。针对不完备的信息,研究了基于不完备信息系统的粗糙集决策规则提取方法,利用分层递减约简算法,通过实例有效地分析和处理了含有缺省数据和不精确数据的信息系统,扩展了粗糙集的应用领域。

基于Rough Set的数据预处理

RoughSet理论是一种新的处理不精确,不完全与不相容知识的数学工具。数据预处理是数据挖掘中必不可少的步骤,处理的结果对下一步数据挖掘有直接影响。论文利用RoughSet一些特性对KDD99中的数据集进行处理,并且针对数据集的特点实现了对其进行数据离散化、属性约简等处理。通过这些处理过程为下一步的数据挖掘打下了基础。

基于Rough Set带结论域的关联规则挖掘

论文构建了一种基于RoughSet(RS)带结论域的强关联规则挖掘模型,采用约简决策表和改进的Apriori算法来挖掘关联规则,提高了关联规则的挖掘效率和挖掘质量,提出并实现了带结论域的关联规则挖掘的解决方案。

基于Rough集理论的知识约简与规则挖掘方法

提出了利用可辨识矩阵和分辨函数自动获取规则的算法,该算法从已知决策系统出发,通过决策系统的可辨识矩阵和分辨函数计算核和所有的约简集,以约简集为初始节点,建立层状节点网络模型,对于各节点,提取符合可信度要求的规则写入规则集中。应用实例表明,文章提供的算法是确实可行的。

基于Rough集的单维布尔关联规则的挖掘算法

利用Rough集理论中关于等价类的概念,提出了单维布尔关联规则问题挖掘算法,考虑到关联规则设定单一最小支持度阈值的局限性,提出使用多个最小支持度的办法进行频繁项集的发现,利用兴趣度对单维布尔关联规则进行评价.

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法 ,在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中 ,明显优化判定树 。

一种基于粗糙集理论的连续属性离散化方法

基于粗糙集的有关理论,提出了一种新的连续属性离散化方法·首先说明决策属性支持度的概念,再利用决策属性支持度作为反馈信息,提出一种领域独立的基于决策属性支持度的连续属性离散化算法·该算法能在保证决策表原始分类能力不变的前提下,提高约简效率·同时,各个属性拥有较少的分割区间,会使规则集合更加简洁·通过实例分析比较,说明该算法是非常有效的·

基于粗糙集和决策树的数据挖掘方法

从粗糙集和决策树两种方法具有的优势互补性出发,提出了一种基于粗糙集和决策树相结合的数据挖掘新方法·以胶合板缺陷检测数据分析为应用对象,利用粗糙集理论对胶合板数据库中的特征信息进行缺陷识别·利用谱系聚类重心距离法对数据进行离散化处理,采用粗糙集进行属性约简,得到低维样本数据,最后用决策树方法产生决策规则·实验证明,这种数据挖掘方法保留了原始数据的内部特点,加快了获取知识的进程,提高了模型的分类准确率,增强了规则的可解释性,取得了满意的研究结果·

数据挖掘技术在交通事故分析中的应用

结合关联规则与粗糙集的思想,提出了基于偏好信息的决策规则约简算法,并将该算法应用于长春市历年的道路交通事故数据分析中,从而找出交通事故发生的潜在规律.

带结论域的关联规则的挖掘

为了提高关联规则挖掘的效率和提高关联规则的准确率，提出了以rough set为基础的关联规则挖掘。该文系统介绍了两种挖掘算法的主要过程，并提出了带结论域的关联规则挖掘解决方案。

基于简化分辨矩阵的粗糙集属性约简算法

针对改进的经典算法求取属性约简存在的时间和空间性能不理想问题,本文提出了一种新的属性约简算法ARSDM。该算法先将决策表按决策属性的类别划分,后采用边生成矩阵元素边约简边排序的思想求取属性约简,有效地加快了约简速度。实验表明ARSDM算法与经典算法相比具有较好的时间和空间性能。

粗糙集在数据挖掘分类规则中的应用研究

数据集中的冗余属性会降低数据挖掘结果的解释能力和精度。介绍了数据集中挖掘分类规则的基本原理 ,并利用粗糙集理论中核及决策类覆盖的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系 ,并简化带有不相容规则的决策系统的数据挖掘算法 。

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性.

在数据库中挖掘定量关联规则的方法研究

数据挖掘技术是实现智能决策支持系统的一个重要手段 ,关联规则是数据挖掘的一个重要内容 .传统的 Apriori算法仅适用于挖掘数据间的定性关联关系 ,但数据间的定量关联关系对决策更有帮助 .属性值的离散映射是挖掘定量关联规则的一个重要环节 ,离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素 .本文结合粗集理论提出了一个确定属性值划分粒度的方法 ,在此基础上设计出一个挖掘定量关联规则的算法 :Apriori 2 ,利用Apriori

基于粗集理论的数据挖掘应用

论述了粗集的基本理论和特点,并对其在旋转机械故障诊断中的应用进行了探索,提出了粗集理论在旋转机械故障诊断中的数据挖掘方法,运用这一方法对故障诊断决策表进行属性约简,去除其中不必要的属性,揭示出旋转机械故障诊断条件属性中的冗余性,最后得出了属性约简的结果以及决策规则。

基于粗糙集的关联规则数据挖掘在层流冷却中的应用

卷取温度过程控制主要是通过传统数学模型进行描述，而层流冷却过程是一个非常复杂的非线性过程，尤其是对于低温卷取的温度控制，难以用数学模型精确表达．以攀钢热轧板厂层流冷却系统实测数据为基础建立采样数据的决策表，运用粗糙集理论将采样信息表进行模糊语言化，依据适合实际应用的语言数据关联规则支持度和可信度，通过属性约简，剔除冗余规则，挖掘出隐含的关联规则，通过动态的模糊模型的建立，优化传统层流冷却数学模型．实测数据运算表明，该方法可以将原模型的卷取温度控制精度提高1％～2％，具有很好的应用前景．

基于数据挖掘的教学评价方法

将数据挖掘运用于教学评价之中,可以提高教学评价技术水平,提高教学评价的科学性、客观性和公正性,使之更好地为教学服务。

粗糙集与决策树结合诊断故障的数据挖掘方法

根据数据挖掘技术用于故障诊断的基本思想,利用粗糙集进行数据归纳,过滤大量故障数据中的冗余属性,得到精简故障数据集.而后,用决策树分类方法处理精简数据集,产生分类所需的规则以进行分类,并结合实例说明了该方法的工作步骤.由实例可知该方法用于故障诊断的可行性,最后指出实际应用过程中的一些技术难题.

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.