二值决策Bayesian粗糙集模型属性约简研究

Bayesian粗糙集模型作为经典粗糙集理论与Bayesian推理发展的综合模型,其近似区域划分以事件发生的先验概率为基准,可有效处理众多实际问题,如医疗诊断、故障检测、经济预测等。针对二值决策Bayesian粗糙集理论,证明了Slezak和Ziarko属性约简模型等价,并进一步给出了相应分辨矩阵描述,从而经典粗糙集模型中基于分辨矩阵的知识约简思想均可平移应用于Bayesian粗糙集模型,丰富了Bayesian粗糙集理论体系。

对Bayesian粗糙集模型的讨论

变精度粗糙集模型是对传统的(Pawlak)粗糙集模型的一个重要拓展,但变精度模型中需要设定人为参数不利于信息的客观体现。Bayesian粗糙集模型是基于变精度和概率论的思想最新提出的无参数模型。对Bayesian粗糙集模型进行了分析,指出了其中的不足,提出了一种改进形式。

基于贝叶斯粗糙集模型的属性约简

在分析贝叶斯粗糙集模型的基础上,将只含有两个决策类的贝叶斯粗糙集的情况推广至含有多个决策类的情况,给出了相关定义和简单性质。从全局相对增益的角度分析了属性重要度,给出以此为启发式信息贝叶斯粗糙集属性约简的启发式算法,且用相应的Matlab程序进行实现。对贝叶斯粗糙集与变精度粗糙属性约简进行了比较,结果证明了算法的有效性。

加权粗糙集算法的PDA图书馆最优选书策略

针对标准贝叶斯网络模型在PDA图书馆选书分析的应用中表现出误差较大的问题,本文提出了一种基于加权粗糙集优化贝叶斯网络的PDA选书模型,首先采用粗糙集的方式,重构属性集合,用新的属性集合代替原来的属性集合,然后采用属性序描述方法,这样得到的约简后的条件属性将按照对决策属性影响逐渐减小的顺序依次排列,为了减小此缺陷的影响,采用加权的方式对基于粗糙集的贝叶斯模型进行改进。仿真试验结果表明,基于加权粗糙集优化贝叶斯网络的PDA选书系统功能完善,并且通过实际选书案例证明其选书精确性较高。

基于动态贝叶斯网络的TBM卡机风险预测

为了预测隧道机械施工时隧道掘进机(TBM)卡机风险,基于动态贝叶斯网络(BN)分析卡机概率系统.通过专家知识以及解释结构模型确定风险因素和风险事件的因果关系,收集国内隧道机械施工地质条件实测数据,根据相关规范、研究成果和云模型云间划分法对风险指标进行区间划分,运用粗糙集分类原理对数据进行离散化,获取风险因素的原始先验概率和风险事件的条件概率.结合软件GENIE,建立动态BN模型预测卡机风险.结果表明:在无证据条件下,TBM卡机风险概率为8%;造成TBM卡机的关键风险因素是岩石类型、大量的地下水和断裂破碎带.TBM卡机的关键致因链为岩石类型→掌子面突泥涌沙→卡刀盘→卡机,大量的地下水→掌子面突泥涌沙→卡刀盘→卡机,高地应力→软岩大变形→卡护盾→卡机,围岩坍塌→卡护盾→卡机.

基于模糊包含度的贝叶斯粗糙集模型

利用变精度模糊粗糙集(VPFRS)模型在属性约简过程中,其结果极易被参数的改变干扰。为克服参数约束,将先验概率引入到文章中,提出一种基于模糊包含度的贝叶斯粗糙集(IDB-BRS)模型,研究了该模型相关性质的同时根据属性相对重要度的启发,给了出基于该模型的属性约简算法。通过在多个UCI数据集上的实验表明,相对于VPFRS而言,IDB-BRS不需要预先给定参数,计算可获得较小的约简和较高的分类精度。

基于不满意度的网络安全模型

提出了一种基于不满意度的网络安全模型,主要功能是帮助用户在网络环境中正确地选择交易对象,屏蔽恶意节点,基于不满意度(degree of dissatisfaction,DoD)对交易节点进行分类控制。节点的不满意度定义为该节点属于恶意节点集的概率。a)使用粗糙集(rough set)模块与Bayesian学习器计算节点的不满意度,依据节点的交易历史记录计算节点的本地不满意度(local DoD,LDoD),依据反馈推荐意见计算推荐不满意度(recom-mended DoD,RDoD),基于不满意度将节点划分为可信任节点、陌生节点、恶意节点等不同的类型;b)基于推荐意见的信息熵(information entropy)计算其可信度,对反馈推荐意见进行综合。实验表明,与已有的安全模型相比,提出的安全管理模型对恶意节点具有更高的检测率,具有更满意的交易成功率。

变精度粗糙集与贝叶斯粗糙集图像分类研究

在经典粗糙集分类模型的基础上利用变精度粗糙集模型,引入近似区分矩阵的概念,提出了一种基于变精度粗糙集的图像分类模型及其分类算法,在变精度粗糙集分类模型的基础上利用贝叶斯粗糙集模型,通过引入全局相对增益函数给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于贝叶斯粗糙集的图像分类模型及其分类算法。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集图像分类方法性能良好,分类准确和高效。