基于凸Rough集的数据约简和规则发现研究

为了有效地从凸序列中约简数据和发现知识 ,解决Rough集中的凸序列处理问题 ,在深入研究凸序列和Rough集理论的基础上 ,提出了凸Rough集模型 ,定义了凸Rough集和凸Rough模糊集 ,给出了凸Rough模糊集的隶属函数和应用凸Rough集进行数据约简及规则发现的算法 .最后分析了一个应用案例 ,验证了模型的可行性 。

Rough集高效算法的研究

深入分析了现有Rough集算法低效性的根源 ,围绕不可区分关系和正区域两个核心概念 ,研究了不可区分关系的性质 ,给出并证明了正区域的一种等价计算方法 ,从而得出高效的Rough集基本算法 ;随后 ,分析了正区域的渐增式计算 ,并给出了一种完备的属性约简算法 .理论分析和实验结果表明 ,该约简算法在效率上较现有的算法有显著提高 .

一种基于Rough集的层次聚类算法

Rough集理论是一种新型的处理含糊和不确定性知识的数学工具 ,将Rough集理论应用于知识发现中的聚类分析 ,给出了局部不可区分关系、个体之间的局部不可区分度和总不可区分度、类之间的不可区分度、聚类结果的综合近似精度等定义 ,在此基础上提出了一种基于Rough集的层次聚类算法 ,该算法能够自动调整参数 ,以寻求更优的聚类结果 实验结果验证了该算法的可行性 。

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一.为了能够有效地获取决策表中属性的最小相对约简,在Rough集理论的基础上构造了一个新的算子,将信息论角度定义的属性的重要性作为启发式信息,来描述在决策表中条件属性所提供的知识对决策属性的影响;并采用宽度优先搜索策略,提出了一种新的属性约简启发式算法.以原始条件属性集为起点并结合算子,通过向属性核的递减式逼近,得到属性的最小相对约简.实例分析表明,该算法能有效地对决策表属性进行约简.

一种基于Rough集理论的数据过滤方法

Rough集 (粗集 )理论是一种处理不确定或模糊知识的重要工具 .在对 Rough集理论进行深入研究的基础上 ,提出了一种基于 Rough集理论的数据过滤算法 .该算法的基本思想是基于 P-确定的等价类的合并 ,算法直观 ,计算简便 .理论和实验表明 ,该算法能够减低信息系统中信息的粒度 ,在保持规则近似质量不变的前提下 ,有效地提高规则的统计意义和预测强度 .

Rough集理论:现状与前景

经典逻辑中只有真、假二值,但实际上有大盆含糊现象存在于宾和假二值之间,因此,长以来许多逻辑学家和哲学家就致力于研究含糊概念。早在1904年谓词逻辑的创始人G.

基于Rough集理论的模糊值属性信息表简化方法

为了有效地在信息表中处理取值为模糊术语的属性 ,解决Rough集对模糊值属性处理能力较弱的问题 ,提出了模糊不可分辨关系的概念 ,用于处理属性值为模糊术语的信息表 将约简、核、相对约简与相对核以及规则的约简与核等Rough集理论中一系列知识约简的概念推广到模糊环境下 ,提出了一种有效的模糊值信息表简化的启发式算法

Rough集理论代数观与信息观的差异量化分析

决策表是Rough集理论的处理对象,其核属性的计算往往是信息约简过程的出发点和关键.代数观和信息观是Rough集理论研究中的两种主要理论观点和方法.本文将针对决策表核属性的计算问题,探讨Rough集理论代数观和信息观这两种形式的关系,通过仿真实验,得到它们在决策表核属性问题上的统计量化差异,并发现在包括大量不相容信息的决策表系统中这两种观点之间的差异将达到极端情况.

基于不分明与相似关系的Rough集的超图描述

近些年来,尤其是进入九十年代,国内外众多学者对Rough集理论及其应用进行了深入而广泛的研究,并取得了许多重大进展。在波兰,作为Rough集理论的发源地,在Z.Pawlak教授的带领下,许多计算机和其他领域的专家、学者们先后开发出了Rough集函数库、RoughDas/RoughClass、RSES等软件支撑系统。

一种基于Rough集的工程项目投标风险分析方法

针对工程项目投标过程中的不确定性和风险分析问题 ,从Rough集的基本体系出发 ,给出投标风险决策分析的知识表达系统 ,运用Rough集理论和方法对投标风险决策表的属性及属性值进行约简 ,挖掘其中隐含的知识 ,从而得出投标风险决策的最小决策算法 。

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。

基于二进制的Rough集决策表约简

基于属性约简的分明矩阵方法的思想,该文提出了Rough集不可分明属性模式和属性关系的概念,给出了基于二进制的条件属性约简和属性值约简方法,结果说明,该方法比传统的Rough集理论中的方法更简便、快捷。

基于多元组Rough集的不相容决策

Ｒｏｕｇｈ集理论是一种具有模糊边界的集合理论．它被广泛应用于不相容决策表中的规则提取．本文讨论了基于多元组Ｒｏｕｇｈ集的不相容决策方法，并给出了相应的算法，同时也对不相容规则的相容度作了分析．该方法比普通Ｒｏｕｇｈ集方法更简单、更有效．

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具 .对基于 Rough集理论的缺省规则挖掘算法进行研究 ,在引入规则支持度概念后 ,提出了一种基于 Rough集的缺省规则挖掘算法 MDRBR.实验结果表明 ,该算法能较好地过滤噪音 ,提高规则的挖掘效率 .

基于粒计算的Rough集模型

上近似、下近似是Rough集的基本定义,它使我们能够用精确的集合讨论不精确的概念,Rough集利用可计算的边界域实现了G.Frege的边界思想。然而,Rough集本身的代数定义和其他各种扩展模型并没有提供简单直观的计算边界元素数目的算法。在二进制粒计算的基础上,通过定义粒矩阵和粒矩阵运算,建立了基于粒计算的知识表示方法和基于粒计算的Rough集模型,据此可以获得Rough集基本概念的粒矩阵表示和粒矩阵快速计算方法,为建立基于粒计算的知识发现算法提供了理论基础。举例证明了Rough包含与Rough相等的隶属度函数定义并非充要条件。同时给出了基于粒计算的Rough包含与Rough相等的充要条件。

Fuzzy信息系统的Rough集理论

提出 Fuzzy信息系统的概念 ,建立 fuzzy信息系统上的 Rough集理论 ,给出 Fuzzy信息系统与经典信息系统的关系 ,讨论

一种基于Rough集理论的最近邻协同过滤算法

目前协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统。最近邻算法则是最早提出和最主要的协同过滤推荐算法，但用户评分数据稀疏性严重影响推荐质量。针对上述问题，提出了一种基于Rough集理论的最近邻协同过滤算法，以用户评分项并集作为用户相似性计算基础，并将非目标用户区分为无推荐能力和有推荐能力两种类型；对于无推荐能力用户不再计算用户相似性以改善推荐实时性，对于有推荐能力用户则提出一种基于Rough集理论的评分预测方法来填补用户评分项并集中的缺失值，从而降低数据稀疏性。实验结果表明新算法能有效提高推荐质量。

基于Rough集的居民地属性知识约简与结构化选取

基于Rough集理论提出了居民地属性知识约简及其结构化选取的方法。该方法充分利用 Rough集理论具有较强知识挖掘能力的特点,定量分析居民地选取中条件属性的重要性,简化属性知识,并以此为基础计算每个居民地的重要性,实现居民地的结构化选取。实例证明,该方法能够从数据库中挖掘出相关知识,具有较强的自适应能力。

基于相似Rough集的模糊检索策略

Ｒｏｕｇｈ集理论作为一种具有模糊边界的集合理论，被广泛运用于不确定环境下的信息处理。文章探讨了一种基于相似关系Ｒｏｕｇｈ集的模糊查询技术，它是对普通Ｒｏｕｇｈ集在数据库中应用的推广，能有效地提高查询的灵活度及效率。