Multi-Granularity Neighborhood Fuzzy Rough Set Model on Two Universes

The two universes multi-granularity fuzzy rough set model is an effective tool for handling uncertainty problems between two domains with the help of binary fuzzy relations. This article applies the idea of neighborhood rough sets to two universes multi-granularity fuzzy rough sets, and discusses the two-universes multi-granularity neighborhood fuzzy rough set model. Firstly, the upper and lower approximation operators are defined in the two universes multi-granularity neighborhood fuzzy rough set model. Secondly, the properties of the upper and lower approximation operators are discussed. Finally, the properties of the two universes multi-granularity neighborhood fuzzy rough set model are verified through case studies.

基于异类粒球分离度的自适应属性约简

属性约简是处理大规模数据集的关键步骤,与传统的邻域粗糙集(NRS)相比,粒球邻域粗糙集(GBNRS)可以显著提高属性约简的性能.然而,目前GBNRS属性约简算法生成了太多不必要的粒球;从而极大降低了算法运行效率.文章首先定义了一种新的粒球质量指标来控制生成自适应数量的粒球;然后通过粒球对样本集进行划分,将不同类别的样本点放入不同类别的粒球;最后根据不同属性集合下粒球中正域样本的数量来进行前向属性约简.为了验证算法的有效性,在12个真实数据集上将提出的算法与其他NRS属性约简算法进行了对比实验.实验结果表明,所提出的算法有更高的精度和更快的运行效率.

多粒度粒球粗糙集模型

基于粒球计算的粗糙集理论作为知识发现和数据挖掘的重要工具之一,已成功地应用于标记预测、属性约简等。而现有的粒球粗糙集模型仅仅是从单粒度出发,无法从多粒度角度对数据进行分析和处理,实际生活中仍有很多应用场景需从多粒度角度进行思考。将粒球计算思想结合到多粒度粗糙集模型,提出了多粒度粒球粗糙集模型,并讨论了该模型的相关性质。该模型通过纯度的设定对数据进行粒球划分,能够有效地刻画数据之间的内在联系,以此设计多粒度粒球粗糙集的正域生成算法。实验分析表明该模型的可行性和有效性。

可变多粒球粗糙集模型

构建与乐观多粒球粗糙集模型对应的悲观多粒球粗糙集模型,并设计一种介于这2种模型之间的可变多粒球粗糙集模型,以适用于不同决策问题.讨论该模型的相关性质和提出相关的不确定性度量,并设计3种不同的多粒球粗糙集模型正域生成算法.该算法通过纯度的设置对数据进行粒球划分,能够有效地刻画数据之间的内在联系.最后,通过对八组UCI数据集的实验分析验证该模型的可行性和有效性.

基于多信息融合的双进双出磨煤机料位检测

针对双进双出磨煤机料位检测难题,提出了一种基于多信息数据融合的双进双出磨煤机料位检测方法.该方法将粗糙集(RST)和径向基(RBF)神经网络相结合,利用粗糙集数据简约和规则抽取特性,有效地去除大量冗余数据.利用RBF神经网络函数逼近能力更强和收敛速度更快等优点,引入带遗忘因子的梯度下降算法来整定RBF神经网络参数,简化了神经网络结构,提高了神经网络的学习效率,同时拥有自学习和容错能力,从而有效地保证了数据融合的快速收敛性和稳定性.实验结果表明,在料位检测过程中,将两种智能算法相结合所构成的融合系统,能使双进双出磨煤机准确地完成复杂环境的料位检测任务.

快速求解粒球粗糙集约简的属性划分方法

传统邻域粗糙集需指定半径或通过搜索方式找出适用于问题求解的半径,这在数据预处理过程中会带来极大的时间消耗。而粒球粗糙集方法则能够依据数据分布,自适应地生成合适的粒结构。以粒球的纯度为度量准则,粒球粗糙集方法亦为属性约简问题的研究引入新的思路。利用前向贪心搜索求解约简时,需尝试计算每一个候选属性被加入约简池后所引起的粒球纯度的变化,这为算法的执行效率带来了严峻挑战。为解决这一问题,在前向贪心搜索进程中提出了属性划分策略,其本质是将所有属性划分成不同的组,从而能够压缩候选属性的搜索空间,以达到快速求解约简的目的。使用了10组UCI数据集,最终的实验结果说明,相较于传统邻域粗糙集约简以及基于纯度的粒球粗糙集约简,引入属性划分策略后,能够极大地提升粒球粗糙集约简求解的时间效率。

一种面向粒球粗糙集的快速约简求解方法

在粗糙集领域中,粒球的产生可以被视作是一个无监督的进程,其终止条件是无监督产生的粒球需达到根据标签信息所计算出来的纯度.当数据中存在大量不一致情形时,样本自身的标签信息有可能会为生成高纯度的粒球带来较大阻碍,基于粒球粗糙集的约简求解因受粒球生成这一因素的影响,也会耗时巨大.鉴于此,首先,将伪标签策略引入粒球的计算过程中,因为伪标签的生成也可以采用无监督的方式,所以可以较好地贴合粒球中样本的聚集,减少不一致情形,提高粒球的产生效率.其次,设计了前向贪心搜索算法,用于求解基于伪标签粒球粗糙集的约简.最后,在12组基准数据集上的实验结果验证了所提方法不仅能够有效地提升约简的求解效率,而且也能够保证约简中的属性具备相当的分类能力.

基于粗集理论对轴承钢球表面缺陷探测的研究

轴承钢球作为机动设备(含机动车辆等)上应用较多的零件,其性能的好坏直接影响到整台设备的运行状态,如果操作人员能够提前预测并发现轴承钢球表面的缺陷,则可避免损失,减少维修成本。本文基于粗糙集理论的特征选择技术进行了探索,并用于提取特征向量,从而增加了检测精度,以及降低了计算的复杂性。实际使用表明,该方法能够对轴承钢球表面的点子、损伤、裂纹等缺陷进行检测,不但减少系统的误报率,而且无需额外的计算负担。