一种新的完全决策表属性约简的高效算法

属性约简是粗糙集理论的核心问题之一,也是粗糙集有效算法研究的焦点.为获得最简明的规则集,通常希望能找出最小的属性约简集,但得到最优解是NP-hard的问题,通常采取启发式的算法得到近似最优解.文中研究了不完全决策表的属性约简,提出一种衡量不完全决策表属性重要性的标准,依此给出了一种新的进行属性约简启发式算法.对寻找对象的相似类的步骤则在排序和二分查找的基础上提出了一种新的高效的算法,这样就相应地使得属性约简的效率得到提高.此算法较好地解决了不完全决策表的属性约简问题.     

不完全决策表的一种信息熵属性约简算法

属性约简是粗糙集理论的核心问题之一,也是粗糙集有效算法研究的焦点.为获得最简明的规则集,通常希望能找出最小的属性约简集,但得到最优解NP-hard的问题,通常采取启发式的算法得到近似最优解.文中研究了不完全决策表的属性约简,提出了对不完全决策表的一种基于信息熵的属性约简算法,并通过例子说明算法的具体过程和验证了算法的可行性.对寻找对象的相似类的步骤则在排序和二分查找的基础上提出了一种高效的算法,这样就相应地提高了属性约简算法的效率.     

一种新的完全决策表属性约简的高效算法

属性约简是粗糙集理论的核心问题之一,也是粗糙集有效算法研究的焦点。为获得最简明的规则集,通常希望能找出最小的属性约简集,但得到最优解是NP-hard的问题,通常采取启发式的算法得到近似最优解。文中研究了不完全决策表的属性约简,提出一种衡量不完全决策表属性重要性的标准,依此给出了一种新的进行属性约简启发式算法。对寻找对象的相似类的步骤则在排序和二分查找的基础上提出了一种新的高效的算法,这样就相应地使得属性约简的效率得到提高。此算法较好地解决了不完全决策表的属性约简问题。     

具有成本约束和噪声数据信息表的知识约简方法

知识约简是基于粗集理论进行数据挖掘的重要步骤获取最优知识约简是典型的Np-hard问题.在实际应用中,数据属性往往具有成本约束,并且数据本身含有噪声.本文提出了将粗集理论与遗传算法相结合来求解这种信息表的最优知识约简和近似知识约简的方法实验结果表明该方法具有很强的全局搜索能力,在有限的代数内找到信息表的最优约简:最小基约简集、最小成本约简集.当信息表含有噪声数据时,该方法能找出信息表的近似知识约简.     

基于粗糙集的学生成绩决策分析

基于粗糙集的知识理论可以从现有原始数据出发给出知识的简化.利用粗糙集理论以及其算法,在MATLAB环境下对学生自主学习成绩决策表进行了求解,分析了该决策表的上近似集、下近似集、不可分辨关系、约简、核集、属性依赖度的概念,从而在原始数据的基础上得出了条件属性与决策属性间的关系.     

信息系统属性约简的比较研究

属性约简是粗糙集理论研究的核心问题之一。利用信息熵定义了信息系统的熵约简,从代数与信息熵两种不同角度出发对属性约简进行讨论。通过比较分析,分别在信息系统、协调与不协调决策表中得到这两种观点下属性约简的一些等价关系和蕴含关系,揭示了不同意义下属性约简的本质联系。     

不完全决策表的一种信息熵属性约简算法

属性约简是粗糙集理论的核心问题之一，也是粗糙集有效算法研究的焦点。为获得最简明的规则集，通常希望能找出最小的属性约简集，但得到最优解NP-hard的问题，通常采取启发式的算法得到近似最优解。文中研究了不完全决策表的属性约简，提出了对不完全决策表的一种基于信息熵的属性约简算法，并通过例子说明算法的具体过程和验证了算法的可行性。对寻找对象的相似类的步骤则在排序和二分查找的基础上提出了一种高效的算法，这样就相应地提高了属性约简算法的效率。     

粗糙集的近似约简及其算法

针对经典粗糙集中属性约简的不足,进一步拓展粗糙集属性约简的应用。提出了一种粗糙集属性近似约简的概念和一种新的粗糙集属性重要性的定义并给出和证明了属性近似约简的性质,理论证明了近似属性约简是传统属性约简的一种推广。在保持知识库分类能力基本不变的条件下,利用所给属性重要性作为启发信息给出了粗糙集属性近似约简的算法。通过一个具体的例子,说明了近似属性约简在信息系统中处理模糊和不确定性知识的可行性和有效性。     

优势关系下分布约简和最大分布约简问题研究

研究了优势关系下不协调决策表的分布约简和最大分布约简问题,指出文献[9]关于分布约简和最大分布约简的几个结论是错误的。首先用反例指出文献[9]给出的分布约简和最大分布约简的判定定理是错误的,分析了错误的原因。其次,利用这些定理所得到的辨识矩阵,用来求分布约简和最大分布约简也是错误的。为此,引入了优势关系下不协调决策表的绝对约简的概念,证明了绝对约简与分布约简和最大分布约简是等价的。另外,讨论了另一种新的最大分布约简,并证明新的最大分布约简与下近似约简是等价的。     

变精度粗集下约简和一致决策表约简的关系

相应于变精度粗糙集模型下的β上(下)分布约简利用重新标识的办法把不一致决策表变换成了一致决策表.证明了变换前的不一致决策表的β上(下)分布约简同变换后的一致决策表的属性约简是相同的.定义了不一致决策表的β上(下)分布核属性、β上(下)分布属性集重要度,证明了它们分别同对应的一致决策表的核属性、属性集重要度是相同的.     

可变直觉模糊多粒度粗糙集模型及其近似分布约简算法

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。     

多重概率粗糙集模型

基于多重集合,对Z.Pawlak粗集意义下的概率粗糙集模型的论域进行了扩展,提出了基于多重集的概率粗糙集模型,即多重概率粗糙集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重论域定义、多重概率粗糙近似集的定义及其各种性质的证明、多重概率粗糙集的近似精度定义、可定义集与属性约简的定义、多重集意义下的粗糙近似算子之间的关系及其与Z.Pawlak意义下的粗糙近似算子之间的关系等。多重概率粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,这样有利于用粗糙集理论从保存在关系数据库中的具有一对多、多对多依赖性的且具有不完全性或存在统计性的数据中挖掘知识。     

多重粗糙模糊集模型

为了充分揭示知识颗粒间的重叠性、对象的重要度差别及其多态性,基于多重集合,对Dubois粗糙模糊集意义下的粗糙模糊集模型的论域进行了扩展,提出了基于多重集的粗糙模糊集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重粗糙模糊近似集、近似精度和可定义集的定义及其各种性质的证明、多重集意义下的粗糙模糊近似算子之间的关系及其与Dubois意义下的粗糙模糊近似算子之间的关系等。多重粗糙模糊集可用于从具有一对多依赖性关系的且具有模糊特性的数据中挖掘知识。     

基于变精度粗糙集的不完备信息系统知识约简

基于变精度的思想,提出了一种新的不完备信息系统变精度粗糙集模型。基于该模型给出了不完备信息系统的β上（下）分布约简和β上（下）近似约简。给出了求解不完备信息系统β上（下）分布约简的辨识矩阵方法。     

变精度粗糙模糊集模型研究

介绍了Ziarko’s变精度粗糙集模型和粗糙模糊集模型,找出了它们的不足。基于支集相对错误分类率及误差参数β（0≤β<0.5）,提出了变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与Ziarko’s变精度粗糙集模型和粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

变精度覆盖粗糙集

介绍了Ziarko变精度粗糙集模型和覆盖粗糙集模型;定义了多数包含关系;借助引入的误差参数β（0≤β<0.5）,给出了基于对象邻域的变精度覆盖粗糙集模型中β上近似、β下近似、β边界和β负域的定义以及β近似质量和β粗糙性测度定义;详细讨论了β上、下近似算子的性质、集合的相对可辨别性、该模型与Ziarko变精度粗糙集模型和覆盖粗糙集模型的关系;最后探讨了变精度覆盖粗糙集模型中的约简问题并在所给模型的基础上举例说明了它们在信息处理中的应用。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

广义粗糙集理论及实值属性约简

针对经典粗糙集理论仅能处理离散化数据的局限性,提出属性和属性子集的广义重要度的概念以及空间中的广义近邻关系,并提出了广义近邻关系下的广义粗糙集扩展模型。广义粗糙集理论利用广义近邻关系在全局中划分相容模块,构成集合的下、上近似集,避免了经典粗糙集理论必须量化数据的麻烦。另外,提出了广义粗糙集的实值属性约简的一种贪心算法,并分析了约简属性集合的质量。最后通过实例验证了所提方法的正确性和有效性。