一种基于GDT的缺省规则发现算法

将泛化分配表(GDT)作为假说搜索空间, 提出了一种从不一致和不完全的数据中提取缺省规则的算法. 使用该算法可以从不一致和不完全的数据中挖掘缺省规则, 同时该算法可过滤数据中的噪声, 并且可以对未见实例进行预测.     

增量式获取规则的粗糙集方法

规则获取的增量式算法是知识发现领域的一个热点问题．作者根据粗糙集理论，提出δ—不可分辨关系的概念，建立了δ—决策表及其δ—决策矩阵，在此基础上，利用决策函数，提出一种在决策表中获取规则的增量式算法．该算法针对决策表中出现的各种新对象，在原有规则集的基础上进行规则和规则参数的增量式更新，避免了为更新规则而重新运行规则获取算法．     

基于粗糙集理论的冠心病病因分析与研究

粗糙集理论作为一种处理不确定信息的新型数学工具，已被成功地应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域．本文中，利用粗糙集理论和概率统计方法分别对一些冠心病病例进行了分析处理，找出了导致冠心病发生的易患因素以及根据已有病例提取出了冠心病新的诊断规则，实例证明了方法的有效性和可行性．     

基于粗糙集理论不完备信息系统的数据挖掘

提出了一种基于推广的粗糙集理论直接在不完备信息系统上进行数据挖掘的方法，并给出了该方法的算法和实例．该方法利用粗糙集理论直接对不完备信息系统进行知识约简，然后根据获得的约简集建立知识层次树，利用规则的支持度阂值s0和置信度阈值c0从知识层次树的压缩搜索空间中提取不完备系统的规则集，该方法保持了原始数据和数据挖掘所获得的知识的真实性，另外，还提出了知识规则的上、下支持度，上、下置信度，规则粗糙度等概念，以便指导用户更好地利用数据挖掘所获得的知识．     

动态数据库规则获取和更新的粗糙集方法

随着客观世界的发展变化，新模式会不断地增加到数据库中，在已有的模式中会增加新成员，这就导致以前得到的规则集需要随之更新，在利用粗糙集方法获取规则的基础上,提出两种规则更新方法，并提出规则获取和更新的一般理论模型，强调充分发挥决策者和分析人员的主观能动性的重要性，根据客观实际提出新模式和原有模式中的新成员，以满足不断变化的外部情况，而不只是单纯依赖机器决策，并以实例说明。     

一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

基于粗糙集和包含度理论的决策规则提取方法

粗糙集理论是一种处理模糊和不确定知识的数学工具，正越来越被人们所重视．首先介绍了集值信息系统和粗糙集理论的相关知识，说明经典信息系统可以作为简单的集值信息系统处理。然后在集值信息系统中，以粗糙集理论为基础，引入包含度的概念，介绍包含度的几种生成方法，建立包含度的知识发现方法，最后通过具体的例子说明这种决策规则提取方法是有效的．     

基于粗糙集理论的知识库分解与规则获取

粗糙集理论可以通过对数据的约简从例子中学习,获取决策规则。但是,当知识库规模较大、条件属性个数较多时,存在提取规则速度慢、规则长度长等缺点。本文介绍了粗糙集理论的基本概念,提出了一种基于粗糙集的知识库分解算法。首先引入决策属性支持度的概念,在此基础上定义了一个属性选择量度,选择最佳目标属性对知识库进行分解,直到所有对象都被精确分类,从而得到具有一定支持度的规则集,得到的规则长度短,提取速度快。通过对一个简单实例的分析,证明了该算法的可行性。     

基于粗糙集的发现决策偏好信息的新方法

传统的粗糙集(Rough Set)模型基于可利用信息的完全性,忽视了可利用信息中的不完全性和可能存在的统计信息,因而不能发现隐藏在大量决策实例中的不确定性决策偏好信息．为了解决这个问题,该文提出了一种将加权关联规则运用到粗糙集模型中的新方法．     

一种基于遗传算法多维模糊分类器的构造方法

 提出了一种新的模糊遗传机器学习方法.在该方法中将每一模糊规则作为遗传算法中的一个个体,且具有相应的适应度函数值;在获取模糊规则的同时,还对每个属性维的模糊划分进行学习;另外,方法引入了基于相似性的选择机制,减轻了选择机制对低适应函数值个体造成的选择压力,保持了种群的多样性,从而很大程度改善了遗传算法收敛到局部解的问题.经实验结果表明,该方法在多维模糊分类器的构造问题上具有比较良好的性能.     

粗糙集模糊神经网络味觉信号识别系统

针对C-means聚类算法和减法聚类算法的不足,提出了一种模糊神经网络味觉信号识别系统模型,该模型利用粗糙集的离散化算法和规则提取算法获得数量较少的分类规则,将这些分类规则转化为模糊IF-THEN规则,进而通过这些模糊IF-THEN规则确定网络结构.网络输出采用投票机制,使用粒子群优化方法精炼网络参数,与常用的提取模糊if-then规则的算法相比,该方法只有一个参数且易于实现.实验结果表明:该方法可获得更简洁的系统表示,并且通过选择合适的系统参数可使系统对加噪声训练样本的错误识别率降低5%左右.     

带有专家部分知识的模糊学习算法及在储层识别中的应用

已有的示例学习算法大多没有处理分类模糊的情况。针对辽河油田冷东地区关于储层评价出现的模糊性,提出了一种模糊学习模型。由于评价过程中人为经验占有主要成分,故这种学习模型中融入了部分专家经验,将现有的模糊分类问题转化为一个求类比值的数学规化问题,它以极大化类信息熵为目标函数。以分类的模糊性极小作为决策树学习算法的启发式,学习结果可转化为一组带可信度的模糊产生式规则。这种产生式规则的使用为该地区新解释标准的建立以及油层的综合评价提供了更直观、更可靠的依据。     

利用神经模糊系统从数据中挖掘模糊逻辑

提出一种利用神经模糊系统从实验记录的曲线或者数据中挖掘模糊逻辑规则的方法。首先根据生产控制系统的实验记录的曲线或者数据,初步确定一个“if…then”模糊逻辑规则模型;然后利用具有非线性特性的神经网络和模糊推理中的模糊逻辑运算,构造了一个神经模糊系统;通过有导师的误差反向传输学习,将训练后的神经模糊系统的网络联接权的变化结合为模糊逻辑规则的变化和修改,从而实现了从实验记录的曲线或者数据中推理、归纳的模糊逻辑控制规则。     

A Novel Ranking Framework for Linked Data from Relational Databases

This paper investigates the problem of ranking linked data from relational databases using a ranking framework. The core idea is to group relationships by their types, then rank the types, and finally rank the instances attached to each type. The ranking criteria for each step considers the mapping rules and heterogeneous graph structure of the data web. Tests based on a social network dataset show that the linked data ranking is effective and easier for people to understand. This approach benefits from utilizing relationships deduced from mapping rules based on table schemas and distinguishing the relationship types, which results in better ranking and visualization of the linked data.     

一个适用于地理信息系统的数据挖掘工具——GISMiner

论文将常用于关系型、事务型数据库的面向属性归纳的方法和关联规则挖掘方法扩展至空间数据库，开发了适用于地理信息系统（GIS）的空间数据挖掘工具－GISMiner，并将其应用于从农田GIS中挖掘农田使用情况的空间特征规则，以及从农产品市场GIS中挖掘农产品价格与铁路、国道和河流间的空间关联规则实验。结果表明，GISMiner是一个实用的、能适应于GIS且能挖掘多种知识类型的数据挖掘工具。     

基于模拟退火的模糊分类系统在数据挖掘中的应用

给出了一种基于模拟退火的模糊分类系统—SAFCS,该分类系统结合了SA元启发式搜索策略的学习能力和模糊系统的近似推理方法,旨在改善与分类问题有关的大型数据空间的搜索性能,找到模糊if-then规则的优化集.SAFCS可以从输入数据集中抽取精确的模糊分类规则,并在若干不同预定义类中将其应用于对新数据实例的分类.文末用某数据集检测了SAFCS的性能,结果表明,在与其他几个著名算法比较时该分类系统性能可靠.     

一种将关系数据库转换为OWL本体的方法

通过半自动的方法将关系数据库转换为本体是本体研究的热点之一,也是解决异构数据库的一个新方向。目前提出的从数据库中提取语义信息的方法主要从本体的结构出发,导致提取的语义信息不全面。本文提出了一套将关系数据库向本体转换的规则,该套规则从关系数据库的模式结构出发,通过对模式信息分层次、综合分析,能够比较准确全面地提取显视的和隐含的语义信息。     

基于自适应神经模糊推理的精馏分离序列综合

模糊推理能够反映自然语言要素信息传递特性,自适应神经技术能够实现优化建模,通过抽象有效重组判据参数提炼模糊if-then规则,通过构造样本数据进行自适应神经学习训练,根据模型优化参数创建Sugeno模糊推理模型,系统化提出基于自适应神经模糊推理的精馏分离序列优化综合方法。