粗集中不可分辨类算法求解实现

从原始信息系统出发,用不可分辨类的思想求解系统的核属性和约简是粗集理论的精华。因此,如何在计算机上实现这种思想关系到读者对粗集理论抽象概念的理解。文中利用MATLAB语言编程实现了不可分辨类算法。考虑该语言的特点,首先将原始信息系统转换为数字型矩阵,然后自定义用户函数attvalist,并结合MATLAB语言中丰富的矩阵与向量运算函数,不经复杂的编程完成了样本分类。     

决策系统的相对正域求解

经典的粗集理论给出了用不可分辨类的思想求解系统必要条件的方法,相对正域求解是其中一种,但是它涉及到粗集理论中许多抽象的定义,考虑编程实现的原因,在许多文献中采用了不可分辨矩阵的方法求必要条件。但笔者充分利用MATLAB语言的优点,首先改造了原有决策系统,使之适合于MATLAB语言处理,然后给出了粗集理论中不可分辨类和下近似集两个重要概念的自定义函数Indiscem．m和LowerApproximate．m,用相对正域的方法(poscd．m)求解出系统的必要条件。     

基于容错粗集的近似信息系统性质讨论

本文将RST从定常信息系统扩展到非定常信息系统，不可分辨关系扩展到不可分辨容错关系．为了探讨近似信息系统的知识表示和知识发现的理论基础，进而对近似信息系统的相似性、容错可定义集和容错粗集等价性、从属空间、相似性矩阵和前象关系矩阵构造方法等代数性质进行了较详细讨论．     

基于S-粗集理论上的属性约简与算法研究

给出基于S-粗集的单向属性迁移集合,双向属性迁移集合以及单向信息系统和双向信息系统的模型;又给出属性迁移的若干性质。从Skowron提出的分辨矩阵的角度出发,给出了S-粗集中的分辨矩阵,并在此基础上提出了基于S-粗集理论上的属性约简算法。最后给出该算法在医学方面中的应用,证明了该算法的有效性。     

基于不可分辨关系的文本自动聚类

研究了文本对象在不可分辨关系下的自动聚类方法．在自动聚类过程中,首先把文本集转化为让机器可以处理的布尔文本信息系统;其次在信息系统上定义对象间的不可分辨关系,提出利用不可分辨关系进行聚类的理论基础;然后对算法进行描述,并用实验进行验证;最后分析该算法的时间复杂度和缺点,并提出具体的改进措施．基于不可分辨关系的文本自动聚类算法具有理论基础和较好的实验效果表明该方法具有较好的应用性．     

Rough集理论在多值信息系统中的扩充

Pawlak所提出的经典Rough集理论主要是针对完备信息系统的,利用不可分辨关系这种等价关系来对对象进行上近似和下近似分类.对于不完备信息系统的处理,需要对经典Rough集理论进行扩充,主要是对不可分辨关系进行扩充.对多值信息系统而言,目前有相似关系,但相似关系存在一定程度的局限性,为此提出一种基于类相似关系的扩充Rough集模型,并对该模型和相似关系模型之间的性能进行了比较,实例表明该模型具有较好的应用前景.     

粗积分与函数粗集的粗糙度

在函数粗集的基础上给出了下近似积分、上近似积分与粗积分的概念,利用这些概念不仅给出了粗积分的可分辨关系、不可分辨关系、有限萎缩性和有限扩张性定理,还定义了函数粗集的精度与粗糙度及二者之间的一些关系,并给出函数粗集的筛选-剩余原则。     

基于S-粗集的反辐射导弹识别算法研究

针对具有动态特征的信息系统,在S-粗集属性迁移理论基础上,给出了S-粗集上的区分矩阵,提出了一种基于S-粗集区分矩阵的属性约简算法.该算法弥补了Z.Pawlak粗集理论对于动态系统知识发现的局限,通过属性迁移对不完备的信息系统进行动态扩展.约简后生成的规则简单准确.本文的算法具有理论与应用的一般性、广泛性,对于现代战场中的删识别,更显示出了极强的优越性.     

基于新的二进制可分辨矩阵求核算法

信息系统核属性求解是粗集理论中的重要问题之一.为了避免因决策表中存在不相容性,导致所求核的错误,提出一种新的求核方法.首先将不相容决策表信息系统转换为相容决策表信息系统,然后给出新的二进制可分辨矩阵的定义和求核性质,同时证明了由该性质所求得的核与基于正区域的核是一致的,且该方法不仅适用不相容决策表,也适用相容决策表.最后通过实例表明了该方法的正确性.     

基于粗集理论复杂系统神经网络模型构建

设计了一个基于粗集理论复杂系统神经网络模型,详细地阐述了该模型的实现算法。运用分辨矩阵特性以及粗集理论得到一些结论,提出知识约简算法,避开NP-HARD问题,实现巨量数据知识库、多维指标体系参数和多类决策指标参数知识属性有效约简,降低构建神经网络系统复杂性,为神经网络系统构建提供了一种模型和方法。实例表明该算法在保持知识库系统不失真的情况下能够有效地对复杂系统知识约简,从而降低构建神经网络模型的复杂性。