基于变精度粗糙集的Web用户聚类方法

针对Web使用挖掘中的用户聚类问题,提出一种基于变精度粗糙集理论的粗糙聚类方法,该方法放宽经典粗糙集中不可区分关系的传递性将其扩展为相容关系,使用变精度粗糙集的相对错误分类率β来形成新的相似β上近似,从而将一个用户划分到多个聚类,该方法不需要区分用户会话,降低了数据预处理的难度,通过理论推导和实例证明了其有效性。     

粗糙集属性约简算法在图像分类研究的应用

基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。完善了近似空间的概念。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集方法性能良好,分类准确和高效。     

不完备信息系统中的不可区分关系

针对带“ ”值的不完备信息系统,在对已有扩充粗糙集模型分析的基础上,对属性集合进行分类,定义各类别属性的比重和属性集的贡献度,提出一种基于属性贡献度的不可区分关系。实例分析说明,该关系在某些特殊情况下可等价于已有的扩充粗糙集模型,基于该不可区分关系的扩充粗糙集模型更灵活合理。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法.数据挖掘研究的实施对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便.关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点.粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取.该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的.     

基于粒度的知识粗糙性研究

粒度计算是粗糙集理论研究的一种强有力的工具。在粗糙集理论中,提出知识是有粒度的并定义了知识粗糙度的概念。众所周知,知识获取是专家系统开发的"瓶颈"问题。文中主要从知识粒度、分辨度以及重要度等方面入手,着重研究了知识粗糙性的粒度原理与知识粗糙性的关系,提出了一种基于属性重要度的粗糙性知识获取算法,并通过理论与实验,证明该算法是正确的,行之有效的。     

基于粒度的知识粗糙性研究

粒度计算是粗糙集理论研究的一种强有力的工具.在粗糙集理论中,提出知识是有粒度的并定义了知识粗糙度的概念.众所周知,知识获取是专家系统开发的"瓶颈"问题.文中主要从知识粒度、分辨度以及重要度等方面入手,着重研究了知识粗糙性的粒度原理与知识粗糙性的关系,提出了一种基于属性重要度的粗糙性知识获取算法,并通过理论与实验,证明该算法是正确的,行之有效的.     

优势-等价关系下序贯三支决策的属性约简

序贯三支决策方法是一种能够表示问题中的多重层次粒度,并将多粒度结合起来解决不确定决策问题的有效途径。优势-等价关系粗糙集则是针对条件属性具有偏好关系的分类问题,提取有序信息,对目标概念进行近似,从而形成决策知识。利用传统的优势关系粗糙集方法进行知识约简和提取的效率低下,而目前大部分序贯三支决策方法则局限在符号值属性的信息系统中,对连续值和有序值不能进行有效处理,造成一定程度的信息丢失。因此,将序贯三支决策的思想应用于优势关系粗糙集模型中,定义了一种新的基于序贯三支决策的属性约简及相应的属性重要度,对具有偏好值属性的信息系统进行更加高效的处理,通过多粒度的表示和关系的研究,加速了知识约简过程。选取了多组UCI数据进行实验,结果表明所提出的基于优势关系的序贯三支决策方法能够在保证约简质量的基础上明显降低时间耗费。     

K粒度模糊粗糙集模型的不确定性研究

粗糙集扩展模型的研究是粗糙集理论研究的一个重要问题,在引入了K粒度粗糙关系基础上定义了K粒度粗糙集模型并给出了K粒度分割概念,文章从信息熵的角度给出K粒度粗糙集模型的粗糙熵的不确定度量方法,讨论了该模型随知识分类粒度变化与粗糙熵之间的关系,证明了知识分类粒度呈细分时粗糙熵具有单调递增性,并且以实例验证了此模型理论的有效性与正确性,该模型使得粗糙集处理数据的范围扩展到了实域.在此基础上定义了K粒度模糊粗糙集模型,并研究了其结构及性质,最后给出了K粒度模糊粗糙集模型依参数0<β≤α≤1的扩展模型,并研究了模型的性质与粗糙度之间的关系.     

基于粗糙属性向量树的属性约简新方法

在对区分能力大小研究的基础上建立了一个用于指导信息表的绝对属性约简的粗糙集模型, 同时在对区分能力和分类能力二者关系深入研究的基础上提出了决策依赖区分精度新概念,该概念是用于指导决策表的、相对属性约简的一个新的判据.借助粗糙属性向量树提出了新的求全部属性约简的算法, 通过理论分析说明了新算法的最坏时间复杂度低于经典的"基于差别矩阵求全部属性约简算法"以及它的改进算法.对比实验结果验证了该算法在运算效率上明显高于"基于差别矩阵求全部属性约简算法"的改进算法.     

Rough集理论在不完备信息系统中的扩充

Pawlak教授所提出的经典Rough集理论主要是针对完备信息系统的，利用了不可分辨关系这种等价关系来对对象进行了近拟和下近似分类，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，目前已经有了基于容差关系，相似关系和量化容差关系等的扩充Rough集理论，但是，这些扩充也还存在一些局限性，将提出一种基于限制容差关系的扩充Rough集模型，并比较分析这些扩充Rough集模型之间的性能。     

基于限制非对称相似关系的粗糙集模型

基于不可分辨关系的粗糙集理论不适用于含未知值的不完备信息系统.需要将经典的粗糙集理论不可分辨关系加以扩充才能处理不完备信息系统.目前已经提出了基于容差关系、量化容差关系、限制容差关系、非对称相似关系等的扩充粗糙集理论.但是,这些理论还存在一些局限性.文章提出了一种新的基于限制非对称相似关系的粗糙集扩充模型.理论分析和实验证明,与其它模型相比,可以从基于限制非对称相似关系模型的近似集中获取更多的信息.     

Rough approximations based on intersection of indiscernibility,similarity and outranking relations

Rough sets theory has proved to be a useful mathematical tool for dealing with the vagueness and granularity in information tables. Classical definitions of lower and upper approximations were originally introduced with reference to an indiscernibility relation. However, indiscernibility relation is still restrictive for many applications. Many real-world problems deal with assignment of some objects to some preference-ordered decision classes. And, the objects are described by a finite set of qualitative attributes and quantitative attributes. In this paper, we construct the indiscernibility relation for the subset of nominal attributes, the outranking relation for the subset of ordinal attributes, and the similarity relation for the subset of quantitative attributes. Then the global binary relation is generated by the intersection of indiscernibility relation, outranking relation and similarity relation. New definitions of lower and upper approximations of the upward and downward unions of decision classes are proposed based on the global relation. We also prove that the lower and upper approximation operations satisfy the properties of rough inclusion, complementarity, identity of boundaries, and monotonicity.     

Rough集之间的相似度量

Applications of rough set theory in incomplete information systems are a key of putting rough set into real applications. In this paper, after analyzing some basic concepts of classical rough set theory and extended rough set theory, the measure of similarity is developed between two rough sets in the classical rough set theory based on indiscernibility relation and between two rough sets in the extended rough set theory based on limited tolerance relation. Then,some properties of these two methods for measuring similarity are developed respectively. At last,these two measure methods of rough set theory are compared.     

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。验结果验证了该算法的可行性，特别是在符号属性聚类方面有较好的聚类性能。     

一种基于粗糙集的信息系统决策规则提取方法

以粗糙集理论为基础,引入相似性的概念,并提出其衡量方法,改进了粗糙集理论中不可辨关系的确定条件,给出了基于新的相似关系的上下近似空间定义,并举例说明了基于粗糙集的相似性规则提取方法。     

含序信息的粗集方法研究

经典粗集理论给出了不可识别、上近似、下近似、简式和核等概念，其核心思想是运用条件属性集导致的知识粒子来近似决策属性集导致的知识粒子，进而推导出规则。这些知识粒子的实质是根据存在于属性值问的等价关系得到的，而事实上可能存在某些属性，其属性值内部存在序关系，与其它某属性间存在语义关系，这样的属性称为标准。本文所研究的粗集方法，考虑标准所携带的这些信息，推导出含有序信息的规则，并探讨使推导的规则更加完全和一致。本文给出了含序粗集方法（CORS）的定义、数据分析以及规则生成方法，并提出了一种更加合理的质量近似公式以及生成规则的四条原则。     

一种否定高信度规则的属性查找算法

粗糙集理论中可辨识矩阵是在整个论域U上构造的。该文扩展了可辨识矩阵的应用,提出一种否定高信度决策规则的属性查找算法,求出条件属性和决策属性的不可分辨二元关系在等价类上进行运算。在论域U的子集上构造可辨识矩阵,根据分辨函数求解问题。将算法应用于医学数据。实验结果表明,该算法局部采用可辨识矩阵可以有效地减少存储空间,提高查找效率。     

基于完备容差关系的扩充粗糙集模型

针对扩充粗糙集模型所处理的不完备信息系统之间存在的差异,提出了信息系统完备度的概念;在此基础上,提出了基于完备容差关系的扩充粗糙集模型.与基于容差关系、相似关系、限制容差关系等扩充粗糙集模型相比,该模型既保留了已有模型的优点,又在一定程度上克服了已有模型的局限性.通过实例说明新模型对不完备信息系统的处理更符合实际情况.