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。     

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.     

煤矿瓦斯预测专家系统中基于粗集的知识获取方法

针对现有煤矿瓦斯预测专家系统因没有新知识获取措施及知识自更新功能而预测效果不佳的问题,提出了基于粗集的知识获取方法。该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机实现煤矿瓦斯突出的实时预测。实例分析验证了该方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性。     

基于粗集理论的知识自动获取方法

分析了粗集理论的知识自动获取方法的基本原理和获取过程，研究了数据记录范化方法、属性归约算法、最小决策规则集的求解、规则提取方法，并给出了自动获取方法的实例。实例证明了该算法的有效性。     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。     

一种基于粗集的欺诈风险分析方法

文章利用粗集理论中的特征属性约简方法来分析和研究欺诈风险，提出了一种基于粗集的欺诈风险分析方法，并通过一个信用卡欺诈的分析实例对该算法进行了检验。实验结果表明，在保证分类质量基本不变的情况下，该算法是有效的，它能找出引发欺诈行为的主要特征属性，帮助管理者及时、准确地预测各种可能发生的欺诈风险。     

基于粗集的朴素贝叶斯分类算法及其应用

朴素贝叶斯方法是数据库分类知识挖掘领域一项基本技术,具有广泛的应用。论文针对朴素贝叶斯方法的限制,提出了基于粗集理论的贝叶斯的分类知识挖掘方法。该方法首先基于粗集理论的属性约简能力,根据数据库中条件属性和决策属性之间的依赖关系,进行属性的约简处理,然后基于朴素贝叶斯方法进行分类知识挖掘。实验结果表明,基于粗集理论的贝叶斯分类方法改善了贝叶斯分类方法中属性之间独立的限制,简化了挖掘模型,使挖掘性能具有明显的优化。     

模糊属性集的粗糙上下近似研究

在知识发现和数据挖掘领域,粗集理论与模糊集合理论都是研究信息系统中知识不完备、不准确问题,两者都可利用观测数据表达知识,进行推理。论文针对传统粗集环境下知识表示模型用固定的属性及属性值来描述对象这一局限,提出利用模糊属性模型对知识表达系统进行信息描述,并给出了模糊属性集的粗糙上下近似模型。     

一种新的属性约简算法

粗集是一种处理模糊和不确定性数据的工具,属性约简和核是粗集理论的核心内容,经过约简后的数据更有价值,更能准确地获取知识。很多属性约简算法以核为起点,计算繁杂。文中提出并分析了后删除属性约简算法,该算法不需要计算核,节约时间,减少占用空间,简化求解过程。文中以实例验证了算法的正确性。     

一种新的属性约简算法

粗集是一种处理模糊和不确定性数据的工具，属性约简和核是粗集理论的核心内容，经过约简后的数据更有价值，更能准确地获取知识。很多属性约简算法以核为起点，计算繁杂。文中提出并分析了后删除属性约简算法，该算法不需要计算核，节约时间，减少占用空间，简化求解过程。文中以实例验证了算法的正确性。     

一种基于Rough集获取规则知识的增量式学习方法

将Rough集理论应用于规则归纳系统,提出了一种基于粗糙集获取规则知识库的增量式学习方法,能够有效处理决策表中不一致情形,采用启发式算法获取决策表的最简规则,当新对象加入时在原有规则集基础上进行规则知识库的增量式更新,避免了为更新规则而重新运行规获取算法。并用UCI中多个数据集从规则集的规则数目、数据浓缩率、预测能力等指标对该算法进行了测试。实验表明了该算法的有效性。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

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.     

基于粗糙集和决策树的增量式规则约简算法

粗糙集方法是一种处理不确定或模糊知识的重要工具。传统的粗糙集模型对最简规则集的研究都是针对静态数据的,对于动态数据却显得无能为力。但在实际应用中,数据库中的数据往往是动态变化的,因此,对规则约简的增量式算法的研究是知识发现领域所急需解决的问题之一。文章给出了一种基于粗糙集和决策树的增量式规则约简算法,并与传统算法和RRIA算法进行了对比分析,实验结果表明该算法的方法和效果更好。     

基于ARMA的销售预测方法与系统实现

为了提高销售预测准确性,为企业生产决策提供参考依据,建立一个基于自回归滑动平均模型ARMA的销售预测模型,实现产品销售预测。采用修正因子对输入序列进行影响因素权值调整（前处理）,再进行ARMA建模,并对预测结果再进行修正（后处理）,提高了销售预测的准确性。以IIS为应用服务器,Oracle为数据库服务器,采用B/S体系结构和ASP.NET四层架构设计,实现时序销量数据修正、模型的识别、定阶、参数估计和预测数据修正以及预测展示等功能,完成产品销量预测系统。     

基于变精度粗糙集理论的组合预测方法研究

组合预测的关键是确定各个单模型预测方法的加权系数。文章首先给出了一种基于标准粗糙集理论的组合预测方法,将加权系数确定问题转化为标准粗糙集理论中属性重要性评价问题,通过引入目标函数,提出了一种基于变精度粗糙集理论的寻找组合预测加权系数的新方法。仿真实验表明,基于变精度粗糙集理论的组合预测方法计算量小,不带有主观性,预测精度高。     

基于模糊聚类的粗糙集决策表简化方法研究

决策表是一种特殊而重要的知识系统,在决策支持和数据挖掘等领域有着重要的应用。该文给出了一种基于模糊聚类的粗糙集决策表分析方法。该方法结合模糊集和粗糙集理论,由模糊聚类得出模糊决策表,并可以方便地构造决策表和对决策规则表进行简化。     

基于知识粒度的决策空间方法研究与实现

本文利用粗糙集理论中的粗度概念，在对获取规则进行扩展性的粒度描述的基础上，提出了一种工具——知识依赖关系图（KDRD），构造了n维知识粒度决策空间以及基于多决策类的同构映射决策空间，建立了基于KDRD和决策空间的决策算法，并结合机械故障诊断说明了本方法非常适于故障诊断等通过结论获取原因的智能决策系统．     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。