粗糙集近似集不确定性研究

粗糙集用上、下近似集刻画不确定目标集合,而粗糙集的近似集用0.5-近似集作为不确定目标集合的近似集.本文首先分析了基于粗糙集的0.5-近似集相似度的属性约简算法存在理论不完备的不足,指出这种相似度具有随知识粒度变化不敏感的缺陷.然后进一步给出了多粒度知识空间下相似度的变化规律,提出了粗糙集近似集的模糊度概念,分析了粗糙集近似集的模糊度在多粒度知识空间下的变化规律,进而提出了相应的属性约简算法.从新的视角构建了目标概念与其近似集的差异性度量方法.     

基于近似条件熵的集值决策表属性约简算法

集值决策表拓展了经典决策表,但其现有属性约简算法中属性重要度度量方式单一.针对集值决策表,采用近似条件熵提出属性约简及其启发式约简算法.将近似精度与条件信息熵进行信息融合,定义近似条件熵,证明粒化单调性等性质;提出基于近似条件熵的属性约简,设计启发式约简算法;采用集值决策表实例与数据实验进行有效验证.实验结果表明:与现...     

基于模糊相似关系的区间值系统的不确定性度量

针对区间值信息系统,对基于模糊相似关系的不确定性度量问题进行了研究.首先,构造了一种模糊粗糙集模型,其中包括基于一种模糊相似度定义模糊关系矩阵以及模糊相似类,并通过实例说明;接着在此基础上,引入两种指定的逻辑算子推广模糊上下近似的定义;最后,扩展精度、粗糙度、近似精度等定义来研究区间值信息系统的不确定性度量问题.同时,...     

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

基于粗糙集信息观的决策表属性约简方法

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的数学理论方法，它被广泛应用于相容和不相容决策表的属性约简和核属性计算。利用反例指出目前基于粗糙集信息观[2、6]的决策表属性约简和核属性计算方法的局限性。对决策表的性质作了深入的研究，研究发现文献[2、6]方法的不足原因是：它们没有考虑U／ind（C）中等价类的相客性。给出了基于U／ind（C）中等价类相客性的属性约简定义和核属性定义，并给出了一种新的基于粗糙集信息观的决策表属性约简和核属性计算方法。讨论了该方法同文献[2、6]方法的区别。最后用相同实例验证了该方法的有效性。     

Vague集的模糊熵

Vague集模糊熵的度量必须兼顾Vague集的未知性和它的不确定性.文中反例证实现有方法在某些情况下得出的结果与实际结论不一致,并提出了一个新的Vague集模糊熵计算方法.通过定理和实例分析证明:该方法同时考虑到了影响Vague集模糊熵的两个因素.     

基于可信度区间的不确定性推理

不确定性推理一直是人工智能研究的重点,基于此首先阐述了不确定性推理规则的组成及其含义,然后提出了不确定性推理的通用模型,给出了一种基于可信度区间的推理方法,通过引入可信度区间、区间匹配函数来进行不确定性推理,在推理结果中通过引入权重系数来进行区间排序,从而衡量各个结果,使得推理结果更加接近实际情况。通过实例算法验证,该方法简单有效。     

基于变精度粗糙集的粗集神经网络

本文研究了基于变精度粗糙集模型下的粗集神经网络设计,对近似约简条件进行了弱化推广,同时提出了近似约简的选取原则。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络RNN和变精度粗集神经网络VPRNN的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且具有更强的近似决策和泛化能力。     

基于Rough集的信息系统中各种基本信息的度量

文章对基于Rough集的信息系统中属性重要性、属性值间的相似性等属性信息及对象之间的相似性进行了度量研究，分别提出了其相应的度量方法，这些方法有助于系统研究信息系统中各种信息的特点和性质，便于数据的聚类分析和不确定性推理等。     

基于Rough集理论的空间数据分类方法

文中主要研究了粗糙集理论在空间数据分类中的应用。在空间数据分类的同时考虑了数据的空间属性和非空间属性，并提出了一种新的基于Rough集理论的决策表离散化算法。由于空间数据对象的属性受其附近的其他空间对象的影响，所以在进行基于空间数据库的数据分类时应该考虑到这种影响。文中首先对空间数据进行预处理，在其属性表中添加空间属性信息，然后使用粗糙集理论处理扩展后的属性表，对其进行数值型数据的离散化、属性表的属性约简和值约简等操作，最终生成分类规则。     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

基于FCM的模糊粗糙属性约简

为解决粗糙集离散化过程中存在的信息损失问题,将粗糙集理论与模糊集理论相结合,提出基于FCM的模糊粗糙属性约简算法.该方法用模糊C均值聚类算法对连续属性进行模糊化,并通过有效性分析来确定最佳分类数目.该方法克服了目前属性模糊化方法需要人为规定划分类数.几乎不考虑信息系统的具体属性值等缺点.最后分别对天气信息系统和玻璃识别信息系统进行了属性约简计算,结果表明该方法是可行有效的.     

图像模糊信息粒的适应性度量及其在边缘检测中的应用

关于模糊信息粒的研究现在已逐渐成为一个新的热点.本文就依靠模糊信息粒处理图像的有效性问题做了深入的讨论,提出了模糊信息粒相对于图像的适应性度量问题,并给出了一种度量的定义;另外,我们将这种度量思想应用到图像的边缘检测中,得到了一种新的基于模糊信息粒的边缘检测方法.该方法有很强的物理背景,实验表明它的效果很好,是一种实用的、有前途的检测算法.     

基于粗糙集理论的混合区间时间序列预测模型

在中长期风速预测过程中,大量的影响因素数据让预测模型越来越复杂。而预测方法中,线性建模方法和非线性建模方法对建模对象有着严格的要求。因此文章提出一种基于粗糙集理论的混合区间时间序列预测模型,通过粗糙集理论对决策数据的影响因子进行筛选,得到影响预测信息的关键因素,同时降低预测模型的输入变量个数。通过对ARIMA和ANN在线性和非线性预测上的优势进行分析和比较,提出一种结合两种预测模型的混合预测算法,并分析了其误差。     

基于粗糙集理论的威胁估计方法研究

针对威胁估计中确定指标是否合理的问题,基于粗糙集理论,提出了威胁估计的步骤,研究了威胁估计条件属性集的约简方法,通过实例验证了粗糙集理论在威胁估计中指标约简的可行性。     

图像区间模糊模型及其在图像检索中的应用

在HSV颜色空间下,通过非均匀量化方法,构建了图像区间模糊模型.在此模型下,图像可以看作是一个区间模糊集合(IVFS,interval-valued fuzzy set).IVFS之间相似性度量可以用来衡量图像之间的相似程度.给出一种基于LP范数距离的IVFS集合度量(简称IVFSLp)并将它应用于图像检索中.实验数据表明:IVF-SLP与直方图距离(histogram distance)和普通模糊集的相似性度量(general fuzzy similarity measure)相比具有更好的性能.     

基于Gauss分布函数的区间值数据的模糊聚类算法

摘 要：通过分析投票模型中中立者的思想倾向,对区间值数据进行二次特征提取,给出了一种区间值数据的Gauss函数表示法,利用这种方法对区间值数据进行相似度量,从而导出一种新的区间值数据的距离度量公式。将该距离度量公式运用于区间值数据的模糊c均值聚类算法(FCM)中,得出一种新的基于Gauss分布函数的区间值数据的模糊聚类算法,试验表明该方法比传统的区间值数据的模糊聚类算法能获得更好的分类效果。     

基于区间值模糊逻辑神经元的区间值模糊C-均值聚类神经网络

本文提出了一种基于区间值模糊逻辑神经元的三层前馈自组织学网络模型，用来实现区间值模糊Ｃ－均值聚类分析，网络第一，二层神经元的输入，输出和权连续取值属于区间值模糊集Ｉ（０，１）第一层神经元为区间值线性神经元；第二层为区间值模糊相等神经元，其功能是实现输入样本与各类的匹配运算，本文采用区间值模糊相等关系作为匹配的指标，为了定义区间值模糊相等神经元，本文在点值模糊相等关系的基础上推导了区间值模糊相等关系     

基于粗糙集的决策支持系统在后备式UPS中的应用

后备式UPS(不间断电源)具有体积小、效率高、成本低的优点,广泛应用于计算机、交通、银行、证券、通信、医疗、工业控制等行业.目前,如何提高UPS对负载的宽适应性和切换的响应速度,是一个受到关注和研究的问题.文中介绍一种基于粗糙集理论的UPS控制方法,利用粗糙集在处理不确定、不完整、不精确数据方面的优势,建立了后备式UPS的控制模型,经实验验证,效果良好.