一个基于Rough set理论的增量式学习算法

为了获取最小决策规则,当增加新例子时,传统的方法通常需要对决策表中所有数据重新计算,效率欠佳。为了尽量减少重复计算量,该文从Roughset理论出发,提出了一种新的增量式学习算法和最小重新计算的标准,并且用理论和实验对新算法和传统算法在算法复杂度上做了对比。     

基于Rough Set的规则更新算法

RS(RoughSet)方法犤1,2犦是一种处理不精确或不完整信息的强有力的数学工具。该文给出了在RS挖掘算法的基础上,支持度和置信度不变的前提下,数据量增加时的规则更新算法:在新的区分矩阵中充分利用已知的行列,并给出了具体的算法步骤。     

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。     

基于Rough Set的规则自动抽取设计方案

知识获取是专家系统的重要研究领域，而Rough Set理论以理论的独特之处成为这一领域的有效工具。文章针对一具体专家系统－OTCA－ES专家系统－在知识获取方面能力的不足，简要介绍其知识表示和知识获取的方法后，提出了一种基于Rough Set理论的规则自动抽取的设计方案。     

基于不完备信息系统的Rough Set决策规则提取方法

对象信息的不完备性是从实例中归纳学习的最大障碍。针对不完备的信息，研究了基于不完备信息系统的粗糙集决策规则提取方法，利用分层递减约简算法，通过实例有效地分析和处理了含有缺省数据和不精确数据的信息系统，扩展了粗糙集的应用领域。     

Rough set理论提取决策规则的信息度量研究

文章在信息表的信息度量的基础上,主要做了如下两方面的工作:给出了一种基于Roughset理论提取决策规则的信息度量方法;提出了一种衡量提取决策规则优劣的目标函数,该工作为基于Roughset理论规则提取的进一步研究提供了一定的理论依据。论文的最后提出了有待解决的问题。     

基于Rough Set的镜头分割方法

综合利用了MPEG视频流P帧的运动特征、像素差和直方图差特征,提出了一种基于Rough Set的镜头分割方法。该方法首先提取视频流中P帧的宏块信息,然后分析得到其运动活力性、宏块类型和运动空间分布,再结合这些帧的像素差特征和直方图差特征,利用Rough Set对这些特征进行约减后,对镜头切换处进行识别。实验表明,该方法能有效地区分镜头的突变,对渐变也能很好地检测。     

基于决策熵的增量式知识获取算法

为了在知识约简中能够客观地反映决策规则的决策能力,提高约简的效率和识别率,针对动态知识获取这一问题,提出了一种基于决策熵的增量式知识获取算法。该方法利用决策熵能够客观地衡量决策表的决策能力的特点,在现有规则集基础上实现知识的动态更新,避免了重复计算从而提高了知识获取的识别率和效率。最后通过实验说明了该方法的有效性。     

基于Rough Set的最简决策表及最简规则确定的一种算法

决策表在决策应用中起着重要作用,它指当满足某些条件时,决策（行为）应如何进行,但表中往往存在许多冗余信息,需要找到并去除它们。本文利用Rough Set理论中关于核的概念,给出了一种求最少属性及最少属性值（即核值表）的算法,从而得到最简决策表,同时也得到了最简分类规则。     

基于差别矩阵的不一致决策表规则获取算法

针对传统基于差别矩阵的不一致决策表规则获取算法效率不理想的情况,提出了一种快速的基于差别矩阵的规则获取算法.算法首先引入简化决策表思想,删除决策表中可能存在的许多重复对象;然后基于简化决策表构造不同决策类之间的子差别矩阵,以有效地解决对象分布的非平衡性问题和缩小算法的求解空间;且采用启发式向后贪心搜索策略求解相对最小属性约简;并根据规则可信度获取有效的决策规则,可信度可动态设置,使算法具有较好的适应性.最后通过算例分析和实验比较验证了算法能获取有效的决策规则.     

基于粗糙集的电力设备故障诊断

针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的电力设备故障诊断方法,首先对电力设备历史数据、基础信息数据库和缺陷信息数据库进行区分,接着简约数据并建立故障诊断决策表,采用粗糙集数据挖掘方法对在线数据进行决策判断,推断出潜在的诊断规则,这对电力设备故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。     

面向CRM的粗糙集增量式算法的研究与应用

文章首先介绍了客户关系管理的目标和需求以及粗糙集理论的相关概念,然后给出了基于粗糙集的导出规则的增量式算法,最后通过CRM领域中的一个实例验证了算法的有效性。     

基于对象频度的粗集约简算法研究

决策表中大量的不相容对象和相同对象会降低粗集约简算法性能,出现错误的属性核和约简结果。因此文中首先讨论决策表的不相容对象与相同对象即冗余对象对约简结果的影响,然后提出利用对象频度概念来删除冗余对象,组建最简决策表的算法。把求最简决策表的算法与高学东的粗集约简算法结合起来,形成了一种具有较好的处理不相容决策表、决策规则较合理的粗集约简算法。实例证明,该算法性能时间与空间复杂度与高学东算法相同,但明显优于Hu Xi-aoHua、叶东毅等的算法。     

基于粗糙集的规则的挖掘

随着计算机技术的发展，急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念，是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本理论进行了讨论，在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究。并通过一个实例详细地说明了具体挖掘过程，该实例说明了基于粗糙集进行规则的挖掘是较简单的。     

一种改进的属性约简算法

粗糙集理论是一种有效的信息处理工具,属性约简是粗糙集理论研究的一个核心内容。为了能够较为有效地获得不相容决策表较优的属性约简,在对文献[7]中属性约简算法分析的基础上,根据不相容决策表约简不改变决策表正域的原则,仅考虑相对差异比较表中与正域相关的实例对,同时结合属性重要性作为特征选取的启发式信息,提出了一种改进的启发式属性约简算法。该算法在不增加算法时间复杂度的前提下能够处理不相容决策表。最后,通过实例完整演示了该方法,表明该算法是有效的。     

一种改进的属性约简算法

粗糙集理论是一种有效的信息处理工具,属性约简是粗糙集理论研究的一个核心内容.为了能够较为有效地获得不相容决策表较优的属性约简,在对文献[7]中属性约简算法分析的基础上,根据不相容决策表约简不改变决策表正域的原则,仅考虑相对差异比较表中与正域相关的实例对,同时结合属性重要性作为特征选取的启发式信息,提出了一种改进的启发式属性约简算法.该算法在不增加算法时间复杂度的前提下能够处理不相容决策表.最后,通过实例完整演示了该方法,表明该算法是有效的.     

基于粗集理论知识表达系统的一种归纳学习方法

基于粗集（ＲＳ）理论,针对知识表达系统提出一种新的归纳学习方法,对该方法中条件属性的简化,核值表的求取,决策规则的约简进行了详细讨论,并给出相应的求解算法,本方法为机器学习以及从数据库中进行机器发现提供了新的思路。