数据挖掘中粗糙决策规则及其不确定性研究

数据分析中产生的粗糙决策规则通常具有不确定性,需要适当的不确定性量度.借鉴变精度粗糙集理论思想,讨论了几种粗糙决策规则量度方法,采用基于信息熵的方法给出了变精度粗糙集意义下基于修正信息熵的不确定性量度函数,兼顾到了规则不确定性的两个方面:一致性和随机性,还能有效处理噪声对数据一致性的影响,对"几乎一致性规则"有保护作用.通过举例比较了γ0、Hdct和HVPRS,结果表明HVPRS更适合于评价从有噪声数据中提取的粗糙决策规则.     

基于可变精度粗糙集理论的规则获取算法

为了在处理噪声数据时获得更可靠的分类规则,提出了一种粗糙规则挖掘算法.通过粗糙规则集的不确定量度,在变精度粗糙集理论下近似约简分析的基础上,引入了信息熵,建立了变精度意义下的决策表的度量方式.利用离散粒子群算法,提出一种基于粒子群优化的粗糙集知识的近似约简算法,导出了粗糙规则集.经过实例分析说明,这种算法不但具有一定的噪声容忍度,而且该算法得到的规则具有较高的正确度和覆盖度,从而保证分类的准确性.     

基于变精度粗糙信息熵的特征约简算法

为解决传统粗糙集不确定度量存在的局限,提出将变精度粗糙信患熵作为度量标准.该度量标准不仅具有变精度粗糙集良好的抗噪声干扰性能,而且具有基于信息理论的粗糙信息熵更全面反映系统不确定性的能力.给出了基于变精度粗糙信息熵的特征约简算法,实验结果表明该算法具有良好的运行效果.     

基于可变精度粗糙集理论的粗糙规则挖掘算法

提出了一种基于变精度粗糙集理论的规则挖掘算法.通过粗糙规则集的不确定性量度,应用遗传算法求取相对属性约简,然后根据所给阈值导出粗糙规则集,并对阈值对规则集的影响进行了事后分析.由该算法得到的规则既有一定的噪声容忍度又具备较高的准确度和覆盖度,从而能充分保证预测和分类的准确性.实例分析证明,该算法是规则挖掘的有效方法.     

基于变精度粗糙信息熵的特征约简算法

为解决传统粗糙集不确定度量存在的局限,提出将变精度粗糙信息熵作为度量标准.该度量标准不仅具有变精度粗糙集良好的抗噪声干扰性能,而且具有基于信息理论的粗糙信息熵更全面反映系统不确定性的能力.给出了基于变精度粗糙信息熵的特征约简算法,实验结果表明该算法具有良好的运行效果.

     

基于变精度粗糙集理论的决策树生成方法的研究

文章在基于变精度粗糙集模型的基础上,研究了具有置信度规则的一种新的决策树构造方法。新算法对基于粗糙集的决策树生成方法进行改进,新算法以变精度加权平均粗糙度作为属性选择标准构造决策树,综合分析训练数据的噪声数据,引入在构造决策树的过程中存在的不一致性。在决策树生长过程中引入置信度,以控制决策树的生长,得到具有确切置信度的决策规则。     

基于VPRS粗糙熵的图像分割

变精度粗糙集是解决模糊决策问题的重要工具，图像边缘信息本身就具有一定的不确定性和模糊性，而图像分割的效果直接依赖于对图像边缘像素的判断精度，因此变精度粗糙集可以更精确地表达图像边缘。将经典图像粗糙集模型扩展到图像变精度粗糙集模型，并将其应用于灰度图像边缘判定问题，利用变精度粗糙集的上下近似定义，构造了变精度灰色形态学算子，依据灰度图像粗糙熵的定义，提出一种基于VPRS粗糙熵的图像分割算法。针对噪声图像，该方法用变精度粗糙集模型判断目标、背景和边界像素集，在不同参数下判断近似集时容忍部分噪声点的存在，从而可获得较好的灰色边缘图像。实验结果说明，由于变精度灰度形态学算子避免了复杂参数优化过程，算法时间执行效率高；同时由于粗糙形态学算子对噪声的优良处理能力，新算法具有较好的噪声鲁棒性。     

邻域粗糙集中不确定性的熵度量方法

针对传统粗糙集理论中不确定度量方法难以适用于邻域粗糙集模型的问题,引入信息熵的度量方法,提出了基于信息熵的邻域粗糙集不确定性度量方法。该方法采用邻域关系对连续型数据进行信息粒化,基于粒化后的数据定义邻域系统中的近似精度、邻域信息熵、加权邻域信息熵等不确定性度量。进一步提出邻域系统不确定性度量的公理化表示,证明邻域系统的近似精度、邻域信息熵、加权邻域信息熵都是公理化度量;给出其最大最小值,证明其满足单调性原理。理论分析与实验表明邻域系统中的信息熵度量优于近似精度度量。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

一种新的决策树模型在就业分析中的应用

决策树是数据挖掘中常用的分类方法。针对高等院校学生就业问题中出现由噪声造成的不一致性数据,本文提出了基于变精度粗糙集的决策树模型,并应用于学生就业数据分析。该方法以变精度粗糙集的分类质量的量度作为信息函数,对条件属性进行选择,作为树的节点,自上而下地分割数据集,直到满足某种终止条件。它充分考虑了属性间的依赖性和冗余性,允许在构造决策树的过程中划入正域的实例类别存在一定的不一致性。实验表明,该算法能够有效地处理不一致性数据集,并能正确合理地将就业数据分类,最终得到若干有价值的结论,供决策分析。该算法大大提高了决策规则的泛化能力,减化了树的结构。     

包含度与粗糙集数据分析中的度量

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。粗糙集数据分析是粗糙集理论中的主要应用技术之一,它主要用来分析数据的性质、粗糙分类、分析属性的依赖性和属性的重要性、抽取决策规则等,在人工智能与认知科学领域有着重要的应用。该文通过将包含度概念引入到粗糙集理论中,建立了包含度与粗糙集数据分析中的度量之间的关系,证家了粗糙集数据分析中的有关度量均可归结为包含度。这些结论有助于人们深刻理解粗糙数据分析的本质,可作为建立粗糙集数据分析中的度量的主要依据。     

Sequential covering rule induction algorithm for variable consistency rough set approaches

We present a general rule induction algorithm based on sequential covering, suitable for variable consistency rough set approaches. This algorithm, called VC-DomLEM, can be used for both ordered and non-ordered data. In the case of ordered data, the rough set model employs dominance relation, and in the case of non-ordered data, it employs indiscernibility relation. VC-DomLEM generates a minimal set of decision rules. These rules are characterized by a satisfactory value of the chosen consistency measure. We analyze properties of induced decision rules, and discuss conditions of correct rule induction. Moreover, we show how to improve rule induction efficiency due to application of consistency measures with desirable monotonicity properties.     

Variable precision intuitionistic fuzzy rough set model and applications based on conflict distance

Due to the complexity and uncertainty of the physical world, as well as the limitation of human ability to comprehend, it is very difficult for any single method of uncertainty to effectively deal with the decision‐making problem that exists in real life. So, it is natural for us to think about incorporating the advantages of various theories of uncertainty to develop a more powerful hybrid method of soft decision‐making. In view of this recognition, the thought and method of intuitionistic fuzzy sets and variable precision rough sets are used to construct a novel intuitionistic fuzzy rough set model. With respect to the fact that the information system is intuitionistic fuzzy, the idea of measuring intuitionistic fuzzy similarity is used to define conflict distance. After that, this concept is combined with the variable precision rough sets so that a variable precision intuitionistic fuzzy rough set model is established, and its properties are investigated. After proposing an attribute reduction algorithm based on variable precision intuitionistic fuzzy rough sets, a case study is used to verify the feasibility and effectiveness of our novel model. The results show that our model indeed improves the classification ability of earlier models and possesses some ability to tolerate faults through adjusting the parameter λ and the confidence threshold β; it realizes the correct classification and extracts the decision rules.     

一种不确定性条件下的自适应知识学习方法

通过研究决策表和决策规则的不确定性，分析了由不分明关系划分的粒度引起的规则不确定性的两个方面，即不一致性和随机性，建立基于信息熵和粗糙集表示的不确定性信息度量的方法．利用该方法计算决策表局部最小确定性，并以此为阈值来控制规则集生成的数量，避免不必要的冗余规则的生成．同时结合Skowron的缺省规则获取算法，实现了没有领域先验知识条件下的不确定知识的自适应学习过程．试验结果表明．阈值的选取是合理的，在保持较高的决策正确率的同时，有效地控制了规则集的生成．     

粗糙决策支持方法

粗糙分析方法是从粗糙集理论发展出来的技术之一．传统的粗糙分析方法能够从决策表中获取经过属性约简和值约简的决策规则．这些规则虽然能够提供一定程度的决策支持，但是这些规则仅保留了决策表的部分决策支持能力，在实际的决策过程中，往往无法提供良好的决策支持．对此，该文提出一组用于决策支持的粗糙分析方法，称为粗糙决策支持方法．该方法能够充分挖掘决策表的决策能力，以提供强有力的决策支持，并且本质上提供容错的决策支持．该方法与传统方法能够整合为动静结合的决策支持模式，并提供强大而又快速的决策支持．     

概率粗糙集模型在机械故障诊断中的应用

机械故障产生的机理比较多且表现形式具有不确定性,概率粗糙集模型弥补了Pawlak粗糙集模型在解决知识不确定性决策问题时的不足。概率粗糙集模型能充分利用近似边界区域提供的统计信息,并能对给定概念一个更完整的刻画,因而可以提取带有确定因子的决策规则。首先论述了概率粗糙集模型并引进了概率粗糙集模型的属性约简,然后介绍了在机械故障诊断中有关Bayes决策问题的概率粗糙集模型,最后用一个实例说明概率粗糙集模型在机械故障诊断中的应用。     

一种带缺省推理的描述逻辑

该文提出了一种新的带缺省推理的描述逻辑，它以描述逻辑为主要框架，对单调逻辑和非单调逻辑进行了整合，但又避免了一般缺省逻辑的困难．基于带缺省推理的描述逻辑，构建了一种同时具有Tbox，Abox和缺省规则的知识库系统，研究了带缺省推理的描述逻辑的可满足性、缺省可满足性、概念包含、缺省包含以及实例检测等推理问题，提出了一种用来检测可满足性和缺省可满足性的Tableau—D算法，并得到了缺省可满足性和缺省包含的转换定理．     

专家系统中基于粗集的知识获取、更新与推理

知识获取、知识更新和不确定性推理是设计专家系统的重要方面。根据粗集理论，提出了一种专家系统的结构模型，该系统在规则获取的基础上，利用系统运行的实例增量式地更新知识库中的规则及其参数，以改善系统的性能，利用知识库中的规则及数量参数进行不确定性推理，得出结论的可信度。     

Probabilistic Decision Tables in the Variable Precision Rough Set Model

The Variable Precision Rough Set Model (VPRS) is an extension of the original rough set model. This extension is directed towards deriving decision table-based predictive models from data with parametrically adjustable degrees of accuracy. The imprecise nature of such models leads to quite significant modification of the classical notion of decision table. This is accomplished by introducing the idea of approximation region-based, or probabilistic decision table which is a tabular specification of three, in general uncertain, disjunctive decision rules corresponding to rough approximation regions: positive, boundary and negative regions. The focus of the paper is on the extraction of such decision tables from data, their relationship to conjunctive rules and probabilistic assessment of decision confidence with such rules.     

带Rough算子的决策规则及数据挖掘中的软计算

文中讨论决策规则及其与演绎推理中的假言推理规则之间的关系,通过数据挖掘中的软计算使决策表中的属性简化和性值区间化,从而找到一种具有广泛表达能力的数据隐含格式,从中选择有代表性的,并删去冗余或过剩的规则,并保持决策表的原有用途和的有性能,我们通过开发一个中医诊疗专家系统的实例说明了这种软计算的过程,并分别用于统计或专家计算带可信度因子的产生式规则和基于Ｒｏｕｇｈ集方法计算带Ｒｏｕｇｈ算子的决策规则两