基于遗传算法的一种粗糙集知识约简算法

知识约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识.文中从系统的信息表出发,根据可辨别下三角矩阵,利用遗传算法,提出一种基于遗传算法的粗糙集知识约简算法,并通过实验分析说明,这种算法可以解决现有启发式算法无法解决的部分问题.     

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。     

一种新的决策表属性约简算法

结合模糊聚类技术与粗糙集中属性重要性思想,对同时含有连续、离散、序数型条件属性的决策表,提出一种属性约简算法,并对算法的时间复杂度进行了分析.该方法首先利用聚类技术将决策表的对象按条件属性进行分类,然后对去掉某属性后的决策表采用同样的方法进行聚类,再结合粗糙集理论进行属性约简.实例说明了该方法的合理性和有效性.     

基于差别矩阵的Rough集属性约简算法

差别矩阵非空元素的个数,直接影响基于差别矩阵的Rough集属性约简算法的效率。分析了几种差别矩阵的不足,基于此,重新定义了一种差别矩阵,该差别矩阵把划分U/C={[x1]C,[x2]C,…,[xn]C}的一个等价类看成一条规则参与区分,从而大大减少了差别矩阵非空元素的个数,提高了Rough集属性约简算法的效率。给出了这几种差别矩阵非空元素的计算公式及其相关定理。提出了一种带启发式知识的约简算法,该算法在很大程度上能找到决策表的最小属性约简。最后给出了对UCI一些数据库的仿真结果。     

基于简化差别矩阵的属性约简算法

为降低基于修正差别矩阵的属性约简算法的时间复杂度和空间复杂度,首先给出了简化差别矩阵的定义,并证明了该矩阵所包含的信息量与修正差别矩阵的信息量等价.其次设计了一个高效的求U/C的算法,其时间复杂度被降为O∑|C|i=1|ki||U|.然后分析了基于修正差别矩阵的属性约简算法的不足,并使用上述高效求U/C的算法,设计了一个基于简化差别矩阵的属性约简算法,证明了该新算法的时间复杂度和空间复杂度分别被降为maxO(|C|2(|Up′os||U/C|)),O∑|C|i=1|ki||U|和max{O|C|(|Up′os||U/C|)),O(|U|)}.最后用一实例说明了新算法的高效性.     

基于粗糙逻辑的增量式属性约简算法

知识约简、决策规则的获取是粗糙集理论研究的核心内容。以粗糙逻辑为基础，首先给出了在新实例加入论域后判断约简变化与否以及判断原极小决策算法中决策规则变化与否的判定依据。在此基础上，提出了一种增量式属性约简算法。该算法能有效地减少计算属性约简与极小决策算法的计算量，提高了计算效率。     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

一种混合决策系统属性约简算法研究

针对基于模糊等价关系建立的粗糙集模型，指出了现有相对约简算法的不合理，重新定义了相对约简，并提出利用改进的二进制粒子群优化（PSO）算法来求混合决策系统的相对约简。改进的二进制PSO算法引入遗传算法的交叉算子，同时对于种群中适应度最低的粒子，用新产生的粒子代替。根据“相对约简中属性的数量越少，相对熵之差绝对值越小，适应度函数的值越大”的原则设计适应度函数。实验证明算法对混合决策系统能进行有效的约简。     

一种基于分明矩阵的启发式知识约简方法

提出了基于分明矩阵的启发式知识约简方法。在决策表的相对约简过程中采用分明矩阵来表达知识,并利用分明矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。现已证明,寻找决策表中最小相对约简问题是典型的NP hard问题。所提供的算法在大多数情况下能够找到最小约简,即使在没找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速有效的方法     

基于收益和风险优化的属性约简算法

决策者总是希望实现收益最大而承担的风险最小,如何平衡或兼顾两者,可考虑引入收益和风险因素进行属性约简以便做出寻找有效的、切实可行的决策。在一定的预期收益水平下通过优化组合收益和风险,结合粗糙集和贝叶斯模型,建立了收益和风险优化的决策模型,以每个属性的收益风险平衡组合函数作为指标进行启发式属性约简,该算法减少数据模型的规模和复杂度,并提高模型系统的仿真精度。     

基于Rough集的空间属性数据挖掘的研究与实践

介绍了地理信息系统（GIS）的概念，深入研究了空间数据库的特性，探讨了Rough集理论，分析了Rough集合和空间数据的关系，讨论了差别矩阵的概念和算法，应用信息熵和模糊数学模型，给出了空间数据库属性数据的数据约减和数据挖掘算法，最后分析了一个应用事例，从而验证了算法的可行性。     

基于变精度粗糙集理论的知识约简方法

基于变精度粗糙集理论与包含度理论,引入了不协调目标信息系统的上、下分布约简的概念,并讨论了它们之间的关系.上(下)分布约简是保持每个决策类的上(下)近似不变的最小属性集,由约简系统产生的命题规则与由原系统产生的命题规则是相容的,即约简不会改变由对象所产生的规则的决策结果.通过对这两种知识约简的等价刻画,得到了上、下分布知识约简的判定定理和可辨识属性矩阵,从而提供了不协调目标信息系统知识约简的新方法.     

基于Rough集理论的同类人员综合评判模型及其简化

基于 Rough集理论 ,通过建立同类人员评判模型 ,利用此模型及其简化模型的算法 ,探索以可达到高效率评判各类人员中同类人员为目的的技术和方法 ,并以实例加以说明.     

粗糙集理论在我国税收预测中的应用

基于粗糙集理论给出了对象与规则可信度的概念,提出了一种经济系统中相关关系预测法.利用信息熵的概念,评价因素的重要程度和约简因素,由此提取基本相关规则.在对象与规则之间的可信度基础上,建立了预测模型.与传统的回归预测法比较,这个方法不需要进行相关性判断、模型识别和检验,它直接从数据出发,在不损失信息的条件下约简冗余因素,寻找经济指标与影响因素之间的相关关系,能同时处理定性、定量因素以及不确定因素.税收预测模型算例说明了本文方法的有效性.     

基于集对势的扩充粗糙集模型

针对已有扩充粗糙集模型处理不完备信息系统的局限性,在已有扩充模型的基础上,基于集对分析理论中集对势的概念定义了一种新的对象之间的分类关系,称为集对势容差关系,并由此给出一种新的粗糙集扩充模型.从局部角度,分析说明该模型的分类性能优于已有方法.同时选用UCI数据库中的数据集进行测试,通过实验表明该模型的整体分类性能也优于已有方法.因此更加适合大型不完备信息系统的处理.     

粗造集理论与应用发展

针对近几年兴起的粗糙理论进行了介绍 ,给出了应用较多的一些评价函数 ,并对各部分理论进行了举例说明 ,最后对粗糙集的应用提出了论述 .     

一种基于Rough集的时间序列数据挖掘策略

阐述了基于 Rough集的时间序列数据的挖掘策略 ,重点讨论了时间序列数据中的时序与非时序信息的获取问题 .实践证明 ,Rough集理论作为一种处理模糊和不确定性问题的有效工具 ,对于时间序列数据的挖掘同样也是有效的 .文章强调了时间序列数据中的多方面信息 ,包括原始数据及其变化量、变化率所提供的信息.     

基于Rough集理论和神经网络的武器系统参数费用模型

建立武器参数费用模型 ,首先要挑选特征参数 ,这里采用知识约简方法选择武器的特征参数 ;利用神经网络理论建立了参数费用模型 ,武器系统的费用与武器特征参数的关系可通过神经网络的阈值和权值得到体现 .通过实例对神经网络法与线性回归法所得的结果进行了比较 ,结果表明 ,神经网络法比线性回归法精确.