Rough集理论在不完备信息系统中的扩充

Pawlak教授所提出的经典Rough集理论主要是针对完备信息系统的，利用了不可分辨关系这种等价关系来对对象进行了近拟和下近似分类，对于不完备信息系统的处理，需要对经典Rough集理论进行扩充，主要是对不可分辨关系进行扩充，目前已经有了基于容差关系，相似关系和量化容差关系等的扩充Rough集理论，但是，这些扩充也还存在一些局限性，将提出一种基于限制容差关系的扩充Rough集模型，并比较分析这些扩充Rough集模型之间的性能。     

基于集值的Rough集扩充模型

基于文献[7]中的相容关系和优势关系,提出了一种k度限制相容关系模型,同时研究其性质。最后通过实例验证该模型具有很好的灵活性,分类结果也更加切合实际。     

不完备信息系统的Rough集扩充方法

本文就目前Rough集直接处理不完备信息系统的Rough集模型进行讨论、归纳与总结,有利于对不完备信息系统的Rough集扩充方法的认识,对在不完备信息系统下拓展Rough集有所启示和参考。     

集值Rough扩展模型知识约简

基于吴鹏等提出的k度限制相容关系模型,讨论在集值不完备信息系统上的约简,给出集值不完备信息系统属性约简的判定定理和辨识矩阵,得到集值不完备信息系统知识约简的具体操作方法。     

基于属性集值不完备信息系统的Rough集方法

论文使用基于一般关系的Rough集理论和方法,研究了具有“属性集值”的不完备信息系统。通过研究由属性集值产生的不完备信息系统上的三种基本关系相容关系、非对称相似关系和拟序关系,建立了相应Rough近似集合的某种“单调”关系。在此基础上,讨论了系统属性约简及其实现算法。     

基于Rough集理论的模糊值属性信息表简化方法

为了有效地在信息表中处理取值为模糊术语的属性,解决Rough集对模糊值属性处理能力较弱的问题,提出了模糊不可分辨关系的概念,用于处理属性值为模糊术语的信息表．将约简、核、相对约简与相对核以及规则的约简与核等Rou曲集理论中一系列知识约简的概念推广到模糊环境下,提出了一种有效的模糊值信息表简化的启发式算法．数值实验验证该方法在模糊值属性信息表简化方面比传统的Pawlak方法和其他一些学者的相关工作更为有效．     

不完备信息系统的Rough模型扩充

在处理不完备信息系统时,需要对经典粗糙集理论进行扩充。目前有一般容差关心,相似关系,限制容差关系等Rough集模型,然而这些模型还存在一定的局限性。本文对此进行了分析和改进,建立了基于k等价度容差关系的Rough模型。并通过实例说明了该模型具有很好的灵活性,得到的结果也更加符合实际情况。     

Rough集中U/P的快速算法

针对目前计算Rough集中U/P算法需要重复扫描决策系统、不断地进行属性值比较和排序的缺点,提出了一种基于树型结构的不可区分关系树,通过不可区分关系树实现了计算U/P的快速算法.该算法只需扫描一次决策系统,并且也避免了不断地进行属性值比较和排序.经实验验证该算法较目前基于排序的U/P算法更快,而且算法实现更简洁.     

区间集值信息系统中的粗糙集理论

介绍集值信息系统和区间值信息系统,并提出了同时具有这两种系统特点的区间集值信息系统.依据属性值的语义关系,将区间集值信息系统分为两类：析取（I型）和合取（II型）系统,并对其分别提出了基于优势关系的粗糙集模型,讨论了相关性质.最后用实例分析验证了所提出系统的有效性.     

集值信息系统的粗糙集扩展模型

通过分析研究现有集值信息系统下定义的二元关系,基于集合包含度在集值信息系统中引入相似度概念,定义了一种基于相似度的α-相容关系,提出基于α-相容关系的粗糙集扩展模型,并分析比较了该模型与现有粗糙集扩展模型之间的关系。最后,给出实例加以验证。     

一种新的Rough集方法在不完备信息系统中的应用

本文提出了一种新的基于相容近似空间的Rough集理论在不完全信息系统中进行知识提取.     

基于Rough集的动态信息系统的规则挖掘

在动态信息系统模型下,采用Rough集的方法对信息系统在时间进程与场景变化中的规律进行研究.在论域不变的条件下,提出差异信息系统的概念与构造过程,并在此基础上给出了一种启发式的规则挖掘算法,并对算法复杂度进行了分析.利用该算法得到的决策规则,很好地反映了条件性值的变化与决策变化趋势之间的内在联系.     

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。     

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。     

不完备信息系统中可变精度Rough集模型

本文分析了已有不完备信息系统中可变精度Rough集模型存在的不足,提出了其改进模型:通过引入遗传算法来解决模型中的阈值优选问题,使阈值优选自动化.仿真试验说明了改进模型的有效性和优越性.     

Rough集及在近似推理中的应用

本文介绍了Ｒｏｕｇｈ集的基本概念,阐述了Ｒｏｕｇｈ集与信息系统之间的关系,构造了一个基于Ｒｏｕｇｈ近似的距离函数,并使属性值区间化,且略述了开发的中医诊断专家系统,最后,展望了Ｒｏｕｇｈ集的研究前景。     

一种基于Rough集理论的数据过滤方法

Ｒｏｕｔｈ集理论是一种处理不确定模糊知识的重要工具,在对Ｒｏｕｇｈ集理论进行深入研究的基础上,提出了一种基于Ｒｏｕｇｈ集理论的这滤算法。该处 工硒思想是基于Ｐ－确定的等价类的合并,算法直观,计算简便,理论和实验表明,该算法能够减低信息系统中信息的粒度,在保持规则近似质量不变的前提下,有效地提高规则的统计意义和预测强度。     

集值信息系统中的模糊优势关系粗糙集

以集值信息系统为研究对象,考虑对象之间的优势程度,提出了模糊优势关系的概念;将模糊的方法引入优势关系粗糙集理论,给出了基于模糊优势关系的粗糙集模型并讨论了其相关性质,为从集值决策系统中获取决策规则提供了新的理论基础与操作手段。通过实例验证了所提方法的可行性和有效性。     

优势关系下的集值序值信息系统

集值序值信息系统分为合取/析取集值序值信息系统,分别深入分析了合取/析取集值序值信息系统已有优势关系的局限性,并对其不合理情形进行了讨论,进而提出了对对象进行更好划分的新优势关系。在此基础上,分别构建了优势关系下的合取/析取集值序值信息系统的粗集模型,并通过典型例子验证了该方法的有效性。     

集中有序集值信息系统

集值信息系统是完备信息系统的一种推广,按照语义可划分为合取集值信息系统和析取集值信息系统。属性偏好关系也有两种：属性递增偏好有序和属性递减偏好有序。提出一种新的属性偏好关系,建立了一种新的优势关系。这种优势关系能够表示一类属性偏好既不是递增有序也不是递减有序,而是趋近于某个标准值的情形,称这样的优势关系为属性集中有序,它可应用于某些集值信息系统。