变精度粗糙集与基于变精度粗糙集的知识模糊度量

变精度粗糙集是对标准粗糙集理论的一种扩展 .它通过设置阈值参数 β ,放松了标准粗糙集理论对近似边界的严格定义 .文中讨论了变精度粗糙集的置信阈值 β ,通过算例给出了信息系统中基于变精度粗糙集的规则提取方法 ;将变精度粗糙集模型应用于模糊集 ,提出了在变精度粗糙集中知识的一种模糊度量方法 ,对这种方法的一些性质进行了研究 ,并用该模糊度量方法描述了近似算子 .研究表明 ,该方法可合理解释模糊隶属函数 ,清晰说明了隶属度的含义 .     

变精度粗糙集在手术诊断中的应用

粗糙集理论是一种处理模糊和不确定知识的一种新型数学工具,在很多领域取得了成功的应用.但是经典粗糙集理论处理的分类必须是完全正确的,在实际应用中,缺乏对噪声数据的适应能力,为了克服这个缺点,提出一种变精度的粗糙集模型,以适应实际应用的需要.对变精度粗糙集理论的数据预处理、属性约简、值约简和规则提取等问题进行了分析和研究,提出属性约简算法和基于求核值属性的归纳值约简算法,并将其运用于医疗系统的手术诊断数据表的数据挖掘分析过程中,所得到的实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果.     

基于粗糙集的数据挖掘方法分析

文章从数据挖掘和粗糙集的基本概念出发,研究粗糙集理论在数据挖掘中的典型运用,为大型数据挖掘提供了一种新的方法。基于粗糙集的数据挖掘,首先通过粗糙集理论对数据进行预处理,然后对属性约简,最后进行决策规则提取,寻找最优解。     

变精度粗糙集与粗糙集属性约简特征比较

通过具体问题,阐明了经典粗糙集模型分类质量、相对正域、决策类下近似具有非单调递减特征,变精度粗糙集模型在约简过程中分类质量和相对正域会出现跳跃现象,约简过程具有不稳定性.需要针对3者分别建立模型,使属性约简变得多样化.     

变精度粗糙集与粗糙集属性约简特征比较

通过具体问题,阐明了经典粗糙集模型分类质量、相对正域和决策类下近似具有非单调递减特征,变精度粗糙集模型在约简过程中分类质量和相对正域会出现跳跃现象,约简过程具有不稳定性.需要针对三者分别建立模型,使属性约简变得多样化.     

基于一般关系下的双论域变精度粗糙集模型

通过引入迪卡尔乘积,定义了双论域上的一般关系及其迪卡尔乘积多数包含关系,提出了一般关系下的双论域变精度粗糙集模型,这是对一般关系下的双论域粗糙集模型的推广;最后讨论了与该模型相关的性质.     

基于粗糙集理论的数据挖掘研究初探

数据挖掘是应用一系列技术从大型数据库或数据仓库的数据中提取人们感兴趣的信息或知识,这些知识或信息是隐含的事先未知而潜在有用的,粗糙集理论是一种处理不确定和模糊问题的数学工具,它的一系列优点使其特别适合于数据挖掘研究．介绍了数据挖掘的概念、特点、任务、分类、要求及研究意义,分析了粗糙集理论的特点、所处理的问题、在数据挖掘中的简单应用,以及粗糙集在数据挖掘中的应用展望等。     

基于粗糙集的数据挖掘的应用研究

粗糙集理论是一种处理不确定和模糊问题的数学工具,它的一系列优点使其特别适合于数据挖掘研究.本文阐述了粗糙集理论及其在数据挖掘中的应用.     

基于变精度粗糙集的综合评判模型及其应用

针对综合评判模型中各影响因素权重分配难以确定和具有主观性的问题,通过引入广义变精度粗糙集,定义了影响因素相对重要性的概念并构造出一致判断矩阵,然后利用层次分析法求得各因素的权重,并进一步得到了各评价对象的总体综合评价值,为不确定性的决策问题提供了技术支持和理论依据.     

不完备信息的广义变精度粗糙集识别方法

通过引入广义变精度粗糙集模型,定义了识别对象的相似度和α邻域的概念,建立了不完备信息系统的α-β下近似属性约简算法,有效地删除了属性的冗余信息和降低了噪声数据的干扰,从而得到了基于相似度的不完备信息的识别准则．实验表明,论文所研究的方法具有处理信息缺失多的能力和容错特性,对不完备信息的识别具有较好的准确率和稳定性．     

一种基于粗糙集的数据挖掘模型

粗糙集理论是一种处理不确定和不精确问题的数学工具。运用模拟例子通过不同简化层次的算法导出每个层次上的信息集,最后得到规则集来说明如何建立和运用这种数据挖掘模型。     

粗糙集理论在电力系统数据挖掘中的应用研究

电力系统数据具有数据种类混杂、数据质量差、要求高、实时性等特点。在数据挖掘的诸多方法中,粗糙集理论对于处理复杂系统有明显的优势,研究粗糙集在电力系统数据挖掘中的应用,可以更加充分地利用电力系统数据,揭示数据背后蕴含的原理、规则,为解决电力系统中的许多问题找到更加合理的方法。主要介绍了粗糙集理论和电力系统数据挖掘的特点,论述了粗糙集在电力系统数据挖掘中的应用。     

S-粗糙集的粗糙度与数据挖掘

介绍了S-粗糙集的概念，在此基础上给出了S-粗糙集粗糙度的概念及其性质，为S-粗糙集在数据挖掘中的应用提供了有用的分析工具。     

基于逆概率的变精度粗糙集模型

从经典的概率粗糙集模型出发,参照Bayes因子,研究了一种基于逆概率的变精度粗糙集模型,该模型不受先验概率的影响,从而减小了决策失误的风险.     

基于可变精度粗糙集的规则挖掘矩阵算法

提出了一种基于可变精度粗糙集的规则挖掘矩阵算法,它是一个采用基于分类精确度的粗糙集模型进行决策规则挖掘的新方法,能有效地处理决策表的不一致性.实例结果和实际应用表明该算法是有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路.     

基于粗糙集和模糊聚类的网站日志数据挖掘实例分析

粗糙集理论是有效处理不精确、不确定和含糊信息的软计算工具,模糊聚类分析是依据客观事务间的特征、亲疏程度和相似性,通过建立模糊相似关系对客观事务进行分类的方法.网站日志数据通常是大量的,冗余的,日志中的页面之间的关系也是模糊的,不确定的.该文利用粗糙集理论和模糊聚类的方法对某学校网站的日志数据进行实例分析,抽取用户感兴趣的模式,理解用户的浏览兴趣行为,以便进一步改善网站结构,为用户提供个性化服务.     

基于粗糙集理论的数据挖掘技术在高校学生成绩分析中的应用

在讨论目前高校教学中存在问题的基础上,简单介绍粗糙集理论及数据挖掘技术。以高校学生成绩为例,提出基于粗糙集理论的数据挖掘技术在高校学生成绩分析中应用的解决方案。     

几类拓展粗糙集模型属性约简研究综述

粗糙集属性约简算法是数据预处理的有效方法,但无法处理某些结构复杂的数据.为了进一步拓宽粗糙集的应用范围,通过扩展粗糙集模型或改进属性约简算法以提高粗糙集的数据处理能力.对模糊粗糙集、覆盖粗糙集、邻域粗糙集、决策粗糙集、变精度粗糙集等几类拓展粗糙集模型的一些经典属性约简算法和最新提出的算法进行梳理和归纳后发现,现存的算法在运行效率和空间复杂度等方面限制了拓展粗糙集模型的使用范围.当前研究中拓展粗糙集模型在约简理论完善、大数据处理、特殊数据处理等三个方面的问题依然存在,因此未来应重点结合Pawlak粗糙集属性约简算法的思想、智能算法以及其他一些理论方法来研究拓展粗糙集模型属性约简理论.     

可变精度粗糙集模型在远程开放教育中的应用

开放远程教育是一个新兴的教学组织方式,它有信息密集型和知识管理型的特点。在知识管理时代,面对庞大的教学规模,教学管理者迫切希望从大量的信息中获得有效的知识来辅助管理,从而提高教学管理效率和水平。本文构建了一个基于关系演算的可变精度粗糙集模型,探索开放教育学习者成绩信息的知识发现。通过在真实数据上的算法实验,表明这个模型克服了传统粗糙集的不足,是一个有效的算法改进。实验获得了关于学习者成绩的初步知识规则,为学校的管理工作指明了方向,并且就学校的知识管理工作进行了有效的尝试。     

变精度变异函数S-粗集与F-结构

动态系统规律知识是规律对象（规律外延）与规律属性（规律内涵）的统一体,利用变异单向函数S-粗集与变精度粗集提出变精度变异单向函数S-粗集的概念和它的F-结构,给出变精度变异单向函数S-粗集的有关性质定理和推论,对此进行了讨论。应用变精度变异函数单向S-粗集对动态系统的内涵规律的精度进行数据挖掘。容易挖掘一发现出动态系统中规律的相关性和规律的近似决策规则。变精度变异单向函数S-粗集为研究动态系统规律提供了一种新的途径。