粗糙集正域在心理健康测量中的应用

分析粗糙集正域的相关理论,提出一种基于粗糙集正域的决策表约简算法,用属性重要度的大小来判断属性是否被约简.通过对心理健康量表数据实例验证,该算法在约简后得到影响测量结果的重要属性,为构建更为科学、合理的测评量表提供理论依据,具有一定的实用价值.     

一种基于粗糙集和粒子群优化算法的权重确定方法

为了克服基本粗糙集理论确定权重的不足,提出一种新的基于粗糙集和粒子群优化算法的权重确定方法.该方法先利用粗糙集和粒子群优化算法对决策表进行属性约简,对约简后的决策表再用粗糙集方法计算属性权重.运用该算法对教师职业倦怠与压力数据进行分析,得到影响教师职业倦怠的各种压力因子的权重.研究结果表明,基于粗糙集和粒子群优化算法可以对决策表的权重进行有效的分析.     

不协调决策表正域约简与其它约简的关系

主要分析了不协调决策表正域约简与分配约简、最大分布约简的关系，证明了分配约简必为正域约简．     

基于粗糙集的属性约简算法

属性约简是粗糙集理论研究的关键问题之一,现已证明寻找一个决策表的最优约简是N P-hard问题。本文首先介绍可辨识矩阵属性约简的基本算法并对求核算法进行了改进。在此基础上给出决策表中属性重要性的两种度量,并以此为启发式信息,提出了一种属性约简的启发式算法。最后,实验结果表明,该算法在大多数情况下能有效地获得决策表的最优约简。     

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.     

基于图论的粗糙集模型研究及应用

从图论的角度,研究粗糙集模型及决策表相对正域和决策规则.方法：将关系和集合用图表示,通过求图的子图以及两图是否相交来求解集合上、下近似;通过求带权图的子图求取决策表相对正域,以及决策规则.基于图论的粗糙集模型更形象更直观.本文提供了一个研究粗糙集模型的新方法.     

在Visual Basic环境下用粗糙集理论约简决策表属性

决策树是一种简单而且应用广泛的分类算法。一个决策表中包含大量的样本信息,一个样本就代表一条基本的决策规则。为了从决策表中抽取适应性大的规则,就需要对决策表进行属性约简。使用粗糙集理论对决策表进行约简比较出色。在用辨识矩阵方法对决策表进行属性约简时,需要考虑实现约简的一些技术问题。如建立决策表的可辨识矩阵,对所有取值非空集合元素建立相应的析取逻辑表达式,对析取表达式进行合取运算等。在VB编程环境下,实现了该算法的约简过程。实例仿真表明了该算法对于决策表属性约简是可行的。     

基于属性依赖度的图像隐写分析算法

针对文献[6]将粗糙集属性约简应用于信息隐藏盲检测中检测正确率有所下降的问题,提出了基于属性依赖度的图像隐写分析算法,该算法利用粗糙集理论属性依赖度提出决策表离散优化的措施,寻找一种提高整个决策表分类能力的办法,以达到提高检测正确率的目的。首先利用该算法对决策表进行优化,其次通过属性约简得到最小约简,最后采用支持向量机构造分类器,对Cox、Piva两种不同隐写术进行实验结果表明,使用该算法不仅检测正确率有较大提高,而且检测效率也有较大提高。     

一种新的基于粗糙集属性依赖的属性约简算法

属性约简是粗糙集研究的重要内容之一,首先利用反例指出蔡莉等人提出的基于依赖度的决策表约简算法的错误,然后给出一种新的基于属性依赖的约简算法。通过一个信息系统实例,证明该算法的可行性和有效性。     

一种改进的属性约简方法

属性约简是粗糙集理论的核心问题之一,寻找最优约简现已证明是NP—hard问题。本文在差别矩阵的基础上,采用贪心算法的策略,提出了一种启发式算法来寻求最优约简。该算法不仅能在有核的决策表中通过核进行属性扩充求得最优约简,而且在无核的决策袁中也能根据属性在差别矩阵中出现的频率求得最优约简。经实例验证该算法是有效的。     

一种垂直分布环境下的特征选择及规则提取算法

特征选择及规则提取是数据挖掘过程中的重要环节.Rough集理论提供了一种新的属性约简即特征选择及规则提取工具,但目前Rough集理论研究主要针对单个决策表(或信息系统),分布式环境下的粗糙集理论研究还不多见.文章提出一种垂直分布环境下的特征选择及规则提取算法,算法分析结果表明,该种算法是有效可行的.     

启发式的属性值约简在隐形眼镜诊断中的应用

根据粗糙集理论,讨论属性值的约简方法。属性值约简是在属性约简的基础上,对决策表中的每一条记录去掉冗余属性值,从而构成一个最小的决策规则集。重点根据启发式值约简方法,对隐形眼镜数据进行分析,为后序的数据分析减少冗余信息。     

基于聚类分析的粗糙集模型及其应用

将聚类分析方法和粗糙集理论相结合,建立了一种基于聚类分析的粗糙集模型,该模型能够删除冗余的数据且保留必要的数据,起到对数据进行预处理的作用,使得属性和属性值约简后的规则更加简练．     

基于正域的决策树构造方法

决策树是数据挖掘中的一种重要分类方法.在此以粗糙集理论中的正域为启发式函数,设计了一种新的、有效的决策树构造方法.该算法具有较大的灵活性.能从测试属性空间逐次删除已使用过的属性.避免对这些属性进行重复测试,减少测试空间,降低了树的复杂性,从而提高了分类效率.最后,实例验证了算法的可行性与有效性.     

不完备信息系统的动态约简算法研究

属性约简是基于粗糙集的数据挖掘方法中最重要的思想和算法,采用经典的数据分析工具得到最小约简是一个NP问题,由此产生了许多启发式属性约简算法。对不完备信息系统中数据动态变化的问题做了研究,对已有的算法做了改进,并通过实际算例分析,验证了算法的有效性。