基于粗糙集理论的属性约简算法的研究

粗糙集理论中的有效算法研究是粗糙集理论的一个研究热点,目前主要集中在决策规则提取算法、属性约简算法、粗糙集基本并行算法以及与粗糙集有关的神经网络和遗传算法等。其中,属性约简算法是粗糙集理论及应用研究的重要内容。本文对粗糙集理论中的属性约简进行了比较系统的研究,在总结现有方法的基础上,提出了一种基于可辨识矩阵的启发式属性约简方法。     

基于粗糙集理论构建心理疾病简单自诊系统

本文讨论的是粗糙集理论的实际应用问题,在了解心理疾病诊断规则的基础上,利用粗糙集方法建立了属性约简模型,并着重讨论了基于区分矩阵的约简算法。     

粗糙集理论及其应用

粗糙集理论是一种新的处理不确定知识的数学工具。目前已在神经网络、机器学习、数据挖掘、模式识别与分类、故障检测等方面得到了广泛应用。首先描述了粗糙集的基本概念，包括不可区分关系、上下近似、知识约简及规则的确定性因子；然后对粗糙集在神经网络、机器学习、数据挖掘等领域中的应用进行了论述。     

基于粗糙集与RBF神经网络的农业总产值预测方法

提出了把粗糙集和R BF神经网络相结合应用于农业总产值预测的方法。首先用粗糙集对影响农业总产值的多个因素进行属性约简,选择主要影响因素,去除冗余信息;然后利用RBF神经网络建立预测模型。最后对该模型的预测结果与因子分析神经网络模型的预测结果进行了比较,表明了该模型的有效性和优越性。     

基于RBF网络的粗糙集属性约简策略

粗糙集理论被广泛应用于人工智能、模式识别、数据挖掘和知识发现等领域。而对象的属性约简是是粗糙集理论中的重要问题之一。由于属性约简计算量较大,影响了的粗糙集的实际应用。本文用RBF神经网络高效和OLS对称性的特点,研究粗糙集属性的约简,解决了属性约简的难题,完成了算法的实现,取得了较好的效果。     

基于粗糙集-LVQ神经网络的入侵检测模型研究

提出了一种基于粗糙集-LVQ神经网络的入侵检测模型。首先将粗糙集作为前置处理系统对属性进行约简,再根据粗糙集处理后的学习样本集,构建LVQ神经网络结构,实现对入侵进行检测。实验结果表明该方法优于其他同类方法。     

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.     

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．     

粗糙集理论与图形匹配相结合的规则提取方法

文章提出了在粗糙集理论中规则提取的新方法——利用图形的匹配来提取规则.粗糙集理论在数据分类应用中的主要思想是保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.     

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.     

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.     

关联规则挖掘模型在大学生评价中的应用

本文在对数据挖掘相关技术、关联规则挖掘算法进行深入研究的基础上,归纳总结了基于粗糙集理论的关联规则挖掘模型和属性约简算法,并将其成功应用于大学生评价中,为社会选拔人才提供有价值的参考。     

基于粗糙集的粒计算理论的研究综述

在阐释粗糙集和粒计算理论基本体系结构的基础上, 给出了基于粗糙集的粒计算理论研究的重点, 综述了当前国内外关于知识约简、动态约简、增 量规则提取算法的若干最新研究进展, 简要探讨了今后进一步研究的方向.     

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.     

一种基于粗糙集与BP神经网络集成的新方法

在分析了粗糙集理论和神经网络理论各自优势和存在问题的基础上,设计了将两者综合集成的新方法。该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构。利用该方法对航材的消耗进行预测,实验结果表明,该方法减少了训练次数并且预测效果比传统神经网络效果好。     

基于粗糙集理论的考试评价模型及其应用

粗糙集理论是一种新型的数据挖掘方法,其主要思想是保护分类能力不变的情况下,利用等价分类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的。通过以一次考试的成绩为例,用基于粗糙理论的评价模型对考试进行定性定量的分析评价。     

基于粗糙集和模糊推理的医疗诊断系统的研究

医学诊断系统是临床诊断辅助工具,可以帮助医学专家解决复杂的医学问题.文章提出一种粗糙集理论和模糊神经网络技术相结合进行病症诊断的方法.利用粗糙集理论对大量疾病诊断信息进行属性约简,消掉冗余属性,建立有效知识库,在此基础上构建参数合适的模糊神经网络对知识库进行诊断推理,从而降低了计算量,提高了约简效率,而且具有较高的诊断准确率,系统测试结果达到了辅助医生诊断的效果.     

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。     

变精度粗糙模型的建立及其在加工过程知识约简中的应用

本文针对基于粗糙集的数据挖掘过程,引进了可变精度的粗糙集模型进行知识约简,并在变精度粗糙模型的建立基础上,研究了其实现算法,并对加工过程中刀具磨损的数据进行挖掘和知识约简。