基于条件信息量的决策表连续属性离散化算法

该文提出了一种新的决策表连续属性离散化算法.首先使用条件信息量来度量条件属性的重要性,并据此对条件属性按照条件信息量从大到小排序,然后按排序后的顺序,考察每个条件属性的所有断点,将冗余的断点去掉,从而将条件属性离散化.该算法易于理解,计算简单.     

一种基于遗传算法的连续属性离散化方法

连续属性离散化是基于粗糙集的数据挖掘中的关键问题。针对该问题提出了一种遗传算法,在保持不可分辨关系的前提下,以最小断点集为目标,对交叉算子、变异算子进行了改进。最后,使用UCI机器学习数据对算法进行了验证,并与其它的离散化算法进行了比较,结果表明算法是有效的。     

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。     

一种监督型的连续属性离散化算法的研究

提出一种监督型的连续属性离散化算法,利用云模型实现对属性区域的划分,以此引入边界的模糊性;再利用属性对类别的决定作用,判断是否对云模型进行归并操作,从而选择出合适的云模型集合,以实现离散化的目的.实验结果表明,该算法具有较少的离散化区间数以及较高的分类精度.     

基于粗糙集的组合属性重要度确定单属性重要度新方法

为改进属性重要度概念,给出了一种基于粗糙集理论的单属性重要度和组合属性重要度结合的确定属性重要度的方法。通过实例考证表明,改进的粗糙集重要度计算方法具有普适性,解决了在文献[3]中提出而没有解决的问题。     

基于自适应遗传算法的离散化方法

属性离散化是应用粗糙集理论的关键问题之一。本文将粗糙集理论和遗传算法二者相结合,提出了基于自适应遗传算法的属性离散化方法。该方法动态调整各个个体的交叉和变异概率,优化了个体被选择的概率。实验表明,它能够明显的改善全局寻优能力,并大大加快了收敛速度。     

知识发现中的数据离散化处理

主要讨论了基于粗集的数据挖掘的连续数据离散化处理过程．     

一种基于粗糙集理论的组合分类器构造方法

粗糙集和神经网络作为不确定性计算的两种重要工具,它们具有很强的互补性。在分析了两种理论的特点之后,得出了一种多神经网络分类器的组合方法,新方法根据对数据集进行约简的结果得到多个与数据相关的且相互独立的神经网络分类器,然后根据属性重要性概念将多个分类器组合起来。对比实验证明,该分类器具有较好的分类效果和性能。     

基于粗糙集的层次聚类算法(RAHCA)

连续属性离散化问题是机器学习的重要方面,是数据预处理问题之一。文章提供的基于粗糙集的层次聚类算法(RAHCA)是对层次聚类算法的一种改进,它能够自动调整参数,以寻求更优的聚类结果。实验结果验证了该算法的可行性,特别是在符号属性聚类方面有着较好的聚类性能。     

基于粗糙集的层次聚类算法（RAHCA）

连续属性离散化问题是机器学习的重要方面,是数据预处理问题之一。文章提供的基于粗糙集的层次聚类算法（RAHCA）是对层次聚类算法的一种改进,它能够自动调整参数,以寻求更优的聚类结果。实验结果验证了该算法的可行性,特别是在符号属性聚类方面有着较好的聚类性能。     

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。     

模糊粗糙集的扩张定理

扩张原理是模糊集合论的主要工具之一,通过模糊粗糙集的扩张原理,完善了它的一些性质,讨论了它的扩张定理,并且推广到复合映射的扩张原理．     

一种基于粗糙集的属性权重新算法

给出了属性重要度新定义,提出了一种新的基于粗集理论的属性权重的计算方法,并通过实例进行了验证。结果表明,这种权重计算方法更符合实际,可以解决原有粗糙集计算方法存在的问题。     

Rough Fuzzy集及其相似度量

近年来，人们提出许多刻划不确定性的方法，Rough集理论是描述Fuzzy性和不确定性的一种新的数学工具．文中简要介绍了Rough集理论的基本概念，讨论了Rough集的性质及其Rough Fuzzy集的相似度量。     

Vague关系下的Vague粗糙集模型

研究了两类Vague关系下Vague集的近似结构。通过引入Vague等价关系,给出了Vague集在Vague关系下的两组下、上近似,进而定义了两种新的粗糙集模型,并对此模型的几种特殊情形进行了分析,指出此两种模型均是较为一般化的粗糙集模型。此两种模型的建立,一定程度上完善了粗糙集的理论体系。     

基于Rough集理论的数据挖掘属性约简技术的研究

经过20多年的发展，Rough集理论获得了广泛的认识和运用，特别在数据挖掘、知识发现的研究中发挥着越来越大的作用．属性约简是大数据集压缩冗余数据的关键技术，Rough集理论基于数据分类的原理，提出了属性约简判定理论，并发展了多种约简技术，使数据挖掘中的属性约简难题摆脱了依赖主观处理的阶段，得到了有效的处理，并向高效约简的方向发展．     

变精度双向IS-粗集

在S-粗集的基础上,提出IS-粗集（impropersingularroughsets）的概念,给出双向IS-粗集（twodirectionimpropersingularroughsets）和变精度双向IS-粗集（variableprecisiontwodirectionimpropersingularroughsets）的数学结构,并讨论了不同精度的上、下近似算子的性质。     

基于Rough集理论的旅游资源的计算机建模评价

Rough集理论是一种处理不精确性、不确定性知识的数学工具,属性约简是粗糙集理论研究中的重要内容之一,而由定义来计算约简与核是一个典型的NP难题。提出分层思想将众多属性划分为不同的层次,结合分辨矩阵利用一种有效的基于粗集理论的权重确定方法逐层求出各个层次的最小约简及确定各属性的权重,从而使知识约简的工作得以简化,并以三明市部分县市旅游资源评价为例说明了结果的有效性。