基于粗糙集属性约简的模糊模式识别

通过运用粗糙集归约理论对资料进行浓缩和筛选，略去不必要的属性，简化数据。用模糊模式识别确定对象应当归属的模式，给出其对于各个模式的相对隶属度，从而达到分类目的。经实例计算，得到了较好的结果。     

基于模糊粗糙集的一种属性约简算法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的属性约简算法。该方法引入了模糊C均值聚类算法用以连续属性的模糊化;并通过聚类有效性分析来确定最佳分类数目;克服了目前属性模糊化方法需要人为规定划分类数,几乎不考虑信息系统的具体属性值等缺点。实例验证了此方法的有效性。     

基于决策表的粗糙集属性约简算法改进及应用

针对决策属性集合中只存在两个决策集合的情况,为简化决策属性的表达和计算复杂度,提高约简效率,提出一种改进粗糙集决策表的属性约简算法。该算法以条件属性对决策属性的支持度为基础,采用新的约简规则,基于可分辨矩阵的启发式算法,根据属性重要度改进属性约简算法。以高新技术企业智力资本测量指标体系为例,得到了高新技术企业智力资本的最小约简集。结果表明,该约简算法能够得到一个完备的最小约简集,并能显著提高求解约简集的效率。     

粗糙集理论中决策表属性约简的信息表示

主要讨论了决策表属性约简和信息熵之间的关系,证明了对于一致决策表,其属性约简在代数表示和该文给出的信息表示下是等价的,并举例说明,对于不一致决策表,其属性的约简不能用信息熵来等价表示。     

模糊决策粗糙集模型及其属性约简

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.     

一种基于粗糙集的约简算法

在决策表中求取知识时可以进行属性约简,而属性约简中大部分算法都需计算核．文章基于现有的属性约简算法,提出了改进的约简算法．该算法不需要求核,从而节约了时间与空间,使粗糙集在面对大数据时能更好的处理．     

基于粗糙集的属性约简优化算法研究

属性约简是粗糙集理论中一个核心研究问题,在对粗糙集中属性约简相关理论研究的基础上,提出了一种新的基于属性重要性和依赖性相结合的GENRED_GROWTH属性约简算法.并通过CUI机器学习数据集测试实验,验证了该算法的有效性.     

基于模糊粗糙集的辨识矩阵属性约简方法

通过构造辨识矩阵进行属性约简是一种有效的降低数据维度的方法.然而,经典粗糙集构造的辨识矩阵的局限性在于并不适用于连续型数据,只适用于离散型数据.因此,本文研究在模糊粗糙集下的辨识矩阵属性约简模型,并讨论该模型的相关数学性质,提出相应的算法来对连续型数据进行属性约简.通过实例验证该方法是有效的.     

粗糙集理论中知识约简的信息表示

胡国定教授基于“概念的内涵与外延的反比例关系律”这种思想，给出了一种信息度量方法。本文以粗糙集理论为基础，利用胡教授提出的这种信息度量，讨论了决策表属性约简和信息量之间的关系，证明了对于相容决策表，其属性约简在代数表示和此种方法给出的信息表示下的等价性。并举例说明对于不相容决策表，其属性约简不能用信息量来等价表示。     

基于模糊粗糙集的一种知识获取方法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的知识获取方法．该方法利用模糊集理论对决策表中连续属性进行模糊化;通过定义模糊等价类得到模糊粗糙近似空间的上、下近似,从而获取决策规则．实例验证了此方法的有效性．     

模糊粗糙集合

介绍了模糊集合及粗糙集合的概念和特征。说明了模糊集合和粗糙集合之间的联系 ,讨论了模糊粗糙集合概念 ,同时 ,对模糊粗糙集合的补、交、并及等价进行了研究。为模糊集合和粗糙集合的结合建立了基础     

粗双枝模糊集的嵌入集的性质

在粗集和双枝模糊集基础上,讨论了粗双枝模糊集的嵌入集的性质;利用模糊集的截集,讨论了粗双枝模糊集的嵌入集的截集性质。     

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

粗糙集的贴近度

为描述两个粗糙集的接近程度,提出了粗糙集贴近度的概念,给出了粗糙集贴近度的基本性质．根据模糊集贴近度的几种具体形式,分别定义了粗糙集的距离贴近度,最大最小贴近度,最小平均贴近度以及格贴近度．     

双向S-属性粗糙集模型

以属性测度空间的粗糙集模型为基础,针对S-粗集中元素的动态特性,提出了双向S-属性粗糙集的概念,讨论了双向S-属性粗糙集的性质,并结合实例就双向S-属性粗糙集的精度进行了讨论。     

Support vector machine ensemble using rough sets theory

A support vector machine （SVM） ensemble classifier is proposed. Performance of SVM trained in an input space eonsisting of all the information from many sources is not always good. The strategy that the original input space is partitioned into several input subspaces usually works for improving the performance. Different from conventional partition methods, the partition method used in this paper, rough sets theory based attribute reduction, allows the input subspaces partially overlapped. These input subspaces can offer complementary information about hidden data patterns. In every subspace, an SVM sub-classifier is learned. With the information fusion techniques, those SVM sub-classifiers with better performance are selected and combined to construct an SVM ensemble. The proposed method is applied to decision-making of medical diagnosis. Comparison of performance between our method and several other popular ensemble methods is done. Experimental results demonstrate that our proposed approach can make full use of the information contained in data and improve the decision-making performance.     

粗糙集的模糊隶属度表示及其相互关系

利用论域U上任意粗糙集的近似精度ρR(X)定义了基于近似精度的粗糙隶属函数,实现了对任意粗糙集边界域中元素更为准确的刻划.用模糊集的隶属函数进一步揭示了粗糙集的本质.     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.     

外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。