基于语义距离的模糊信息分类方法

介绍了信息表极大必要属性组的概念。并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

基于模糊-粗糙集的文本分类方法

在文本分类过程中,类别之间的重叠以及标志类别属性的不足会导致类别的边界之间出现模糊不确定性和粗糙不确定性,而传统的k-近邻方法无法解决这一问题;同时,在传统的k-近邻方法以及其他一些改进的k-近邻方法中,最优k值的选取需要通过训练得到.文中借助模糊-粗糙集理论来改进传统的k-近邻方法,并使用基于距离的邻域空间,以不经训练地确定适宜每个待分类文本的k值,最后将所提方法和其他一些k-近邻方法进行了实验比较,结果表明模糊-粗糙集方法能够在一定程度上提高分类的精度和召回率.     

基于模糊粗糙集的层次分类增量特征选择

随着大数据时代的到来,数据的类标签数量急剧增加,对现有的分类任务带来了严峻的挑战。为了解决这个问题,人们通常将标签组织成层次结构,使用结构中所包含的信息来对任务进行学习。考虑样本的不断增加,使用模糊粗糙集信息熵设计了一种面向层次分类的增量特征选择算法。考虑兄弟策略,将现有的λ条件熵推广到了层次分类的情形,设计了一种非增量的层次分类特征选择算法,设计了λ增量条件熵,基于此设计了增量版本的特征选择算法。在实验中,采用了包括非增量版本在内的7种不同的特征选择算法在5个层次数据集上与增量算法进行比较,实验结果验证了2种算法的有效性,并且所设计的增量算法能在不影响性能的情况下加快特征选择的进程。     

基于粗糙集理论的KNN分类

粗糙集理论为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具。在数据挖掘技术中KNN算法是一个实现简单和分类准确性较高的方法,但是,当用于样本容量较大以及特征属性较多的类似医疗图像挖掘这样的领域时,其效率受到了很大的影响,找到一个删除最大冗余属性的方法成了解决这个问题的关键。将粗糙集理论与KNN算法结合起来,用粗糙集方法进行属性约简,有效地解决了KNN算法分类的这个缺点。     

基于粗糙集的模糊模型辨识方法

提出了一种基于粗糙数据分析的模糊模型辨识方法·二值化数据过滤和决策表的简约算法是该方法的两个关键点·通过将传统的决策表转化成二进制决策表,并采用二值化数据过滤技术,可以同时简化决策表的属性和属性值·通过决策表的简约算法,从决策表中提取出重要的属性和关键的属性值,从而得到了输入空间的模糊最优化分,进一步得到模糊模型的前提结构和参数·利用这种方法以一组经典数据为背景建立了岩石边坡工程中边坡稳定性分析的模糊模型,仿真结果说明了该方法的有效性     

基于粗糙集理论的产品结构设计模糊评价

针对产品结构设计模糊评价中出现的不合理评价结果,分析了模糊变换在多指标情况下存在权重向量分量数值过小的问题。以减少参加评价指标的数量为目的,采用基于粗糙集理论的知识约简方法,分别实现了完备信息系统和不完备信息系统中产品结构设计评价指标的约简,并用约简后的评价指标再进行模糊变换。对液力变矩器结构设计合理性模糊评价的实例验证表明:先约简后评价的方法,不但可简化评价工作的运算量,避免不合理的评价结果,而且不影响评价质量。     

基于模糊相似矩阵的分类方法

粗糙集理论是一种处理不确定性问题的有力工具，它假定知识是一种对对象进行分类的能力，分类是推理、学习与决策中的关键问题，传统粗糙集所基于的是不分明关系，这往往使得分类过细，因而笔者探讨一种基于模糊相似矩阵的分类方式，把传统的等价关系弱化为模糊等价关系，从而可得到更具表达力的粗糙集模型。     

基于模糊粗糙集的半监督影像分类算法

针对影像分类中少量标记样本问题,提出了基于模糊粗糙集的影像半监督分类算法.首先,通过模糊粗糙集对数据的粗糙性与模糊性进行建模,采用归一化的模糊互信息来度量特征与类别信息的相关性,并利用模糊上下近似度量样本的类别隶属度;然后,结合归一化的模糊互信息改进正则化框架下的特征评价方法,在谱图分析的半监督特征选择框架下实现特征优选;其次,结合近邻约束提高模糊上下近似预测样本类别的准确性,设计基于模糊粗糙集的约束自学习,选择信息量大的未标记样本更新训练样本集;最后,利用新的样本集训练分类器,完成影像分类任务.多组实验表明所提算法能够在少量标记样本的条件下有效提高影像的分类精度.     

基于粗糙集的边界分类算法

粗糙集作为数据挖掘工具,主要通过分类数据得到预测型知识,但分类规则过于严格,使得在挖掘带噪音的数据时,挖掘结果可能会损失一些有价值的规则.提出一种带不确定因子的信息系统及相应的分类方法,改进了传统粗糙集的分类方法.     

粗糙模糊集的贴近度

讨论了粗糙模糊集 (RF集 )的性质 ,并在此基础上 ,定义了粗糙模糊集的贴近度 .基于定义 ,分别给出了粗糙模糊集的距离贴近度 ,最小最大贴近度 ,最小平均贴近度以及格贴近度 .     

模糊粗糙集的贴近度

基于模糊集理论中贴近度的定义及模糊粗糙集的有关性质 ,讨论了模糊粗糙集 (FR集 )的贴近度 ,进而给出了模糊粗糙集的距离贴近度、最小最大贴近度、最小平均贴近度以及格贴近度     

粗糙模糊集的分解定理及表现定理

讨论了粗糙模糊集的构造性质,给出其分解定理及表现定理。     

模糊粗糙集的分解定理及表现定理

讨论了模糊粗糙集（FR集）的构造性质,给出其分解定理及表现定理。     

粗糙集和模糊集的比较分析

介绍了模糊集和粗糙集各自的理论和特点,并讨论了模糊集和粗糙集的各自优点和缺点,有机将两种理论结合起来分析了模糊粗糙集、粗糙模糊集及粗糙隶属函数的性质及应用,引入变精度思想,在粗糙模糊集上定义其上下近似。     

高型粗糙模糊集及高型模糊粗糙集

定义了L型粗糙模糊集（L型RF集），给出了其相关性质，进而引进了高型粗糙模糊集（高型RF集），它比普通的RF集具有更高层次的粗糙模糊性，可用于人们对粗糙模糊现象的描述，增强人们对自然语言的表达能力，平行地，最后研究了高型模糊粗糙集（高型RF集）。     

模糊集与粗糙集的互补定义方法

利用粗糙集定义模糊集,利用模糊集定义粗糙集。     

粗糙集中的近似精确问题

从粗糙集中的“边界”(可能决策)的角度出发，首次提出了上(下)边界的概念，讨论了边界的一些性质，进而提出了粗糙问题中可近似为精确问题处理的近似精确问题模型，并给出了近似精确问题的处理方法。     

各种截集形式的粗糙模糊集的构造性质

本文在Pawlak近似空间中引入了λ-上截集、强λ-上截集,λ-下截集、强λ-下截集,λ-上重截集、强λ-上重截集,λ-下重截集、强λ-下重截集的概念,系统地讨论了基于各种截集形式的粗糙模糊集的构造性质,得出了基于模糊等价关系的各种截集形式的粗糙模糊集的表现定理和扩张定理并给出了系统的证明。