基于粗糙集和感知器的模式分类方法

基于粗糙集相容关系给出了一个模式分类算法。先通过感知器神经网络训练属性相容权值和相容阈值,再由相容关系确定每个样本的上下近似,通过引入一个用于决策的粗糙隶属函数,给出了分类算法。最后,对IR IS数据集的实验结果表明本算法是有效的。     

基于融合信息熵性质的信任函数概率逼近

对信息熵的相关性质进行研究,在 Pignistic 概率转换方法的基础上融合信息熵的性质提出信任函数概率逐步逼近的新算法,决策者根据决策需要可以设定逼近阀值,以此确定是否继续逼近,达到降低决策风险的目的,最后通过算例说明新方法的优越性。     

基于信息熵的证据融合方法

通过引入信息熵和确定性指数概念,利用证据的确定性指数对原始证据进行修正,并对不确定性概率指派重新分配.利用修正后的证据提出了新的融合方法,算例表明此方法能有效处理证据高冲突的融合问题,得出合理的融合结果.     

信任函数逼近方法的改进

信任函数的逼近可使得不确定性推理理论得以实际应用,该文讨论了D-S证据理论中信任函数逼近的几种方法,分析了它们各自的优缺点,并通过对概括逼近、双逼近和内外聚类逼近的研究,提出了两种新的逼近方法,既满足最佳逼近基本条件要求又考虑了精度要求和计算时间.     

近似决策规则的形成及其应用

Ziarko在变精度粗糙集的基础上提出近似约简，进而形成决策规则．该文是在研究Ziarko的决策规则的基础上提出了近似决策规则，并与Ziarko形成的决策规则进行了比较．     

一种基于DHP的动态链地址关联规则挖掘算法

采用动态链地址法建立Hk 表,提出DLDHP算法,克服DHP算法不能给Ck 中的每个项集单独计数的缺点,在增加Hk 表的空间时也会删除链表中的结点空间,从而Hk 表不会占用较大的内存,最终直接由Hk 表得到频繁k-项集的集合Lk ,不用再次扫描数据库。实验结果表明:DLDHP算法是有效可行的。     

一种基于大焦元分解的信任函数逼近方法

针对证据合成提出一种基于大焦元分解的信任函数逼近方法,首先将基数过大的焦元进行分解,将焦元基数控制在不大于k的范围内,然后再按照改进的能量函数删减焦元,这样不仅减少焦元的个数,也控制了焦元基数,更优化了在证据合成时的计算复杂度,并且试验结果也表明了该方法的有效性.     

基于秩统计量的粗糙集精度的度量方法

提出一种基于秩统计量的粗糙集精度的度量方法,该方法既考虑了知识颗粒块数据值的大小的信息,又考虑了论域大小,并给出这一度量的若干性质,实例表明所给出的精度度量是合理的、有效的.     

基于包含程度的属性重要性定义

利用粗糙集理论讨论了一种基于条件属性和决策属性相互包含程度的新的条件属性重要性,得到了基于该定义下的属性最佳约简方法,最后结合实例说明该方法的有效性.     

一种基于证据焦元距离的权重计算方法

针对经典的D-S合成方法常会出现与实际相悖的不足,该文提出了一种考虑焦元交互影响的权重合成方法.该方法结合香农熵的思想定义了新的焦元距离测度,基于新距离定义各证据间的权重,然后根据权重对原始证据函数进行修正,降低异常证据的重要性,再利用D-S规则进行证据合成.数值分析说明:这一方法可排除干扰性信息,降低冲突,合成结果优于其他经典的计算方法,为D-S证据理论提供一种有效的计算方法.