不完备信息系统中扩充关系的研究

为了能够有效地分析处理不完备的信息系统，必须对现有的Rough集模型进行扩充。分析研究了现有的几种比较有影响的基于Rough集的扩展关系，提出了一种处理不完备信息系统的约束非对称关系，并对这些扩充关系进行了分析比较。还提出了基于这种关系的上近似和下近似概念，以及正区域、近似精度、近似质量和依赖关系等相关概念。     

一种自适应求三枝决策中决策阈值的算法

 在三枝决策粗糙集模型中,基于贝叶斯决策理论,在给定的损失函数基础上可以计算出不同决策之间的阈值,从而可以推导出各种现有的概率型粗糙集模型,如可变精度粗糙集模型等.但是决策粗糙集模型需要对损失函数预先设定,这就需要合适的先验知识.本文通过研究三枝决策粗糙集模型中的风险损失和建立模型需要的阈值参数之间的关系,提出了一个最优化问题,给出了理论分析,说明解决该优化问题即可求得所需参数,并给出了一种自适应求阈值参数的算法.该算法将每个样本的条件概率作为搜索空间,以决策风险损失最小化为目标,求得的损失函数和阈值能够使得用户基于此作出的风险最小.在部分数据集上的实验也表明了算法的有效性,利用学习到的阈值建立的三枝决策粗糙集模型能够取得更好的分类性能.     

基于粗糙集的多类CVM

 标准的SVM对于训练集具有O(l³)的时间复杂度和O(l²)的空间复杂度,2005年提出的CVM具有线性的时间复杂度和与训练集大小无关的空间复杂度.本文结合粗糙集和CVM,提出了一种新的多类分类RSCVM方法,该方法对二类CVM定义上近似和下近似,然后扩展到多类情形.本文最后给出在真实世界数据集上的实验结果及其分析,显示RSCVM方法具有快速和产生较少支持向量的优点.