分享到:

基于相似关系粗糙集的分解

基于相似关系粗糙集的提出,扩大了粗集理论的应用范围。但对于相似类中的元素无法区分正相似或负相似。  (本文共3页) 阅读全文>>

兰州大学
兰州大学

基于泛系方法论的相似关系粗糙集理论研究

粗糙集(Rough Sets,也称Rough集或粗集)理论是一种研究不完整、不确定知识和数据的表达、学习、归纳的理论方法,是一种新的处理模糊和不确定性知识的数学工具。近年来在理论模型、算法研究、工程研究等方面取得了较好的成果与应用。目前,粗糙集理论已成为信息科学中最为活跃的研究领域之一,而且该理论同时也应用到医学、化学、材料学、地理学、管理科学及金融等其他学科领域。本文主要工作范围是利用构造性方法从关系方向对经典粗糙集理论进行推广,结合泛系方法论和基于相似关系的粗糙集理论进行分析和研究。在探索新的相似关系粗糙集理论模型的基础上,进一步在信息检索和约简算法两个方面得到改进和扩充。本文首先介绍了目前粗糙集理论的研究发展现状,给出了粗糙集理论的一些基本概念,对概念进行了简要说明,并介绍了粗糙集的基本原理、方法。第三~五章是本文的主要贡献。第二章主要工作有两个方面:1.首先提出基于相似度和相似度度量函数的属性相似信息系统的概念。并提出属...  (本文共55页) 本文目录 | 阅读全文>>

西南交通大学
西南交通大学

分层递阶粒计算理论及其应用研究

粒计算(Granular Computing)是当前计算智能研究领域中模拟人类思维和解决复杂问题的一种新方法。它覆盖了所有有关粒度的理论、方法和技术,是研究复杂问题求解、海量数据挖掘和模糊信息处理等问题的有力工具。粒计算方法的主要思想是在不同粒度层次上进行问题求解,在很大程度上体现了人类问题求解过程中的智能。随着粒计算研究工作的不断深入,人们从不同角度研究得到了不同的粒计算理论模型,主要的粒计算模型有模糊集(词计算)理论模型、粗糙集理论模型和商空间理论模型等。不同粒计算模型解决问题的初衷和解决问题的方法不尽相同,各有特色,但它们都有一个共同的特点,就是问题空间的结构化处理,即在处理实际复杂问题时,它们都是首先建立分层递阶知识粒度空间结构,然后自顶向下在不同粒度层次上获取知识,再自底向上合成得到原问题满足一定精度要求的解。因此,结构化的粒计算模型(本文称之为分层递阶粒计算模型)的研究是粒计算理论发展的重要课题,它的研究将促进粒计算...  (本文共124页) 本文目录 | 阅读全文>>

浙江大学
浙江大学

基于粗糙集的数据挖掘方法研究

数据挖掘技术是机器学习、数据库和统计理论相结合的产物,是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中,提取隐含的、先前未知的并有潜在价值的信息的非平凡过程。粗糙集理论是上世纪八十年代初由波兰数学家首先提出的一种刻画不确定性和不完整性知识的数学工具。该理论近年来日益受到广泛关注,已在人工智能与知识发现、模式识别、故障检测、专家系统等方面得到了成功的应用。本文在总结和借鉴前人经验的基础上,针对数据挖掘中常见的问题,从理论和应用两个方面进行了数据挖掘方法研究。在数据挖掘过程中,直接在原始数据表上进行数据挖掘往往效果不佳,尤其是在数据量较大的情况下;因此对数据表进行变形,然后在变形的基础上进行挖掘是一种行之有效的方法。本文鉴于此分别从数据挖掘中存在的海量高维数据、噪声数据、数据的不完整以及模型的可理解性差等问题出发,分别提出了相应的数据表分解算法。通过引入信息理论与粗糙集分析结合使用,还对加权聚类方法进行了研究。本文的具体研究...  (本文共133页) 本文目录 | 阅读全文>>

南京理工大学
南京理工大学

粒和粗集研究及与证据理论相结合在不完备数据处理中的应用

本文以相容关系的最大相容类为基础,建立了meet、ioin等多个粒的新扩展粗集模型,定义了新的上下近似集、精度等,探讨了它们之间的相互关系,设计了粒和近似集的求解算法。研究了改进变精度限制容差关系粗集模型及规则挖掘,提出了不完备信息系统下属性依赖及依赖度等概念,给出了依赖度的新计算公式。讨论了容差关系即相容关系与冲突关系、完全覆盖与一般覆盖之间的关系以及各自的性质,得到了判断一般覆盖为完全覆盖若干必要充分条件的定理,设计了3个无冲突集合划分算法,为求最优的集合划分提供了有价值的参考。提出了弱协调性和受限默认确定性决策规则等概念,探讨了利用区分矩阵和区分函数优化受限默认确定性决策规则的条件。丰富了决策规则形式的多样性。研究了容差关系下属性移动时近似集的更新公式,提出了默认确定性决策规则包括受限默认确定规则的增量学习方法。利用粒概念下的不同近似集按优势关系的分解,实现了文档查询扩充,增强了信息检索的灵活性。探讨了粒、粗集理论和D-S...  (本文共178页) 本文目录 | 阅读全文>>

合肥工业大学
合肥工业大学

面向数字字符识别的粗糙集属性约简算法研究

属性选择是机器学习的核心问题之一,它关系到归纳算法的复杂性和学习性能。与目标概念不相关的或受噪声干扰的属性会严重降低学习效果,而粗糙集属性约简是一种有效的消减冗余属性、选择与目标概念强相关属性子集的方法。由于经典Rough集主要面向nominal attribute对象,处理通常包含噪声和干扰数据的数值型对象时有很大局限。本文的研究内容主要集中于Rough集理论对数值型属性对象的约简算法及其在数字字符识别中的应用,结合属性选择的基本准则提出面向数值属性约简的评价函数并设计对应的搜索算法,这些约简算法完全适用于nominal attribute。具体研究工作如下:一.在Rough集的基本算法方面,提出了计算等价类的快速算法和增量算法以及计算正区域的改进算法,分析了算法的时间复杂度;改进了最短属性约简GA的适应度函数,引入特定有效位变异算子,以提高GA搜索效率。二.针对数据集包含噪声和干扰问题,提出利用属性同类一致性选择抗干扰属性。...  (本文共79页) 本文目录 | 阅读全文>>