本文關(guān)鍵詞：決策系統(tǒng)中的Rough Set理論研究，由筆耕文化傳播整理發(fā)布。

【摘要】：數(shù)據(jù)挖掘研究如何從海量的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的知識(shí)和規(guī)則，是當(dāng)前人工智能領(lǐng)域相當(dāng)活躍的一個(gè)分支，并已經(jīng)在各行各業(yè)取得了相當(dāng)廣泛的應(yīng)用。粗糙集是應(yīng)用于不確定知識(shí)領(lǐng)域數(shù)據(jù)挖掘的一個(gè)數(shù)學(xué)工具，在處理不確定知識(shí)方面具有極為強(qiáng)大的功能，它把決策系統(tǒng)作為主要研究對(duì)象，本文就基于粗糙集理論的決策系統(tǒng)規(guī)則發(fā)現(xiàn)進(jìn)行了研究。 本文首先對(duì)數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)作一概述，，并論述了粗糙集理論的重要概念及其度量，基于這些概念和度量，具體分析了粗糙集理論的近似集算法、核算法、屬性約簡(jiǎn)算法、規(guī)則提取算法，給出了它們的算法分析以及具體實(shí)現(xiàn)步驟。 屬性約簡(jiǎn)是粗糙集理論中一個(gè)極為重要的概念，傳統(tǒng)的屬性約簡(jiǎn)方法具有較高的指數(shù)級(jí)復(fù)雜度，而基于可分辨矩陣的屬性約簡(jiǎn)方法也具有較高的時(shí)間復(fù)雜度。本文首先證明了粗糙集理論中的兩條重要定理，提出了一種新的屬性約簡(jiǎn)方法。該屬性約簡(jiǎn)方法基于核屬性，以 西安理工大學(xué)碩士學(xué)位論文 冪集作為計(jì)算工具，按照冪集元素中基數(shù)由大到小排列，每一次循環(huán) 總能去除一個(gè)無(wú)用屬性。算法的復(fù)雜度分析說(shuō)明該算法具有較高的運(yùn) 行效率和較低的時(shí)間復(fù)雜度，復(fù)雜度由指數(shù)級(jí)降為多項(xiàng)式O(nZ)�；� 于上述的約簡(jiǎn)算法本文進(jìn)一步引入了啟發(fā)式的屬性約簡(jiǎn)算法，在己知 屬性重要性的情況下，使算法的復(fù)雜度接近0(n)，此外，用戶還可以 根據(jù)不同的系統(tǒng)加入自己的經(jīng)驗(yàn)數(shù)據(jù)以及自己的屬性重要性的計(jì)算方 法，大大提高了算法的有效性。 計(jì)算一個(gè)決策系統(tǒng)的等價(jià)類是粗糙集的基本算法，本文提出了一 種新的等價(jià)類算法，該算法僅僅通過(guò)對(duì)決策表的一個(gè)掃描就可以獲取 所有的等價(jià)類，經(jīng)過(guò)算法分析，可以看出，在應(yīng)用于海量數(shù)據(jù)時(shí)，該 算法具有較小的資源占用率。 關(guān)鍵詞:數(shù)據(jù)挖掘，Rough Set，屬性約簡(jiǎn)，等價(jià)類
【關(guān)鍵詞】：數(shù)據(jù)挖掘 Rough Set 屬性約簡(jiǎn) 等價(jià)類
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2004
【分類號(hào)】：C934
【目錄】：

• 摘要3-5
• Abstract5-10
• 1 緒論10-17
• 1．1 引言10-13
• 1．2 研究背景13-15
• 1．3 研究對(duì)象15-16
• 1．4 論文研究目標(biāo)16-17
• 2 數(shù)據(jù)挖掘技術(shù)概述17-28
• 2．1 數(shù)據(jù)挖掘-從商業(yè)數(shù)據(jù)到商業(yè)信息的進(jìn)化17-19
• 2．2 數(shù)據(jù)挖掘的定義19-21
• 2．2．1 技術(shù)上的定義與含義19-20
• 2．2．2 商業(yè)角度的定義20
• 2．2．3 數(shù)據(jù)挖掘與傳統(tǒng)分析方法的區(qū)別20-21
• 2．4 數(shù)據(jù)挖掘的研究?jī)?nèi)容和本質(zhì)21-23
• 2．4．1 廣義知識(shí)(Generalization)21-22
• 2．4．2 關(guān)聯(lián)規(guī)則(Association Rules)22
• 2．4．3 分類規(guī)則(Classification Rules)22-23
• 2．4．4 預(yù)測(cè)型知識(shí)(Predication)23
• 2．4．5 偏差型知識(shí)(Deviation)23
• 2．5 數(shù)據(jù)挖掘常用技術(shù)23-24
• 2．6 數(shù)據(jù)挖掘的流程24-28
• 3 粗糙集理論及其度量28-38
• 3．1 信息系統(tǒng)29-33
• 3．1．1 信息系統(tǒng)29-31
• 3．1．2 等價(jià)關(guān)系和等價(jià)類31
• 3．1．3 不可分辯關(guān)系31-33
• 3．2 近似集及其性質(zhì)33-35
• 3．2．1 下近似和正、負(fù)區(qū)域33
• 3．2．2 上近似33-34
• 3．2．3 邊界34
• 3．2．4 近似集的性質(zhì)34-35
• 3．3 粗糙集度量35-38
• 3．3．1 近似精度35-36
• 3．3．2 粗糙隸屬度36
• 3．3．3 屬性依賴度36-37
• 3．3．4 屬性重要性37-38
• 4 不確定信息系統(tǒng)的約簡(jiǎn)和規(guī)則生成38-42
• 4．1 屬性約簡(jiǎn)38-41
• 4．2 決策規(guī)則及提取41-42
• 5 基于Rough Set的決策系統(tǒng)算法及分析42-53
• 5．1 計(jì)算等價(jià)類算法42-44
• 5．2 求上近似下近似44-45
• 5．3 屬性重要性及核的計(jì)算45-47
• 5．4 屬性約簡(jiǎn)算法47-51
• 5．5 規(guī)則提取算法51-53
• 6 一個(gè)新的屬性約簡(jiǎn)算法及應(yīng)用實(shí)例53-59
• 6．1 兩條重要定理53-54
• 6．2 一個(gè)新的屬性約簡(jiǎn)算法54-56
• 6．2．1 算法原理54-55
• 6．2．2 算法實(shí)現(xiàn)55-56
• 6．3 啟發(fā)式屬性約簡(jiǎn)算法56-57
• 6．4 應(yīng)用實(shí)例分析57-59
• 7 粗糙集信息系統(tǒng)的JAVA類庫(kù)設(shè)計(jì)59-70
• 7．1 簡(jiǎn)介59
• 7．2 JAVA類庫(kù)結(jié)構(gòu)59-60
• 7．3 數(shù)據(jù)挖掘系統(tǒng)基本JAVA類庫(kù)60-63
• 7．4 粗糙集基本JAVA類庫(kù)63-66
• 7．5 Rough Set類庫(kù)應(yīng)用示例66-70
• 結(jié)束語(yǔ)70-73
• 本文工作總結(jié)70-71
• 進(jìn)一步的研究工作71-73
• 致謝73-74
• 參考文獻(xiàn)74-81
• 在校期間發(fā)表的論文81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉宗田;屬性最小約簡(jiǎn)的增量式算法[J];電子學(xué)報(bào);1999年11期

2 陳云化,葉東毅,趙士亮;基于粗糙集理論的規(guī)則提取算法的研究[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年04期

3 李侃,劉玉樹(shù),王蕾;一種粗糙集屬性約簡(jiǎn)算法[J];計(jì)算機(jī)工程與應(yīng)用;2002年05期

4 程玉勝,胡學(xué)鋼,江效堯;不完備信息系統(tǒng)的屬性約簡(jiǎn)方法研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年01期

5 陳奇南,梁洪峻;模糊集和粗糙集[J];計(jì)算機(jī)工程;2002年08期

6 楊振峰,郭景峰,常峰;一種基于粗集的值約簡(jiǎn)方法[J];計(jì)算機(jī)工程;2003年09期

7 馬廷淮,趙亞偉,張海盛,曾振柄;基于粗糙集的決策規(guī)則約簡(jiǎn)[J];計(jì)算機(jī)工程;2003年12期

8 賽煜,王海洋;一種基于粗糙集理論的最簡(jiǎn)規(guī)則挖掘方法[J];計(jì)算機(jī)工程;2003年20期

9 王玨,王任,苗奪謙,郭萌,阮永韶,袁小紅,趙凱;基于Rough Set理論的“數(shù)據(jù)濃縮”[J];計(jì)算機(jī)學(xué)報(bào);1998年05期

10 祝峰,何華燦;粗集的公理化[J];計(jì)算機(jī)學(xué)報(bào);2000年03期

  本文關(guān)鍵詞：決策系統(tǒng)中的Rough Set理論研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：491242