一、粗糙集理论在属性约简及知识分类中的应用（论文文献综述）
余建航[1]（2020）在《基于粗糙集的几类广义信息系统知识发现与决策方法研究》文中提出随着信息科学技术的不断发展,特别是现代网络技术和计算机存储技术的飞跃式进步,数据的获取变得越来越容易,导致数据规模呈爆炸式增长态势,与此同时数据的结构也变得更加复杂,经典的信息系统已经不足以对大规模的复杂数据进行刻画,为此针对不同类型的数据提出了一系列广义信息系统。如何快速对这些大规模复杂数据进行挖掘,并作出相应的决策分析在理论研究和实际应用中都有突出的意义。粗糙集理论作为一种由数据驱动的智能计算工具,可以在不具备先验知识的情况下对各种类型的数据进行挖掘,特别是在对不确定性数据的知识发现与决策分析过程中有着明显的优势。本文以粗糙集理论为基础,分别就知识发现和决策分析对区间值序信息系统、多粒度信息系统和混合值信息系统进行研究,论文的主要研究成果和创新如下:（1）针对区间值序信息系统中属性集变化时快速更新近似集的问题,分别对删除属性和增加属性两种情况下动态更新近似集的方法进行讨论,得到了属性集变化时动态更新近似集的一般准则,并结合更新机制设计了近似集动态更新算法。然后,基于几个UCI数据集对算法的有效性进行验证分析,实验结果表明动态算法与一般的近似集计算方式相比在计算效率方面有着明显的优势。（2）针对多粒度信息系统中的双量化决策分析问题,通过在多粒度框架下对决策粗糙集和程度粗糙集的近似算子进行重新组合,建立了三对双量化多粒度决策粗糙集模型,并深入研究了模型的一些基本性质,然后讨论了双量化多粒度决策粗糙集模型与其他粗糙集模型的关系。最后,结合一个医疗诊断案例对模型在决策分析中的应用进行了展示。（3）针对混合值决策信息系统中的决策粗糙集建模问题,建立了三种不同广义混合距离度量方式,然后结合高斯核函数构造了基于邻域的粒化机制,并对粒化过程中的参数设置规则进行了讨论。紧接着,结合Bayesian决策方法在混合值决策信息系统中建立了决策粗糙集模型,并通过一个实际案例演示了混合值决策信息系统中的决策分析过程。（4）针对混合值决策信息系统中的属性约简问题,分别基于相对正域和最小决策代价研究了混合值决策信息系统的属性约简规则,然后结合约简规则设计了对应的启发式属性约简算法。进一步,基于UCI数据集采取不同的距离度量方式和约简算法去获取约简,并分别就约简长度和错误分类代价对不同的约简获取方式进行比较分析。本文基于粗糙集理论对几类广义信息系统的知识发现与决策分析方法进行了研究,得到了区间值序信息系统中属性集变化时动态更新近似集的方法,在多粒度信息系统建立了六个双量化多粒度粗糙集模型,提出了混合值决策信息系统中决策粗糙集模型并设计了两种启发式属性约简算法。这些成果在一定程度上拓展和丰富了粗糙集理论在广义信息系统中的应用,为动态数据环境下的知识发现和复杂数据的决策分析提供了理论指导和技术支持。
鞠恒荣[2]（2019）在《面向态势认知的粗糙集决策方法研究》文中进行了进一步梳理随着经济、政治和国际形势的不断发展,人类面临的公共突发事件、金融风险、网络安全和军事斗争等各类复杂场景带来的风险越来越高。态势认知通过态势感知、态势评估和态势预测能够对这类复杂管理场景进行及早发现、及时处理和提前预判。然而,数据驱动的复杂管理场景从各方面搜集掌握的信息往往具有不确定性、不完备性、粗糙性、模糊性和动态性,给智能信息处理带来了巨大挑战。虽然,以粗糙集、三支决策为代表的粒计算理论为解决数据的不完备性、粗糙性和不确定性提供了有效的分析方法,但将粗糙集等粒计算方法应用到态势认知场景中的研究尚处于探索和起步阶段。因此,本文以复杂管理场景态势认知任务为背景,以粒度分析为指引,从态势感知、态势评估和态势预测视角系统研究基于粗糙集理论的决策方法。具体研究内容和研究成果如下所述:1.测试代价敏感的粗糙数据建模及无人机空战场景的态势感知。在数据驱动的态势认知场景分析问题中,各类数据的获取往往不是免费的,而需要付出一定的测试代价。本文考虑数据的测试代价敏感性,提出了基于测试代价敏感的量化粗糙集模型,实现了对经典粗糙集模型在实际应用中的泛化。另外在属性约简阶段,将知识获取和测试代价最小这两种准则综合考虑,提出了一种知识和测试代价融合的属性重要度函数。在公共数据集中的测试后,测试代价敏感粗糙集模型被应用到无人机空战场景的态势感知任务中。2.复杂管理场景中并行和序贯两种多粒度认知策略。认知策略是态势认知任务的灵魂。在各类复杂管理场景的态势认知过程中,决策者面对的数据具有明显的多源性、多视角性和多粒度性。多粒度认知是人类智能认知的.重要手段之一,本文在前人工作的基础上,针对并行和序贯两种多粒度认知方法开展了进一步的研究。一方面,在基于并行策略的多粒度研究上,本文在分析了乐观多粒度决策粗糙集和悲观多粒度决策粗糙集不足的基础上,提出了柔性多粒度决策粗糙集模型。另一方面,本文以局部约简为序贯信息粒的起始序列,全局约简为终止序列构建了一种基于局部约简的动态序贯三支分类方法。3.混合代价敏感的信息融合模型及多源信息系统中的态势评估。本文以兵棋推演场景中大量存在的代价敏感多源信息系统为背景,在信息融合模型中同时考虑测试代价和风险决策代价,提出了混合代价敏感多粒度粗糙集模型。在信息粒度约简方面,本文将信息粒度约简转化为优化问题,通过设计新的适应性函数求得满足不同实际需求的约简。此外,本文还通过公共数据集对所提模型和方法进行验证和测试。最后,本文以实际兵棋推演场景中的一多源信息系统为例,系统讨论了混合代价敏感的多粒度信息融合模型在态势评估中的作用。4.面向复杂数据类型的多粒度态势预测方法。态势预测过程中广泛存在异构型数据等复杂数据,如何处理这些复杂数据并提取出有用的信息是关键。本文利用合理粒度准则,提出了一种多粒度分类预测方法。在模型学习阶段,本文首先从粗糙集理论的本源出发,将合理粒度拆解为二元关系和合理属性子空间,接着借助属性约简方法,构建符合合理粒度准则的属性子空间。在标签预测阶段,利用三支划分策略进行预测。最后,本文将所提方法应用到兵棋推演场景态势预测任务中。
李华[3]（2017）在《多标记数据的粗糙集模型与算法研究》文中认为作为多义性数据的学习建模框架,多标记学习已成为机器学习领域一个新的研究热点。和传统的监督学习问题一样,数据样本中的随机性、模糊性和不一致性等多种不确定性因素也是多标记学习面临的主要困难。现有的多标记学习方法或者是通过问题转换方法“改造数据适应算法”,或者是通过算法适应方法“改造算法适应数据”,均是基于以统计学习为理论基础的学习算法。而统计学习理论关注的是数据的随机性,并不包含处理其他类型不确定性的理论机制。分析并处理多标记数据中存在的其他类型的不确定性,如模糊性和不一致性,目前在多标记学习中还鲜有涉及。粗糙集理论模拟人类对于客观世界认知的不完备性,用精确的数学工具刻画数据中存在的不一致性,被认为是一种客观地处理数据不一致性的数学工具。本文分析多标记数据中客观存在的不一致性,发展了面向多标记数据建模、分析与计算的粗糙集理论与算法。所获研究成果既丰富了多标记数据分析的技术手段,又丰富了粗糙集理论的数据适用范围,对数据挖掘和知识发现具有重要的理论意义和应用价值。主要研究成果包括:（1）在粗糙集框架下,深入分析了多标记数据的标记不确定性,提出了多标记粗糙算子,进而建立了多标记粗糙集模型;进一步研究了多标记粗糙算子的数学性质,从而揭示了其粒化近似的本质特征;并研究了多标记粗糙算子与经典粗糙算子的关系,证明了多标记粗糙算子是经典粗糙算子的泛化;此外考虑数据的噪音,建立了变精度多标记粗糙集模型。（2）定量分析了多标记粗糙集模型和变精度多标记粗糙集模型的标记近似粗糙性,提出了标记精度、标记粗糙度、标记质量、标记近似精度、标记近似质量、标记依赖度等多种不确定性度量;分析了包含度与提出的各种度量之间的关系,证明了多标记粗糙集数据分析的有关度量可归结为包含度。（3）基于多标记粗糙集模型的粒化近似机制,提出了保持标记不确定性不变的多标记属性约简方法,即互补决策约简;分析了互补决策约简和两种代表性属性约简之间的关系,从而揭示了互补决策约简在处理多标记数据方面的优势;提出了基于区分矩阵的互补决策约简的计算方法,进一步指明了互补决策约简的结构和原理。（4）基于多标记粗糙集模型的不确定性度量等价表示了互补决策约简,从而明确了计算互补决策约简的启发式信息;进一步设计了互补决策约简的启发式算法,并应用该算法对多标记数据进行特征选择;实验表明基于粗糙集理论的互补决策约简算法能够有效地删除冗余属性,提高多标记学习算法的性能。
彭正权[4]（2017）在《基于粗糙集与证据理论的大坝健康诊断方法研究》文中认为随着我国坝工事业的不断发展和西南地区高库大坝的建设,大坝安全状态诊断越来越得到重视。已有的大坝健康诊断方法处理监测信息不确定性问题时存在原始监测信息量庞大且包含冗余无用信息,诊断过程主观性较强,不适应大坝健康诊断体系等不足,鉴于此,本文在总结已有研究成果的基础上,将粗糙集与证据理论融合应用于大坝健康诊断中,构建了基于粗糙集与证据理论的大坝健康诊断模型,为大坝健康诊断提供了一条新途径。本文的主要研究成果如下:（1）分析了目前大坝健康诊断方法在不确定性问题研究方面存在的不足,研究了粗糙集与证据理论融合的优势,论证了粗糙集与证据理论结合应用于大坝健康诊断的可行性和合理性。（2）将粗糙集理论与证据理论中的相关概念应用于大坝健康诊断中,针对大坝健康诊断的特点,改进了属性约简算法和证据合成算法,提出了主客观融合权重,对其中的关键参数,如属性重要度、隶属度、基本条件可信度等,进行了估计和计算,为粗糙集与证据理论在大坝健康诊断中的应用打下基础。（3）研究了基于粗糙集与证据理论的大坝健康诊断方法。从构建大坝评价指标体系出发,对各属性指标进行定量评价并进行离散赋值得到决策表,属性约简后,对决策表进行证据概率赋值,应用权重和合成算法得到诊断结果,实现大坝健康状态综合诊断。结合工程实例,对比验证了本文方法的可靠性和合理性。本文在以下方面具有一定的新意:将改进的属性约简算法应用于大坝健康诊断中,适应了大坝健康诊断的要求;应用了一种主客观融合权重计算方法,合理度量了大坝健康诊断的权重;应用了一种改进的证据合成算法,充分考虑了诊断过程中的证据冲突问题。由于大坝健康诊断问题的复杂性和一些客观因素的限制,本文的研究成果还只是初步的,今后对粗糙集和证据理论在大坝健康诊断中的应用需要进一步的研究与探索。
苟光磊[5]（2016）在《基于置信优势关系的粗糙集有序决策及其应用研究》文中认为客观世界中,信息的不确定性普遍存在。粗糙集理论是一种处理不确定性信息的数学工具,与概率论、模糊集等其他处理不确定性问题的理论和方法相比,不需要先验知识,对问题的描述和处理更客观。为更好地描述实际问题中属性值具有偏好有序的特性,优势关系粗糙集以优势关系代替经典粗糙集的不可分辨关系,已成为多准则决策分析的重要模型。现实应用中,数据缺失现象经常发生,不完备信息的有序决策受到了越来越广泛的重视,成为智能信息处理的重要研究内容。水质评价是三峡库区水生态环境在线监测系统中水资源管理及决策分析的重要内容。水质数据通常呈现不确定性、不完备性、及有序性等特性。因此,基于粗糙集的不完备有序决策分析将为水质评价提供理论支撑和技术方法。本文提出了能够处理不确定、不完备及有序信息的置信优势关系粗糙集模型,深入研究了模型中近似集的动态更新、分级决策及属性约简的技术方法,并应用于水质评价的实际问题中,为水资源管理及决策分析提供了新的有效途径。归纳起来,本文的主要研究工作和创新性研究成果包括以下几个方面:（1）提出了置信优势关系粗糙近似模型,解决了序特性上的语义矛盾,为研究不完备有序信息的决策分析提供了有效方法。与已有模型相比,具有更好的近似及分类性能。结合水质监测数据的特点,提出置信优势关系粗糙集模型,为处理不完备有序决策系统提供了理论方法。在不完备有序信息系统中,有多种拓展优势关系被提出并用于解决有序决策问题,但这些关系均未考虑序关系特性,与现实语义存在矛盾。本文提出满足序关系特性的置信优势关系,避免了语义上的矛盾,更贴合监测领域的实际。随之给出置信优势关系下的不确定性度量方法,进一步分析了置信优势关系粗糙集模型和已有模型的关系,并对比了他们的分类性能。通过实例分析和实验验证,表明置信优势关系粗糙集近似模型的近似精度及分类精度更优。这些研究成果将有助于在不完备有序决策系统中进行分级决策及属性约简。（第2章）（2）提出了属性集及对象集变化后,置信优势关系粗糙集上、下近似集的动态更新方法,克服了静态方法重新计算近似集时间开销大的缺点,提高了知识获取的时间效率。置信优势关系粗糙集模型中上、下近似集的计算是知识获取的核心内容之一。在实际应用中,属性集和对象集通常会发生改变。然而,传统的上、下近似集的计算是静态的,需要在属性集及对象集变化后从头开始重新计算近似集,时间开销较大。本文先讨论了在属性集增加或减少时,置信优势类及劣势类的变化情况,给出上、下近似集增量式的变化规律,提出相应的近似集动态更新方法。随后讨论了在对象集中增加或删除一个对象以及对象子集合并时,决策类、置信优势类及劣势类的变化情况,从而得到上、下近似集的动态更新方法。实验结果表明,与非增量式方法相比,本文提出的置信优势关系粗糙集的上、下近似集的增量式更新方法具有更高的计算效率。本研究成果为高效地处理动态变化的监测数据提供了理论基础和方法。（第3章）（3）提出了基于置信优势关系粗糙集的容错偏好分级模型,使不确定分级对象能够正确分级或者接近其正确分级,为不完备有序决策系统中的分级决策提供了一种有效的方法。水资源管理中经常会面对评价水质级别、评判环境污染程度等分级决策。与分类问题不同,分级决策问题的决策属性具有偏好有序特性。本文在置信优势关系粗糙集的基础上,提出容错偏好分级算法,将容错偏好分为向上容错偏好、向下容错偏好和两者综合偏好,对边界域中的对象进行分级,对于边界域对象的覆盖信息采用两种策略,一是将覆盖信息作为多余信息或干扰信息,对已分级对象不再调整;二是将对象的覆盖信息作为启发式知识调整其分级决策的结果,达到正确分级或靠近正确分级的目的。对比实验结果表明,本文提出的方法在正确率及误分代价上均取得了比其他方法好的结果,表明该模型是一种有效分级决策模型。本研究成果将进一步推动置信优势关系粗糙集在水资源管理中的应用。（第4章）（4）提出了不协调置信优势关系的属性约简方法,从不完备有序决策系统中获得所有属性约简;进一步,提出保持分类精度不变的启发式属性约简方法,和增量式属性约简方法,提高约简的时间效率。属性约简有利于发现水质监测中的重要监测指标。在有序决策系统中,若不考虑决策属性的偏好有序,区分两个对象没有意义。因此,本文将满足协调置信优势关系的对象视为不可区分对象,提出不协调置信优势关系的属性约简定义;进一步给出属性约简的判定定理和辨识矩阵,通过实例验证本约简方法的有效性、可行性;为提高属性约简的时间效率,提出不完备有序决策系统中的基于分类精度的启发式属性约简算法,并根据单个属性增减后,上、下近似集的动态更新规律,提出增量式约简方法,提高约简的时间效率。本研究结果将用于在水质监测数据中找出对决策更重要的监测指标。（第5章）（5）提出了基于置信优势关系粗糙集的水质评价方法,利用容错偏好分级模型对水质及富营养化进行分级决策;通过属性约简找出重要监测指标;监测指标和监测数据增加时,应用动态更新方法提高时间效率。以丰收坝水质监测数据为例,将前面研究成果应用到水质评价中。使用置信优势关系粗糙集及容错偏好分级模型对水质进行评价,包括水质级别确定、水体富营养化评级;进一步通过属性重要性对现有监测项目中影响水质评价的重要监测指标进行分析,通过属性约简获得更精简的监测指标集合。为更好地适应在线监测系统数据量的增加以及监测指标的增加,应用动态更新方法提高了水质评价过程的时间效率。丰收坝水质监测数据的实验结果表明,置信优势关系粗糙集作为水质评价方法是有效的。当监测指标及评价基准发生变化时,仍具有可用性。（第6章）
唐孝[6]（2015）在《基于粗糙集的知识发现方法及其在ECG信号识别中的应用》文中研究说明知识发现（Knowledge Discovery,KDD）是20世纪90年代初期发展起来的一个活跃的研究领域。近年来,随着知识量的剧增,它已成为目前人工智能和数据挖掘（Data Mining,DM）的研究热点。知识发现就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种数学工具和方法提炼出抽象的、隐含在其中的、人们事先不知道的客观世界的内在本质和联系。粗糙集理论是分析和处理这类不精确、不完备、不一致数据的有效数学工具。本文主要研究了基于粗糙集理论的几类知识发现方法及其约简算法,并将所研究的算法应用于心电信号的自动分析与诊断中。论文主要研究内容如下:1.研究了粗糙集的基本理论与约简算法。针对Pawlak经典近似精度没有考虑知识粒度对精度影响的不足,提出了近似精度定义的改进并讨论了其性质,改进后的近似精度既能够体现知识粒度的划分细度情况又保持了原定义的基本思想。分析了一系列的经典约简理论,提出了基于依赖度约简算法的改进,改进后的算法不论是在计算复杂性和时间复杂性方面都有较大程度提高;针对小样本问题,提出了不协调信息系统的约简方法,该方法避免了在处理一些实际应用中由于样本数据不充足而可能导致的有用信息丢失的问题,比如临床医疗诊断数据和UCI机器学习数据。实验表明该方法是有效的。2.研究了基于粗糙集的粒计算模型,讨论了粒计算的一些重要性质以及约简算法。针对没有约简核的系统,提出一个新的约简算法,该算法既可以用于有约简核的系统也可以用于没有约简核的系统,并通过实验证明了该算法的可行性。3.提出了基于属性粒的认知模型。研究了认知过程的形成机理,分析了认知信息粒的本质并讨论了它的一些性质以及应用。研究了基于认知结构的信息分类和信息约简,提出了一个利用知识依赖度和属性重要度相结合的约简算法。4.以心电图（ECG）自动分析作为应用背景,提出了一个基于黄金分割与小波变换相结合的特征提取算法,将所提取的特征建立了信息系统。利用本文所提出的粗糙集的知识发现方法对信号进行了特征选择和规则挖掘。
张旭[7]（2011）在《基于粗糙集和SOM神经网络的知识分类的算法研究》文中指出随着经济的发展和社会的进步,生活中的信息及知识呈现爆炸式增长,如果不能有效进行处理,就会产生大量数据垃圾,信息增多的同时有价值信息难以获取。如何处理复杂的数据并提取有价值的知识成为当今信息时代的重要研究课题。在计算智能领域,面向知识的自动识别与分类,有大量成熟的理论与方法。粗糙集作为一种强的数据分析工具,与其它知识挖掘技术相比,在解决分类问题上有独到的优势,利用粗糙集进行知识分类不需要先验知识,在较少的数据中也可挖掘出较好的规则或知识,生成的规则易于理解,而且该方法简单,易于操作。而作为研究复杂性的有力工具神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性,特别是能处理任意类型的数据,这是许多传统方法所无法比拟的。通过各种理论与方法相结合的方式解决实际问题是目前研究的主要方向之一。所以,本论文利用粗糙集和SOM神经网络在处理海量数据以及知识分类中的应用及优势,在数据的离散化、筛选、聚类、约简、规则提取等步骤中灵活运用各种算法,通过分析粗糙集理论以及SOM神经网络在知识分类中的研究和应用,实现一种新的两者结合的知识分类模型。在新的知识分类模型中,知识分类被划分为3个环节,包含原始数据的关键属性提取及连续数据离散化、利用粗糙集属性约简实现数据属性降维以及使用SOM对低纬度数据进行聚类分析。同时,论文针对新的知识分类模型中利用粗糙集属性约简环节,创新性的提出一种更快捷高效的约简算法。论文中利用C++编程语言基本实现了整个知识分类模型的3个部分,并利用中央地勘基金远程监管平台的部分物探监管指标数据代入程序进行实现,得到相应的知识分类结果,并通过对结果的分析,把新约简模型和新算法与其他知识分类方法进行对比证明了新算法的有效性,并论证粗糙集与SOM神经网络结合的知识分类新模型的有效性。
滕书华[8]（2010）在《基于粗糙集理论的不确定性度量和属性约简方法研究》文中指出随着数据获取手段的快速发展,数据库数量和规模的增长速度远远超出了人类分析和应用的能力。如何从杂乱无章的、强干扰的海量数据中挖掘出潜在的、新颖的、正确的、有利用价值的知识,来改变“数据丰富,知识贫乏”这种局面,已成为智能信息处理领域研究的一个重要课题。粗糙集理论作为一种新的知识发现方法,在很多领域获得了广泛的应用,其中属性约简是其最重要的应用之一。经过近30年的发展,基于粗糙集的属性约简理论和方法得到了迅速的发展和完善,但也存在着一些问题。如,不确定性度量在属性约简中有着重要的应用,而现有度量方法并不能精确描述集合的不确定性,故探讨更加合理的度量方法是一个基础性问题;此外,缺乏普遍适用的高效约简算法,这是制约粗糙集理论实用化的重要方面。据此,本文对粗糙集理论的不确定性度量和属性约简两方面进行了系统研究,主要工作及创新如下:（1）从知识区分能力角度在一般二元关系下提出了多种知识不确定性度量,通过直观的文氏图表示给出了新的不确定性度量明确的粗糙集理论含义,从而使得粗糙集理论中的不确定性度量的本质易于理解,丰富了粗糙集理论的内涵,并为后续的属性约简算法打下了理论基础。（2）考虑到数据对象具有不同重要性的情况,基于一般二元关系提出了新的知识加权不确定性度量—α熵、α条件熵和α互信息。通过调整参数α分析了现有多种不确定性度量的异同,进而将现有的多种不确定性度量统一在一般二元关系的粗糙集模型中。新的加权不确定性度量方便地融入了主观偏好、先验知识等因素,从而更加符合实际。（3）在一般二元关系下提出了一种适用性更广、更加有效的加权集成不确定性度量。理论分析和实例表明新的集成不确定性度量弥补了现有不确定性度量的缺陷,更符合人类的认知规律,更精确的反映了粗糙集的两种不确定性。（4）为了提高算法效率,把属性的区分能力作为启发函数,首先利用不可区分度在一般信息系统中提出了一种能够处理噪声的、高效的完备约简算法;其次,在决策信息系统中利用相对可区分度提出了一种高效的启发式约简算法,并给出了该算法与代数观点和信息观点下约简算法间的关系。通过对仿真数据和UCI数据集的实验结果表明,两种基于区分能力观点的约简算法不仅能有效的处理海量数据,而且在大多数情况下能够得到紧凑约简。（5）针对不协调决策系统,首先讨论了基于区分能力观点的约简定义和现有的不协调决策表多种约简定义之间的关系,给出了多种简化协调决策表的概念,进而提出了一种基于区分能力观点的高效不协调决策表约简算法。实验结果表明,新算法不仅可以求得现有多种方法的属性约简,而且具有较好的约简质量和较高约简效率,适合处理具有大量冗余属性的不协调数据集。（6）考虑到决策信息系统中的噪声,在一般二元关系下提出了两种能够抑制噪声的近似属性约简算法,即AAR-DV算法和AAR-WαA算法,两种算法适用于多种粗糙集扩展模型,摆脱了现有约简算法对特定二元关系的依赖。特别是AAR-WαA算法还将数据的先验知识引入到了约简算法中。实验表明两种近似约简算法可有效增强抗噪性,在有效降低约简属性集规模的同时,还提高了约简结果的分类性能。（7）考虑到进行分类时组合多个约简将产生互补信息,在一般二元关系下提出了一种基于加权α精度的多约简组合分类算法。通过对UCI数据的实验表明,多约简组合分类算法对于存在大量约简的数据集是可行的,在不增加算法时间复杂度基础上,不仅有效降低了特征数量,还大大提高了分类精度。综上所述,本文提出的不确定性度量和高效属性约简算法具有明确的粗糙集理论含义,简单易于理解,适用范围广,具有重要的理论意义和潜在的应用价值。
武金艳[9]（2010）在《粗糙集与证据理论在医疗智能诊断系统中的应用研究》文中研究说明随着医疗信息化的普及和各种医学检测设备的应用,将出现空前增长的海量医学数据,这些数据具有不完整、不确定、冗余等特点。仅凭简单的人力提炼和利用这些信息,效率很低,因此利用先进的计算机和信息处理技术综合开发利用大量数据信息,实现诊断准确率高的医疗智能诊断系统,已成为当今医疗事业发展的重要研究方向之一。粗糙集理论作为一种处理不精确、不确定和不完备信息的数据分析方法,最大的特点是具有良好的数据处理能力。但是粗糙集理论无法根据多条规则进行准确决策。而证据理论是一种不确定性推理理论,其处理的证据来源于专家,对解决数据融合中不确定性问题具有显着优势。基于此,本文提出一种基于粗糙集和证据理论的决策规则合成方法,并将其在医疗诊断系统中的应用进行了研究。本文主要研究内容如下：1.分析诊疗数据的特点,引入粗糙集理论对大量疾病诊断信息进行分类。针对动态建立疾病诊断知识库的需要和粗糙集约简中存在的问题,提出一种基于粗糙熵的动态属性约简算法。该算法利用新增对象对原有约简关系进行修正,利用原有信息粗糙熵的结果递归计算系统变化后的信息粗糙熵,从而节省了计算量,提高了约简效率。2.针对粗糙集在规则决策中的局限性,提出一种基于粗糙集和证据理论的决策规则合成方法。并结合临床医学,构造一个基于粗糙集和证据理论的诊断模型,将决策表中的决策规则作为证据理论的识别框架,计算规则的可信度及其重要度,利用证据理论对不同规则的决策结果进行证据合成,最终得到诊断结果。3.在上述算法研究的基础上,以风湿病为例,开发设计了风湿病专科临床诊断系统。详细介绍了系统的总体结构和设计思想,包括病例数据库、诊断知识库的设计等。系统测试结果达到了辅助医生诊断的效果,并验证了所提出方法的可行性和有效性。
宋太杰[10]（2010）在《粗糙集理论在文本挖掘中的应用研究》文中提出数据挖掘和文本挖掘是研究如何获取知识的重要领域。粗糙集理论是一种在保持分类能力不变的前提下,通过属性约简导出概念分类规则的新型软计算方法,该理论在文本挖掘中的应用研究具有重要的理论意义。本文主要对粗糙集理论在文本挖掘中应用方法进行研究,包括基于分明矩阵的属性约简和基于Apriori算法的关联规则挖掘两个方面。首先,本文提出先对决策表进行约简,删除其中的冗余项,然后生成分明矩阵;在对分明矩阵进行属性约简的过程中,通过对核属性的提取,减少中间冗余范式的生成,提高了算法的效率。其次,本文根据Apriori算法的性质,在扫描数据库生成候选项集的同时删除不满足该性质的项,缩小数据库规模,从而减少了扫描数据库所消耗的时间。与传统经典算法相比,改进后的算法在运行时节省了大量的时间和空间上的消耗,在处理大规模的文本数据库挖掘的性能上有很大提升。
二、粗糙集理论在属性约简及知识分类中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、粗糙集理论在属性约简及知识分类中的应用（论文提纲范文）
（1）基于粗糙集的几类广义信息系统知识发现与决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 基于粗糙集的动态知识发现研究现状 |
| 1.2.2 双量化决策粗糙集方法研究现状 |
| 1.2.3 混合值信息系统中粗糙集方法研究现状 |
| 1.3 本文主要研究思路与内容 |
| 1.4 本章小结 |
| 第2章 预备知识 |
| 2.1 信息系统与知识粒化 |
| 2.2 Pawlak粗糙集模型 |
| 2.3 变精度粗糙集与程度粗糙集模型 |
| 2.4 决策粗糙集模型 |
| 2.5 多粒度粗糙集模型 |
| 2.6 本章小结 |
| 第3章 时变信息粒区间值序信息系统近似集的动态更新方法 |
| 3.1 区间值序信息系统 |
| 3.2 近似集随属性变化的两个基本定理 |
| 3.3 时变信息粒区间值序信息系统近似集的动态更新 |
| 3.3.1 删除属性时近似集的动态更新方法 |
| 3.3.2 增加属性时近似集的动态更新方法 |
| 3.4 实验分析 |
| 3.4.1 删除属性时动态更新近似集的实验 |
| 3.4.2 增加属性时动态更新近似集的实验 |
| 3.5 本章小结 |
| 第4章 多粒度信息系统的双量化决策粗糙集方法 |
| 4.1 双量化粗糙集建模 |
| 4.2 多粒度信息系统的双量化决策粗糙集 |
| 4.2.1 乐观双量化多粒度决策粗糙集 |
| 4.2.2 悲观双量化多粒度决策粗糙集 |
| 4.2.3 平均双量化多粒度决策粗糙集 |
| 4.3 双量化多粒度决策粗糙集与其他粗糙集模型的关系 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 第5章 混合值决策信息系统的决策粗糙集方法 |
| 5.1 混合值决策信息系统 |
| 5.2 基于高斯核函数的决策粗糙集建模 |
| 5.2.1 对象之间的广义距离度量 |
| 5.2.2 基于高斯核的粒化机制 |
| 5.2.3 混合值决策信息系统中的决策粗糙集 |
| 5.3 混合值决策信息系统的属性约简方法 |
| 5.3.1 基于相对正域的属性约简方法 |
| 5.3.2 基于最小代价的属性约简方法 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（2）面向态势认知的粗糙集决策方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 基本符号列表 |
| 第1章 绪论 |
| 1.1 研究背景和科学意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的科学意义 |
| 1.2 课题来源 |
| 1.3 国内外研究现状 |
| 1.3.1 态势认知理论发展现状 |
| 1.3.2 粒计算发展现状 |
| 1.3.3 粗糙集理论发展现状 |
| 1.3.4 三支决策理论发展现状 |
| 1.4 本文的研究工作与技术路线 |
| 1.5 论文结构安排 |
| 第2章 相关理论基础 |
| 2.1 引言 |
| 2.2 态势认知基本知识 |
| 2.2.1 态势要素 |
| 2.2.2 态势要素关系 |
| 2.3 粗糙集理论与三支决策 |
| 2.3.1 Pawlak粗糙集 |
| 2.3.2 决策粗糙集与三支决策 |
| 2.4 本章小结 |
| 第3章 测试代价敏感的知识获取和粗糙数据建模 |
| 3.1 引言 |
| 3.2 相关基本概念 |
| 3.2.1 弱不可分辨关系粗糙集 |
| 3.2.2 量化不可分辨关系和粗糙集模型 |
| 3.2.3 测试代价敏感的决策信息系统 |
| 3.3 基于测试代价敏感的粗糙数据建模 |
| 3.3.1 测试代价敏感的量化粗糙集方法 |
| 3.3.2 近似质量的实验对比 |
| 3.4 属性约简 |
| 3.4.1 下近似分布保持约简方法 |
| 3.4.2 知识与测试代价融合的约简方法 |
| 3.4.3 评价指标 |
| 3.5 测试代价敏感的约简在公共数据集上的实验分析 |
| 3.6 无人机空战场景中态势感知的实例分析 |
| 3.7 本章小结 |
| 第4章 基于并行和序贯的多粒度认知策略 |
| 4.1 引言 |
| 4.2 三支决策与粒计算 |
| 4.3 基于并行策略的多粒度决策粗糙集模型 |
| 4.3.1 乐观与悲观多粒度决策粗糙集 |
| 4.3.2 柔性多粒度决策粗糙集 |
| 4.3.3 决策规则和风险决策代价 |
| 4.3.4 阈值学习的朴素算法 |
| 4.3.5 实验分析 |
| 4.4 基于序贯策略的多粒度三支分类模型 |
| 4.4.1 序贯三支决策方法 |
| 4.4.2 Local和Global约简 |
| 4.4.3 基于局部约简的序贯三支分类方法 |
| 4.4.4 实验分析 |
| 4.5 本章小结 |
| 第5章 基于混合代价的多粒度粗糙集模型及态势评估 |
| 5.1 引言 |
| 5.2 基于混合代价的粗糙数据建模 |
| 5.2.1 混合代价敏感多粒度粗糙集模型 |
| 5.2.2 几种粗糙集模型之间的关系 |
| 5.2.3 混合代价敏感粗糙集中的代价准则 |
| 5.3 代价敏感环境下的多粒度信息粒度约简 |
| 5.3.1 基于决策单调准则约简 |
| 5.3.2 基于最小代价准则约简 |
| 5.3.3 基于遗传优化的约简算法 |
| 5.4 粒度约简评价指标 |
| 5.5 公共数据集中的实验分析 |
| 5.5.1 代价设置与比较 |
| 5.5.2 信息粒度约简性能比较 |
| 5.6 混合代价敏感粗糙模型在兵棋推演场景态势评估中的应用 |
| 5.7 本章小结 |
| 第6章 面向复杂数据的多粒度态势预测方法 |
| 6.1 引言 |
| 6.2 相关基本概念 |
| 6.2.1 序贯三支决策模型 |
| 6.2.2 邻域粗糙集及其序贯性质 |
| 6.2.3 合理粒度准则 |
| 6.3 基于序贯三支策略的预测方法 |
| 6.3.1 S3WC框架 |
| 6.3.2 局部与全局属性子空间 |
| 6.3.3 基于合理粒度的S3WC预测算法 |
| 6.4 公共数据集中的实验分析 |
| 6.4.1 实验设置及参数选取 |
| 6.4.2 局部和全局属性子空间的性能比较 |
| 6.4.3 分类性能比较 |
| 6.4.4 实验结果讨论 |
| 6.5 S3WC-JS在兵棋推演场景态势预测实例中的应用 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文和参与的科研项目 |
| 致谢 |
（3）多标记数据的粗糙集模型与算法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 粒计算与粗糙集 |
| 1.3 研究内容及主要结果 |
| 1.4 论文的组织结构 |
| 第二章 基本概念 |
| 2.1 经典粗糙集模型 |
| 2.2 变精度粗糙集模型 |
| 2.3 包含度 |
| 第三章 多标记粗糙算子 |
| 3.1 多标记数据 |
| 3.2 多标记粗糙算子的构造 |
| 3.2.1 标记不确定性 |
| 3.2.2 多标记粗糙算子 |
| 3.2.3 多标记粗糙算子与经典粗糙算子的关系 |
| 3.3 变精度多标记粗糙算子 |
| 3.4 本章小结 |
| 第四章 模型的不确定性度量 |
| 4.1 多标记粗糙集的数字特征 |
| 4.2 变精度多标记粗糙集的数字特征 |
| 4.3 数字特征的包含度表示 |
| 4.4 本章小结 |
| 第五章 多标记数据属性约简 |
| 5.1 互补决策约简 |
| 5.2 互补决策约简与两种经典约简的关系 |
| 5.2.1 互补决策约简与正域约简的关系 |
| 5.2.2 互补决策约简与广义决策约简的关系 |
| 5.3 互补决策约简的区分矩阵方法 |
| 5.4 本章小结 |
| 第六章 多标记属性约简的启发式算法 |
| 6.1 互补决策约简的启发式算法 |
| 6.2 实验分析 |
| 6.2.1 评价指标 |
| 6.2.2 实验结果与讨论 |
| 6.2.3 在大规模多标记数据集上的实验 |
| 6.3 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（4）基于粗糙集与证据理论的大坝健康诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 不确定性理论研究现状 |
| 1.2.2 粗糙集理论与证据理论研究现状 |
| 1.3 研究内容及组织结构 |
| 第二章 粗糙集与证据理论 |
| 2.1 粗糙集理论基础 |
| 2.1.1 信息系统 |
| 2.1.2 粗糙集的近似空间 |
| 2.1.3 属性的重要度 |
| 2.1.4 属性的核与约简 |
| 2.2 证据理论基础 |
| 2.2.1 证据理论基本概念 |
| 2.2.2 合成法则 |
| 2.2.3 证据理论的优势与存在的问题 |
| 2.3 粗糙集理论与证据理论关系 |
| 2.4 本章小结 |
| 第三章 融合粗糙集与证据理论的大坝健康诊断模型 |
| 3.1 融合粗糙集与证据理论的大坝健康诊断基本思路 |
| 3.2 评价指标体系 |
| 3.2.1 评价指标获取 |
| 3.2.2 评价体系结构 |
| 3.3 决策表的确定 |
| 3.3.1 指标度量 |
| 3.3.2 指标离散化 |
| 3.3.3 属性约简 |
| 3.4 证据的基本概率赋值 |
| 3.5 证据的融合与决策 |
| 3.5.1 证据权重分配 |
| 3.5.2 证据合成算法 |
| 3.5.3 决策推理 |
| 3.6 本章小结 |
| 第四章 工程实例 |
| 4.1 工程概况 |
| 4.1.1 枢纽及大坝简况 |
| 4.1.2 监测布置概况 |
| 4.2 诊断指标体系及决策表 |
| 4.2.1 诊断指标体系构建 |
| 4.2.2 条件属性集的确定 |
| 4.2.3 决策属性集的确定 |
| 4.2.4 指标特征离散化 |
| 4.2.5 决策表属性约简 |
| 4.3 决策表的证据获取与合成 |
| 4.3.1 基本可信度分配 |
| 4.3.2 证据权重计算 |
| 4.3.3 证据合成与安全状态评价 |
| 4.4 传统粗糙集应用 |
| 4.4.1 基于属性重要度的权重 |
| 4.4.2 安全状态评价 |
| 4.5 对比分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（5）基于置信优势关系的粗糙集有序决策及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本文的研究背景和意义 |
| 1.2 基于粗糙集的水资源问题多准则决策分析 |
| 1.3 拟解决问题及研究现状 |
| 1.4 粗糙集概述 |
| 1.4.1 粗糙集理论的研究背景 |
| 1.4.2 粗糙集理论的基本概念 |
| 1.4.3 粗糙集理论模型的扩展 |
| 1.5 优势关系粗糙集概述 |
| 1.6 本文的主要研究内容及成果 |
| 1.7 本文的组织结构 |
| 第2章 基于置信优势关系的粗糙集近似模型 |
| 2.1 引言 |
| 2.2 不完备决策系统中的拓展优势关系粗糙集 |
| 2.3 基于置信优势关系的粗糙近似模型 |
| 2.3.1 置信优势关系 |
| 2.3.2 基于置信优势关系的粗糙近似 |
| 2.3.3 基于置信优势关系的不确定性度量 |
| 2.4 几种拓展优势关系粗糙近似的对比 |
| 2.4.1 几种拓展优势关系的对比 |
| 2.4.2 几种基于拓展优势关系的粗糙近似的对比 |
| 2.4.3 几种拓展优势关系的近似分类性能对比 |
| 2.5 实例分析 |
| 2.6 本章小结 |
| 第3章 基于置信优势关系粗糙集的近似集动态更新 |
| 3.1 引言 |
| 3.2 置信优势关系粗糙集的广义决策 |
| 3.3 属性集变化时的置信优势关系粗糙集近似集更新方法 |
| 3.3.1 增加属性集时的近似集更新方法 |
| 3.3.2 删除属性集时的近似集更新方法 |
| 3.3.3 实例分析 |
| 3.4 对象集变化时的置信优势关系粗糙集近似集更新方法 |
| 3.4.1 增加一个对象时的近似集更新方法 |
| 3.4.2 删除一个对象时的近似集更新方法 |
| 3.4.3 对象子集合并时的近似集更新方法 |
| 3.4.4 实例分析 |
| 3.5 仿真实验 |
| 3.5.1 属性集变化时的近似集动态更新方法实验对比 |
| 3.5.2 对象集变化时的近似集动态更新方法实验对比 |
| 3.6 本章小结 |
| 第4章 容错偏好分级决策模型 |
| 4.1 引言 |
| 4.2 简单容错偏好分级决策模型 |
| 4.2.1 简单向上容错偏好分级决策 |
| 4.2.2 简单向下容错偏好分级决策 |
| 4.2.3 简单两侧容错偏好分级决策 |
| 4.3 动态容错偏好分级决策模型 |
| 4.3.1 动态向上容错偏好分级决策 |
| 4.3.2 动态向下容错偏好分级决策 |
| 4.3.3 动态两侧容错偏好分级决策 |
| 4.4 实例分析 |
| 4.5 对比实验 |
| 4.5.1 评价指标 |
| 4.5.2 实验结果 |
| 4.6 本章小结 |
| 第5章 有序决策系统中的属性约简方法 |
| 5.1 完备有序决策系统的属性约简方法 |
| 5.1.1 优势关系粗糙集及属性约简 |
| 5.1.2 基于不协调优势关系的属性约简 |
| 5.2 不完备有序决策系统的属性约简方法 |
| 5.2.1 基于不协调置信优势关系的约简 |
| 5.2.2 基于分类精度的启发式属性约简方法 |
| 5.2.3 基于分类精度的增量式属性约简方法 |
| 5.2.4 实验及结果分析 |
| 5.3 本章小结 |
| 第6章 基于置信优势关系粗糙集的水质评价 |
| 6.1 引言 |
| 6.2 水环境监测指标及评价标准 |
| 6.3 水质评价模型 |
| 6.3.1 确定的水质评价模型 |
| 6.3.2 不确定的水质分级模型 |
| 6.3.3 水质评价有待解决的问题 |
| 6.4 基于置信优势关系粗糙集的水质评价 |
| 6.4.1 数据预处理 |
| 6.4.2 水质分级决策 |
| 6.4.3 富营养化分级决策 |
| 6.4.4 监测指标的重要性 |
| 6.4.5 动态更新的应用 |
| 6.5 在线水质监测系统 |
| 6.6 本章小结 |
| 总结与展望 |
| 一、本文工作总结 |
| 二、进一步研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
（6）基于粗糙集的知识发现方法及其在ECG信号识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.2 粗糙集理论的发展与现状 |
| 1.2.1 对经典粗糙集模型的推广 |
| 1.2.2 粗糙集中不确定问题的理论研究 |
| 1.2.3 属性约简算法研究 |
| 1.2.4 粗糙集与其他不确定性理论相结合 |
| 1.2.5 与人工智能领域的结合和应用研究 |
| 1.3 心电图自动分析研究现状 |
| 1.4 本文的主要研究内容与组织结构 |
| 第二章 粗糙集基本理论与约简方法 |
| 2.1 基本概念 |
| 2.1.1 知识与分类 |
| 2.1.2 知识表达系统与粗糙集的概念 |
| 2.1.3 Pawlak近似精度与改进 |
| 2.2 知识约简 |
| 2.3 决策信息系统的约简算法 |
| 2.3.1 基于正域的相对约简 |
| 2.3.2 基于知识依赖性的约简 |
| 2.3.3 基于依赖度的约简算法改进 |
| 2.4 知识表达系统的协调性及其约简算法 |
| 2.4.1 知识表达系统的协调性 |
| 2.4.2 不协调决策信息系统的属性约简方法的改进 |
| 2.5 本章小结 |
| 第三章 基于粗糙集的粒计算模型与知识发现 |
| 3.1 粒计算的基本概念 |
| 3.1.1 粒计算的起源与发展 |
| 3.1.2 粒度计算的基本构成 |
| 3.2 粒计算的主要理论模型 |
| 3.2.1 基于模糊集合论的词计算理论的粒计算模型 |
| 3.2.2 基于商空间的粒计算模型 |
| 3.2.3 基于粗糙集的粒计算模型 |
| 3.2.4 基于概念格理论的粒计算模型 |
| 3.3 基于知识粒度的属性约简 |
| 3.3.1 经典粗糙集上知识粒的表示 |
| 3.3.2 基于知识粒度的属性约简 |
| 3.3.3 无属性核的信息系统的约简算法 |
| 3.4 一般二元关系上的粒计算扩展模型 |
| 3.4.1 二元关系上的粗糙集 |
| 3.4.2 一般二元关系下信息系统知识的描述 |
| 3.4.3 一般二元关系下信息系统的知识粒度及应用 |
| 3.5 本章小结 |
| 第四章 基于粒计算的认知模型及其应用 |
| 4.1 基于概念格的认知模型 |
| 4.1.1 概念格的基本定义 |
| 4.1.2 概念格上的粒计算认知模型 |
| 4.2 基于粗糙集的认知模型 |
| 4.2.1 认知系统 |
| 4.2.2 认知系统的信息粒 |
| 4.2.3 认知信息粒在信息系统约简中的应用 |
| 4.2.4 认知决策与分类 |
| 4.3 本章小结 |
| 第五章 粗糙集在心电信号识别中的应用 |
| 5.1 心电图基本常识与测量 |
| 5.1.1 常规导联系统 |
| 5.1.2 心电图的测量与各段的意义 |
| 5.1.3 常用的标准ECG数据库简介 |
| 5.2 心电信号自动分析技术 |
| 5.2.1 信号预处理 |
| 5.2.2 心电特征参数的定义 |
| 5.2.3 波形检测与特征提取 |
| 5.2.4 特征选择 |
| 5.2.5 ECG信号分类 |
| 5.3 粗糙集在ECG信号识别中的应用 |
| 5.3.1 信息系统的建立 |
| 5.3.2 基于粗糙集的属性约简及规则提取 |
| 5.3.3 基于SVM方法的实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）基于粗糙集和SOM神经网络的知识分类的算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外相关研究历史与现状 |
| 1.2.1 粗糙集的研究历史与现状 |
| 1.2.2 粗糙集知识约简的研究历史与现状 |
| 1.2.3 SOM 神经网络的研究历史与现状 |
| 1.2.4 粗糙集与SOM 神经网络相结合的研究历史与现状 |
| 1.3 本文的研究工作 |
| 1.3.1 知识分类新模型 |
| 1.3.2 属性约简新算法 |
| 1.4 本文的组织 |
| 第二章 预备知识 |
| 2.1 粗糙集的基本理论 |
| 2.1.1 近似空间 |
| 2.1.2 近似空间与不可分辨关系 |
| 2.1.3 知识与知识库 |
| 2.1.4 上下近似与粗糙集 |
| 2.2 粗糙集知识约简基本理论 |
| 2.2.1 约简与核 |
| 2.3 SOM 神经网络的基本理论 |
| 2.3.1 SOM 网的生物学基础 |
| 2.3.2 SOM 神经网络的组成 |
| 2.3.3 SOM 神经网络学习算法 |
| 本章小结 |
| 第三章 基于粗糙集和SOM 神经网络的知识分类的算法模型 |
| 3.1 算法模型 |
| 3.2 数据输入模块 |
| 3.2.1 数据来源的项目依托 |
| 3.2.2 数据来源基础 |
| 3.3 数据预处理模块 |
| 3.3.1 ADO 读写模块 |
| 3.3.2 数据属性的提取 |
| 3.3.3 对连续知识进行离散化处理 |
| 3.4 属性约简模块 |
| 3.4.1 属性活跃度计算 |
| 3.4.2 聚类分析 |
| 3.4.3 盲目删除属性约简算法 |
| 3.4.4 基于聚类及活跃度排序的删除属性约简算法 |
| 3.4.5 基于属性活跃度的约简算法有效性分析 |
| 3.5 SOM 数据聚类模块 |
| 3.5.1 Kohonen 学习算法 |
| 3.5.2 SOM 聚类模块的实现 |
| 本章小结 |
| 第四章 系统实现 |
| 4.1 系统环境 |
| 4.2 数据预处理模块的程序实现 |
| 4.3 属性约简算法的程序实现 |
| 4.4 SOM 神经网络聚类算法的程序实现 |
| 本章小结 |
| 第五章 总结与回顾 |
| 参考文献 |
| 致谢 |
| 在攻读硕士研究生期间发表的论文 |
| 个人简历 |
（8）基于粗糙集理论的不确定性度量和属性约简方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 粗糙集理论的研究与发展 |
| 1.2.1 粗糙集理论的产生 |
| 1.2.2 粗糙集理论的发展 |
| 1.2.3 粗糙集理论研究热点 |
| 1.3 粗糙集理论基础知识 |
| 1.3.1 粗糙集的基本概念 |
| 1.3.2 不确定性的数字特征 |
| 1.3.3 约简 |
| 1.4 本文的研究内容与安排 |
| 第二章 基于区分能力的知识不确定性度量方法 |
| 2.1 粗糙集理论中的二元关系 |
| 2.2 信息系统中单属性集的不确定性度量 |
| 2.3 信息系统中多属性集的组合度量 |
| 2.3.1 同可区分度 |
| 2.3.2 相对可区分度 |
| 2.3.3 联合可区分度 |
| 2.3.4 同可区分度、相对可区分度和联合可区分度间的关系 |
| 2.4 小结 |
| 第三章 一种统一的加权不确定性度量 |
| 3.1 基本知识 |
| 3.2 基于一般二元关系的知识加权不确定性度量 |
| 3.2.1 基于一般二元关系的α粒度熵及其性质 |
| 3.2.2 基于一般二元关系的α熵及其性质 |
| 3.2.3 一般二元关系下不同知识间的不确定性度量 |
| 3.2.4 加权不确定性度量和现有不确定性度量间的关系 |
| 3.3 基于一般二元关系的粗糙集集成加权不确定性度量 |
| 3.3.1 现有不确定性度量的缺陷 |
| 3.3.2 粗糙集集成加权不确定性度量 |
| 3.4 小结 |
| 第四章 基于区分能力观点的属性约简算法 |
| 4.1 基于不可区分度的启发式快速完备约简算法 |
| 4.1.1 基于不可区分度的属性重要性及其约简 |
| 4.1.2 基于不可区分度的启发式约简算法 |
| 4.1.3 实验结果与分析 |
| 4.1.4 结论 |
| 4.2 基于相对可区分度的属性约简算法 |
| 4.2.1 现有约简算法的缺陷 |
| 4.2.2 基于相对可区分度的属性重要性及其约简 |
| 4.2.3 基于代数观点、信息观点和区分能力观点约简定义间的关系 |
| 4.2.4 实验分析 |
| 4.2.5 结论 |
| 4.3 小结 |
| 第五章 基于区分能力观点的不协调决策表约简算法 |
| 5.1 不协调信息系统的基本知识 |
| 5.2 不协调决策表约简算法之间的关系 |
| 5.3 高效的不协调决策表约简算法 |
| 5.3.1 简化协调决策表 |
| 5.3.2 不协调决策表的约简 |
| 5.3.3 一种高效的不协调决策表约简算法 |
| 5.4 实验结果及分析 |
| 5.4.1 实例分析 |
| 5.4.2 对UCI 数据的处理 |
| 5.5 小结 |
| 第六章 基于一般二元关系的近似属性约简算法 |
| 6.1 一般二元关系下基于区分能力的近似属性约简算法 |
| 6.1.1 基于区分能力的近似属性约简算法 |
| 6.1.2 近似约简算法的实例分析 |
| 6.2 一般二元关系下基于加权α精度的加权近似属性约简算法 |
| 6.2.1 基于加权α精度的近似属性约简算法 |
| 6.2.2 基于加权α精度的近似约简算法实例分析 |
| 6.3 两种近似参数β和ε对属性约简和分类精度的影响 |
| 6.4 基于加权α精度的多约简组合分类算法 |
| 6.4.1 基于加权α精度的多约简组合分类算法 |
| 6.4.2 实验分析 |
| 6.5 小结 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）粗糙集与证据理论在医疗智能诊断系统中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 医疗智能诊断系统的发展与现状 |
| 1.3.2 粗糙集理论及应用的发展状况 |
| 1.3.3 D-S证据理论及应用的发展状况 |
| 1.4 论文所做主要工作及论文结构 |
| 第2章 粗糙集与证据理论基础 |
| 2.1 医疗诊断数据的特点 |
| 2.1.1 临床诊疗信息的主要特点 |
| 2.1.2 医疗诊断数据的不确定性分析 |
| 2.2 粗糙集理论 |
| 2.2.1 粗糙集的基本概念 |
| 2.2.2 粗糙集数据分析方法 |
| 2.2.3 粗糙集在医疗数据分析中的优势 |
| 2.3 D-S证据理论 |
| 2.3.1 D-S证据理论的基本概念 |
| 2.3.2 D-S证据理论的合成规则 |
| 2.4 粗糙集与证据理论的关系 |
| 2.5 小结 |
| 第3章 基于粗糙熵的动态属性约简 |
| 3.1 动态约简提出的背景 |
| 3.2 属性的粗糙熵和依赖对比度 |
| 3.2.1 属性的依赖对比度 |
| 3.2.2 属性的粗糙熵 |
| 3.3 基于粗糙熵的动态属性约简算法 |
| 3.3.1 动态思想 |
| 3.3.2 动态属性约简算法 |
| 3.3.3 算法实例分析 |
| 3.4 小结 |
| 第4章 基于粗糙集和证据理论的决策规则融合方法 |
| 4.1 决策规则描述及评估 |
| 4.2 基于粗糙集的证据信息获取及融合 |
| 4.2.1 决策属性转换及证据信息获取 |
| 4.2.2 证据权重分配 |
| 4.2.3 融合方法及决策 |
| 4.3 基于粗糙集和证据理论的医疗临床诊断 |
| 4.3.1 诊断模型的建立 |
| 4.3.2 诊断实例分析 |
| 4.4 小结 |
| 第5章 基于粗糙集与证据理论的临床诊断系统的设计 |
| 5.1 疾病诊断系统总体设计 |
| 5.1.1 系统结构设计 |
| 5.1.2 系统功能设计 |
| 5.1.3 系统工作流程设计 |
| 5.1.4 知识库设计 |
| 5.1.5 软件开发环境 |
| 5.2 疾病诊断系统主功能模块设计与实现 |
| 5.2.1 病例信息查询模块 |
| 5.2.2 诊断知识库管理模块 |
| 5.2.3 疾病诊断模块 |
| 5.3 系统评估与应用分析 |
| 5.3.1 系统评估 |
| 5.3.2 应用分析 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文 |
（10）粗糙集理论在文本挖掘中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 选题的研究背景和意义 |
| 1.2 粗糙集的发展概况 |
| 1.3 文本挖掘的发展概况 |
| 1.4 本文主要研究内容及结构安排 |
| 第二章 粗糙集与文本挖掘的基础理论 |
| 2.1 粗糙集的基本理论 |
| 2.1.1 知识与知识库的含义 |
| 2.1.2 不可区分关系近似与粗集 |
| 2.1.3 粗糙集的数字特征和分类质量 |
| 2.1.4 知识约简和依赖性 |
| 2.2 文本挖掘 |
| 2.2.1 文本挖掘的定义 |
| 2.2.2 文本挖掘过程 |
| 2.2.3 文本分类 |
| 2.2.4 文本聚类 |
| 第三章 基于分明矩阵的属性约简方法研究 |
| 3.1 决策表与分明矩阵概念 |
| 3.2 基于分明矩阵的启发式算法 |
| 3.2.1 分明矩阵的算法 |
| 3.2.2 改进后的分明矩阵算法 |
| 3.3 仿真实验研究 |
| 3.4 研究结论 |
| 第四章 基于APRIORI算法的关联规则挖掘 |
| 4.1 关联规则相关及概念 |
| 4.2 Apriori算法 |
| 4.3 Apriori算法的改进与试验分析 |
| 4.3.1 Apriori算法缺陷分析 |
| 4.3.2 Apriori改进算法的提出 |
| 4.3.3 Apriori改进算法的试验分析 |
| 4.4 研究结论 |
| 4.5 总结 |
| 第五章 结论与展望 |
| 5.1 本文研究成果 |
| 5.2 未来研究方向 |
| 致谢 |
| 参考文献 |
四、粗糙集理论在属性约简及知识分类中的应用（论文参考文献）
- [1]基于粗糙集的几类广义信息系统知识发现与决策方法研究[D]. 余建航. 哈尔滨工业大学, 2020(01)
- [2]面向态势认知的粗糙集决策方法研究[D]. 鞠恒荣. 南京大学, 2019
- [3]多标记数据的粗糙集模型与算法研究[D]. 李华. 山西大学, 2017(02)
- [4]基于粗糙集与证据理论的大坝健康诊断方法研究[D]. 彭正权. 武汉大学, 2017(06)
- [5]基于置信优势关系的粗糙集有序决策及其应用研究[D]. 苟光磊. 西南交通大学, 2016(02)
- [6]基于粗糙集的知识发现方法及其在ECG信号识别中的应用[D]. 唐孝. 电子科技大学, 2015(03)
- [7]基于粗糙集和SOM神经网络的知识分类的算法研究[D]. 张旭. 中国地质大学（北京）, 2011(08)
- [8]基于粗糙集理论的不确定性度量和属性约简方法研究[D]. 滕书华. 国防科学技术大学, 2010(04)
- [9]粗糙集与证据理论在医疗智能诊断系统中的应用研究[D]. 武金艳. 湖南大学, 2010(04)
- [10]粗糙集理论在文本挖掘中的应用研究[D]. 宋太杰. 长春理工大学, 2010(08)