一、粗糙集约简算法在知识发现中的研究与应用(论文文献综述)
赵星宇[1](2021)在《图片模糊粗糙集模型及拓展研究》文中指出随着海量数据与复杂应用的急剧到来,人类面临着在海量数据中进行科学建模和智能决策的挑战,对人工智能基础理论的研究与发展已成为当前信息时代亟待解决的关键问题。粗糙集的提出为数学建模与计算提供了新的方法,其将人类的客观知识抽象为多元数据关系进行处理,构建粗糙集模型的本质为信息在多元关系下的关联推理和知识发现。本文针对直觉模糊粗糙集模型对复杂数据处理的诸多不足,提出图片模糊粗糙集模型及其扩展。本文工作如下:(1)首先定义了图片模糊相似关系,构建了图片模糊近似空间,采用构造性方法建立了图片模糊粗糙集模型;对模型特性和约简策略进行了深入研究,采用知识粒度与熵方法对模型进行了不确定性度量,得到了信息度量与知识之间的数学关系;提出了图片模糊粗糙集的约简算法,并结合具体实例对该模型进行了验证。(2)针对无法刻画和挖掘双论域图片模糊信息,定义了双论域图片等价模糊关系,采用构造性方法建立了双论域图片模糊粗糙集模型;进一步研究了模型性质和约简原理,提出了双论域图片模糊粗糙集的属性约简算法并结合具体实例对该模型进行了验证。本文提出的图片模糊粗糙集模型为图片模糊信息分类与计算提供了理论支撑,该模型及其扩展理论对于进一步图片模糊推理机制的研究和人工智能基础理论的完善具有重要的意义。
李虹欣[2](2020)在《基于条件熵的邻域粗糙集属性约简算法及其应用》文中指出在爆炸的信息时代,数据规模的增长速度远远超过人类分析与应用的能力。粗糙集理论作为一种数学工具,能够在处理模糊、不精确数据时发挥其优点,不需要提供任何除所原始数据以外的先验信息,在处理不确定性问题时更客观。近几年之中在数据挖掘、模式识别与人工智能等领域得到广泛的应用并快速发展。属性约简作为邻域粗糙集理论的最广泛应用之一,它能够在信息系统中保持其分类、决策能力不变,将不相关、冗余的属性摒弃,从而提取关键属性、简化信息系统。本文提出一种在信息观点下基于条件熵的邻域粗糙集属性约简算法,基于UCI数据集对算法进行有效性验证,并应用该算法处理铝合金焊接接头疲劳寿命,获得关键影响因素,设计拟合基于疲劳特征域的S-N曲线,研发基于疲劳特征域的焊接接头疲劳分析系统。(1)提出了一种基于条件熵的邻域粗糙集属性约简算法(Neighborhood Rough Set Based on Conditional Entropy算法)本文引入信息论,在信息观点下构建邻域粗糙集模型,提出邻域信息熵、邻域条件熵,将邻域条件熵作为属性重要度的度量方式,并以此作为启发条件,提出一种基于条件熵的邻域粗糙集属性约简算法。在UCI数据集上,进行实验分析,验证算法的有效性。(2)提出一种基于疲劳特征域的S-N曲线拟合优化方法为了能够实现降低分散度和降低S-N曲线的标准差,同时又提高疲劳寿命的预测精度,引入了疲劳特征域概念。本文构建焊接接头疲劳决策系统,并提供一种基于改进邻域粗糙集的主S-N曲线拟合方法,以NRSBCE算法对数据进行处理,获得疲劳寿命关键影响因素,从而划分疲劳特征域;根据划分的疲劳特征域进行基于疲劳特征域的主S-N曲线拟合,得到一组S-N曲线簇。(3)设计研发基于疲劳特征域的焊接接头疲劳分析系统利用NRSBCE算法,设计研发基于疲劳特征域的焊接接头疲劳分析系统。通过上传数据集来获得基于网格不敏感结构应力法的主S-N曲线拟合图像和基于疲劳特征域的主S-N曲线簇;从算法角度与邻域粗糙集前向搜索快速属性约简算法结果进行比较。演示了系统的有效性,也为铝合金焊接接头工业生产提供新的技术应用。NRSBCE算法将信息论与邻域粗糙集理论结合提出邻域条件熵的概念,并作为属性重要度的度量,NRSBCE算法不仅能够获得较高的收敛精度,也能在较短的时间内获得更小的约简集合;与此同时,利用该算法进行铝合金焊接接头疲劳影响因素中关键影响因素的提取,从而划分疲劳特征域,获得基于疲劳特征域的主S-N曲线簇;在基于疲劳特征域的焊接接头疲劳分析系统中,使用本算法对铝合金焊接接头疲劳影响因素进行有效分析,并对改进前后的S-N曲线拟合进行可视化,具有很大的实用价值和应用性。
根绒切机多吉[3](2019)在《基于粗糙集的CNN图像识别算法研究》文中研究指明随着软硬件技术的飞速发展和大数据时代的到来,卷积神经网络(CNN)技术在越来越多的领域发挥着非常重要的作用,如数字识别、物体辨别、无人驾驶、语音识别等领域。卷积神经网络是深层神经网络的一个分支,它的网络结构中有特殊的卷积层和池化层,卷积层的感知器和前一层的感知器连接的方式是局部连接并共享权值,这样的连接方式有利于减少训练参数的数量,池化层可以对输入数据进行降维,从而使网络的复杂度降低,鲁棒性提高,即抑制了过拟合问题。现在图像信息以几何方式的趋势增长,需要处理的图像数据量越来越多,卷积神经网络虽然在处理图像数据时很有优势,但因为需要处理的数据量庞大,导致网络学习处理数据的时间变长,效率降低。如果为了缩短卷积网络的训练时间,将卷积神经网络的宽度和深度减小,则会影响模型的训练效果。因此,如何在保证模型质量的前提下,通过让模型更小,或者让网络模型消耗的资源更少进而加快运算速度并且保准模型质量是一大难题。为了减小卷积神经网络在处理图像数据时的负担并且提高模型学习效率,本文根据图像信息的自身特点,提出了基于粗糙集(RS)的卷积神经网络图像识别算法。该算法用经典的图像特征提取算法代替了卷积神经网络提取图像特征的部分,并为了提高模型的学习效率,用邻域粗糙集的约简算法对已提取的特征数据集进行约简,再用一维卷积神经网络解决图像数据的处理和识别。本文的主要工作成果如下:(1)图像特征的组合。用经典的HOG和SURF图像特征提取算法提取图像数据集的特征,这两种算法提取的特征组合在一起得到新的数据集。新的数据集不仅可以描述图像局部目标的表象和形状,而且具有尺度不变性、计算速度快、良好的鲁棒性等优点。(2)基于粗糙集的属性约简。典型的图像特征提取获得的组合特征有很多的优势,但是也含有大量的冗余信息,这些冗余信息不仅对图像识别和分类没有用,还有可能对模型的训练造成影响。为了消除新数据集的冗余信息,本文引入粗糙集的属性约简理论,简化新数据集。(3)基于一维卷积神经网络的图像识别。简化后的新特征数据集和原始图像数据集不一样,从二维的图像数据变成了一维数据,因此用一维卷积图像识别模型代替了二维卷积图像识别模型,进一步节省了运算量,提高了模型效率。实验证明,基于本文提出的方法,在同样的迭代次数下,基于粗糙集的CNN图像识别算法比典型的二维卷积神经网络图像模式识别模型有更高的图像识别度并减少了模型训练时间。本文用的基于邻域粗糙集方式对图像特征属性约简,从而实现一维CNN模型代替了传统的二维CNN模型进行图像识别,并取得良好的应用效果,实现了方法创新,具有良好的应用与推广价值。
刘赫[4](2019)在《基于粗糙集的职工幸福指数影响因素分析》文中研究指明幸福感是随着时代发展,社会进步,逐渐凸显的一个关键词。幸福感的研究在学术界越来越被重视,研究的维度也在不断加宽。幸福感的研究与社会学、经济学、心理学、统计学和管理学等内容研究逐渐融合,幸福感的研究无论是在内容上还是在方法上都有很多研究成果。本文从幸福感的研究为切入点,首先阐述幸福感研究理论与研究方法,采用宏观到微观的设计思路,针对阜新市工会职工幸福相关因素进行分析并构建了相关的量化分析系统。本研究的创新点在于在使用爬虫对网络内容进行爬取的前提下,使用了朴素贝叶斯算法对幸福关键词进行了量化研究,同时以粗糙集算法对影响职工幸福感的因素的问卷结果进行量化研究,并对两种方法获得的结果进行比对分析。具体研究内容为三个部分:第一部分,本章节计了基于朴素贝叶斯算法的博客爬虫分析系统,对爬取到的内容进行分类以及相关词汇词频整理。通过高频词汇得到与幸福相关的词汇,从而分析与之相关的因素,并对结果进行了总结。第二部分通过问卷调查的形式对影响幸福感因素进行调研。之后对爬虫爬取相关词汇的结果进行了对比分析,归纳出影响幸福感的四大分类。进而,构建职工幸福指数因素体系。深度挖掘出影响职工幸福感的各种因素,建立合理正确的评估系统,提高预判职工发展趋势的准确性,建立影响幸福指数因素的一级体系。第三部分,本文把线上线下两种途径收集的数据进行处理,从而满足数据分析的目的,主要包含几个环节:数据采集和数据离散化等处理。最后对采集到的数据使用改进规约算法进行属性约简。按照粗糙集的要求构建出决策信息系统,使用本章提出的基于相对辨识度的算法进行属性约简,从而找出影响工会职工幸福感的关键因素。通过对比分析基于朴素贝叶斯分类以及粗糙集约减的数据得出年轻人针对金钱、住房、手机等流行话题物质的幸福感相关度高,而作为职工而言则对健康、养老、医疗保险、社会安全等内容有较强的幸福感相关联系。在对以后的人类心理量化研究中可以有针对性的使用爬虫或线下的数据收集方式。同时,采用朴素贝叶斯分类或者粗糙集约减等方法对数据进行约减分析,对该类研究有一定方法论的意义。该论文有图12幅,表6个,参考文献52篇
徐波[5](2019)在《邻域粗糙集的启发式属性约简算法研究》文中指出运用邻域粗糙集理论能够直接处理数值型、符号型以及混合属性型数据,已广泛应用于人工智能、模式识别与数据挖掘等研究领域.属性约简是邻域粗糙集理论的一种具体应用,在保持原始数据分类精度不降低情况下,通过删除数据集中的冗余属性,达到简化数据集的效果.通过属性约简不仅可以缩减数据集空间占用,还能够减少直接在原始数据集上进行决策中可能带来的决策错误.基于邻域粗糙集理论,本文将对相应属性约简算法进行深入研究.主要的工作内容如下:(1)用邻域关系矩阵表示邻域关系,将邻域关系间的集合运算转化为矩阵运算,探究了邻域关系矩阵的基本性质.基于排序、邻域关系矩阵对称性和近邻搜索思想,提出了计算单属性邻域关系矩阵算法SANRM(Single Attribute Neighborhood Relation Matrix algorithm),是对传统单属性下等价关系矩阵算法SAERM(Single Attribute Equivalence Relation Matrix algorithm)的有效改进.(2)针对邻域决策信息系统的属性约简问题,围绕邻域决策误差率最小化准则不能准确反映各类分布均匀情形下的样本邻域信息粒决策信息问题,结合样本邻域信息粒度及其决策分布状况,提出了一种能有效反映条件属性子集与决策属性相关性的新度量.证明了其粒化单调性,构建了基于邻域关系矩阵的启发式属性约简算法NRMAR(Neighborhood Relation Matrix-based Attribute Reduction).UCI数据集实验分析表明,NRMAR能够有效选择属性且保持或改善数据集分类能力.(3)利用分类任务的一致性假设,提出了类标准差邻域半径自适应取值法,并将其应用于NRMAR中.UCI数据集实验表明,自适应类标准差邻域半径取值方法比固定邻域半径法进行的属性约简结果更加合理,新方法能够高效地获得更小的约简属性子集且保持或改善数据集的分类能力.由此,邻域半径的取值不再根据主观经验随意确定,可以根据具有数据集的分布特征自适应获取,因此更具有一般性.
蔡铭楷[6](2019)在《基于软集的属性约简方法的研究》文中指出在当今社会中,决策已成为一种普遍的日常行为,并被广泛应用于各个领域。由于现实世界中存在着复杂多变性,从而导致了很多信息都是不确定和模糊的,包含着这些不确定性和模糊性信息的决策问题,对人们的决策判断造成了非常大的影响。为了能进一步减少软集正规参数约简方法中的搜索空间、更加全面的反映出软集中的冗余信息、更好的处理大数据背景下的不确定性数据,本文从关联规则提取以及数据本身的角度出发,分别提出了基于局部搜索的软集最小正规参数约简方法和基于离散贡献度的软集参数约简启发式方法,具体的研究内容如下:(1)针对软集正规约简算法筛选候选参数约简集效率低和搜索的参数约简集结果不全面等问题,提出了一种基于局部搜索的软集最小正规参数约简算法。该方法通过引入频度和、等价类和最小生成元概念来构造软集参数约简的最小候选集,并利用最小生成元分布在低幂集,最小生成元的超集不在最小候选集中等性质,给出基于局部搜索的软集参数约简算法,可减少搜索空间和加速逐级搜索速度,从而提高了筛选候选参数约简集的效率及质量,降低了已有的软集参数约简算法的计算复杂度。通过实验进行对比,验证了基于局部搜索的软集最小正规参数约简算法搜索效率更高,结果更合理。(2)在研究基于0-1线性规划的软集参数约简方法的基础上,考虑软集的实际应用背景,针对软集正规参数约简算法在约简数据较大的软集时效果较差的问题,将软集与概率论结合,给出软集的软标准差和约简路径的概念,利用软标准差提出一种软集参数约简的启发式算法。通过理论和实例证明了算法的完备性,将此方法和基于0-1线性规划的软集参数约简方法进行对比分析,验证了基于离散贡献度的软集参数约简启发式方法的可行性和正确性。
王莉[7](2013)在《基于粗糙—模糊集成的分类知识发现》文中认为从数据中抽象分类模型是是知识发现的重要研究内容,而实际数据所蕴涵的不确定性、不一致性和随机性是分类知识发现面临的主要困难。粗糙集和模糊集都可以处理不确定性和不精确性问题,但是两者的侧重点不同。粗糙集研究的是不同类的集合对象之间的不可分辨性,而模糊集研究的是类与类边界的重叠性。模糊集的隶属函数大多是专家凭经验给出,而粗糙集不需要数据之外的任何先验信息。粗糙集和模糊集在处理不确定性问题上各有所长,将两者有机结合可以更好地处理实际问题。本文将连续数据作为研究对象,以分类知识发现为目的,对粗糙集和模糊集的集成方法展开了一系列研究。主要内容如下:1.根据模糊分类模型在处理分类问题上的优势,结合决策粗糙集在处理不一致性和随机性数据中的优点,提出了一种新的模糊分类模型构造方法。先对决策粗糙集模型的性质进行研究分析,在此基础之上提出了属性约简的概念及相应的算法。首先采用模糊c均值聚类算法对连续属性值离散化同时对输入空间进行模糊划分;然后利用两步搜索策略计算离散化决策表的约简集,删除冗余的条件属性;从约简后的决策表中提取决策规则,再将决策规则转换成模糊分类规则,从而建立了模糊分类模型。该模糊分类模型直接基于对数据的分析,具有结构简单、语义解释性好和泛化能力强的优点,并且不需要再利用学习算法对参数进行调节。2.指出Lingras粗k均值聚类算法的一些缺点,讨论分析了这些缺点的产生原因,在此基础上提出了一种改进的粗k均值聚类算法。改进的算法通过定义潜能来确定初始的聚类中心,并将Lingras粗k均值聚类算法计算上下近似所用的绝对距离改为相对距离。改进的算法初始聚类中心位置设置合理,对类边界的划分更加恰当,聚类效果好,性能稳定。基于改进粗k均值聚类算法,提出了一种新的模糊分类模型。采用改进粗k均值聚类算法对输入空间进行聚类从而构建初始的模糊分类系统,再利用遗传算法对初始模糊分类模型的前件参数进行优化,从而得到最终的模糊分类模型。该模糊分类模型实现了参数的准确辨识,具有较高的精度和泛化能力。3.针对决策粗糙集只能处理离散数据的局限性,提出了能够直接用于连续数据的模糊决策粗糙集模型。将决策粗糙集模型严格不可分辨关系放松至模糊T-等价关系,从模糊隶属度角度定义条件概率,构造新的概率包含关系,在此基础上建立了模糊决策粗糙集模型。还研究了模糊决策粗糙集模型的性质,并提出了模糊决策粗糙集模型属性约简的定义及相应的约简算法。为进一步研究模糊决策粗糙集在分类建模中的应用提供了理论基础。4.基于前面提出的模糊决策粗糙集模型,设计了一种基于约简的选择性多分类器集成系统。基于模糊决策粗糙集模型,利用两步随机属性约简算法,计算得到原始数据的多个不同约简。在每组约简上训练一组个体分类器,再利用遗传算法从每组个体分类器中选择部分按照相对多数投票法进行集成。该多分类器集成系统利用了不同约简所提供的互补信息,个体分类器之间的差异较大。实验研究的结果表明本文提出的多分类器集成系统具有较好的分类能力,且被集成的个体分类器数目较少。
钟潇涵[8](2013)在《基于粗糙集约简的贝叶斯网络的研究与应用》文中研究表明信息与数据的膨胀导致了描述数据的属性急剧增多,而数据量也呈爆炸式增长。海量的数据不仅使传统的数据挖掘算法建模时间过长,而且冗余的属性也可能导致学习的算法变得更复杂,进而很有可能导致模型无法准确捕获隐藏于数据中的规律。在这种背景下,粗糙集知识约简与贝叶斯网络的结合为处理膨胀的信息与数据提供了一个新的思路。本文给出了基于GINI指数的粗糙集知识约简算法,构建出基于GINI指数的粗糙集属性约简的贝叶斯网络模型,减少贝叶斯网络学习的复杂性,提高了分类的准确性。同时,本文将此模型应用于通信行业的客户流失预测中,实验结果表明,本文给出的GIBARKNC-TAN模型在客户流失应用中有较好表现,具有一定的实用价值。本文研究成果主要如下:(1)通过对国内学者提出的基于信息熵的约简算法的学习,给出2个基于GINI指数的知识约简算法——GIBARKCC算法与GIBARKNC算法,并给出算法的理论基础证明,最后通过2个实例以及仿真实验验证了算法的有效性;(2)给出基于GIBARKCC的树增广朴素贝叶斯分类模型以及基于GIBARKNC的树增广朴素贝叶斯分类模型,实验结果表明,GIBARKCC-TAN与GIBARKNC-TAN在实验数据的测试精度上比TAN高;(3)将GIBARKNC-TAN模型应用到通信行业的客户流失的预测中,并给出实证结果,最后对流失概率临界值做出讨论,并最终得到较好的预测结果。基于GINI指数的粗糙集约简的贝叶斯网络模型有效简化了构建单纯贝叶斯网络分类器的计算复杂度,且提高了分类精度,是一种切实可行的数据挖掘方法。
胡正耀[9](2012)在《基于粗糙集理论的数据约简研究与应用》文中研究表明粗糙集理论作为一种处理模糊和不确定性知识的数学工具,在数据约简方面有着广泛的应用与研究,针对传统的粗糙集理论不支持对不完备决策表的约简这个问题,扩展的粗糙集理论相继被提出,在传统粗糙集的等价关系基础上发展出了相似、容差关系、限制容差关系等,当前基于粗糙集理论的约简算法,例如可辨识矩阵以及属性重要度等,都是基于数据的约简却忽略的数据之间的关系,同时在对大规模复杂数据集进行约简时,由于理论上得到最小约简是一个NP难度问题,使得约简的效率急剧下降,从而导致约简算法的不适用和不可操作性。在分析了现有粗糙集理论约简算法的基础上,本文针对当前粗糙集约简主要面临的一些问题,提出了一种聚类反馈约简算法模型。对传统约简算法中忽略数据关系而进行约简的问题提出了一种数据关系聚类算法,通过对关联点的提取来描述数据之间的关系,通过与云模型理论结合,将模糊粗糙性与随机性进行互补,利用云模型来进行数据集的划分,结合粒计算的思想将整个算法模型设计成一个可并行运行的算法,同时通过建立虚拟节点构建聚类粒度树,以邻近传播为策略,以反馈修正为导向,使得算法是一个满足增量式的约简的要求。在构建虚拟节点时,通过隶属度分类规则的调整,以提高整体的约简效率。并在数据点、关联点的提取时引入了数据集成映射的概念,以解决不同平台数据规格的不统一问题。本文基于数据关系的聚类反馈约简算法模型在总结前人研究的基础上借鉴了多种算法模型的特点,同时运用分层的思想,对约简过程进行了一定的改进。经过模拟实验,证明该算法模型是可行的、有效的。
靳孝芳[10](2011)在《粗糙集理论在关系数据库知识发现中的应用研究》文中进行了进一步梳理随着数据库技术的逐渐成熟,数据应用的迅速普及,以及互联网的飞速发展,人类所积累的数据量正以指数级的速度增长。基于数据库的知识发现是最近几年发展起来的一门新兴技术,它处理数据库中大量的数据,挖掘出更深层次的知识、更具决策力的信息。数据挖掘是从大量的、不完全的、有噪声的、随机的、模糊的数据中,提取出隐含在其中的、人们事先不知道的、有价值的知识。其中数据预处理是整个数据挖掘的关键步骤,是数据挖掘工作进行之前的必备工作,在这个阶段进行属性的约简和数据的规范化处理。粗糙集理论是上世纪八十年代初由波兰数学家Pawlak首先提出的,它是一种处理模糊和不确定性知识的数学工具。其中属性约简是粗糙集理论的核心内容,属性约简是保持分类能力不变的前提下,删除冗余的属性。传统的属性约简算法是基于主存的算法。基于关系数据库操作的属性约简算法利用关系数据库本身的操作算子和SQL操作,能够比传统算法更加高效地进行数据挖掘。在关系数据库中如何进行属性约简,以获得最高效的数据挖掘,是本文研究的重点。本论文主要讲述数据挖掘中采用粗糙集理论和数据库理论结合进行数据预处理,即删除冗余属性、处理残缺数据和噪音数据等。论文首先论述了数据挖掘的基本概念、流程,粗糙集理论的发展。接着介绍了粗糙集的一些基本知识,讲述了粗糙集的扩展模型,对传统属性约简逐个进行算法分析,并给出算例,提出一种改进的基于属性重要度的属性约简算法。然后结合扩展的粗糙集模型实现了改进算法,该算法充分结合扩展粗糙集模型,能够处理噪音数据和残缺数据;由于改进后的算法仍有部分算法是基于主存的,其大大影响了海量数据的挖掘效率,因此结合数据库理论将基于主存的部分算法使用数据库操作计算;最后结合电子商务客户信息系统给出进行属性约简的算法应用。
二、粗糙集约简算法在知识发现中的研究与应用(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、粗糙集约简算法在知识发现中的研究与应用(论文提纲范文)
(1)图片模糊粗糙集模型及拓展研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 粗糙集理论研究进展 |
1.3 论文的主要内容和创新之处 |
1.4 本文组织结构 |
第二章 预备知识 |
2.1 Pawlak粗糙集 |
2.2 模糊粗糙集 |
2.3 图片模糊集 |
2.4 直觉模糊粗糙集 |
2.5 双论域粗糙集 |
2.6 本章小结 |
第三章 图片模糊粗糙集模型研究 |
3.1 图片模糊关系 |
3.2 图片模糊粗糙集模型 |
3.3 图片模糊信息系统的不确定性度量 |
3.3.1 图片模糊信息系统的知识粒度 |
3.3.2 图片模糊信息系统的信息熵 |
3.3.3 图片模糊信息系统的粗糙熵 |
3.3.4 图片模糊信息系统的粗糙粒度 |
3.3.5 图片模糊粗糙集的粗糙熵 |
3.3.6 图片模糊信息系统不确定性度量之间的关系 |
3.4 图片模糊粗糙集的属性约简 |
3.4.1 图片模糊粗糙集属性约简算法 |
3.4.2 图片模糊粗糙集约简实例 |
3.5 本章小结 |
第四章 双论域图片模糊粗糙集模型 |
4.1 双论域图片模糊粗糙集模型 |
4.2 双论域图片模糊信息系统的不确定性度量 |
4.2.1 双论域图片模糊信息系统的知识粒度 |
4.2.2 双论域图片模糊信息系统的信息熵 |
4.2.3 双论域图片模糊信息系统的粗糙熵 |
4.2.4 双论域图片模糊信息系统的粗糙粒度 |
4.2.5 双论域图片模糊粗糙集的粗糙熵 |
4.2.6 双论域图片模糊信息系统不确定性度量之间的关系 |
4.2.7 双论域图片模糊信息系统不确定性度量实例 |
4.3 双论域图片模糊粗糙集的属性约简 |
4.3.1 双论域图片模糊粗糙集属性约简算法 |
4.3.2 双论域图片模糊粗糙集约简实例 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
个人简历 |
(2)基于条件熵的邻域粗糙集属性约简算法及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 粗糙集属性约简算法研究现状 |
1.3 信息熵理论研究现状 |
1.4 基于主S-N曲线法的焊接接头疲劳寿命分析研究现状 |
1.5 研究内容及结构安排 |
本章小结 |
第二章 理论基础 |
2.1 粗糙集理论 |
2.1.1 粗糙集 |
2.1.2 邻域粗糙集 |
2.1.3 算例分析 |
2.2 信息论理论 |
2.2.1 信息论的提出 |
2.2.2 基于信息论的粗糙集模型 |
2.2.3 基于信息论的邻域粗糙集模型 |
本章小结 |
第三章 基于条件熵的邻域粗糙集属性约简算法 |
3.1 邻域粗糙集属性约简的典型算法 |
3.1.1 邻域粗糙集前向搜索快速属性约简算法 |
3.1.2 基于改进鱼群的邻域粗糙集属性约简算法 |
3.2 基于条件熵的邻域粗糙集属性约简算法 |
3.2.1 NRSBCE算法流程 |
3.2.2 算法步骤 |
3.3 实验分析 |
3.3.1 数据集及实验环境 |
3.3.2 实验相关准备 |
3.3.3 约简结果比较实验 |
3.3.4 约简率比较实验 |
3.3.5 分类准确率比较实验 |
本章小结 |
第四章 基于改进邻域粗糙集的主S-N曲线拟合优化 |
4.1 焊接接头疲劳决策系统 |
4.1.1 焊接接头疲劳试验数据库 |
4.1.2 疲劳决策系统属性约简 |
4.2 主S-N曲线拟合 |
4.2.1 三种S-N曲线表达式 |
4.2.2 主S-N曲线拟合结果 |
4.3 疲劳特征域定义及划定方法 |
4.4 基于疲劳特征域的主S-N曲线簇拟合 |
本章小结 |
第五章 基于疲劳特征域的焊接接头疲劳分析系统的研发 |
5.1 基于疲劳特征域的焊接接头疲劳分析系统研发背景 |
5.2 基于疲劳特征域的焊接接头疲劳分析系统总体设计方案 |
5.3 系统的功能设计与实现 |
5.3.1 登陆界面的设计实现 |
5.3.2 主界面的设计实现 |
5.3.3 S-N曲线拟合界面的设计实现 |
5.3.4 划分疲劳特征域界面的设计实现 |
5.3.5 算法比较分析界面的设计实现 |
5.4 系统评价分析与总结 |
本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(3)基于粗糙集的CNN图像识别算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题依据及研究意义 |
1.2 国内外研究现状 |
1.2.1 图像识别研究现状 |
1.2.2 粗糙集研究现状 |
1.2.3 卷积神经网络研究现状 |
1.3 论文研究内容与技术路线 |
1.3.1 论文研究内容 |
1.3.2 论文研究的技术路线 |
1.4 论文结构介绍 |
1.5 主要成果与创新 |
1.6 本章小结 |
第2章 粗糙集及粗糙集属性约简原理简介 |
2.1 粗糙集理论简介 |
2.2 知识表示 |
2.3 知识约简原理简介 |
2.4 决策表属性的约简算法 |
2.4.1 一般属性约简算法 |
2.4.2 基于重要度的属性约简算法 |
2.4.3 基于可辨识矩阵的属性约简算法 |
2.5 本章小结 |
第3章 卷积神经网络基本原理简介 |
3.1 人工神经网络基本原理简介 |
3.1.1 感知器 |
3.1.2 多层感知器 |
3.1.3 BP算法 |
3.2 卷积神经网络基本原理简介 |
3.2.1 卷积神经网络的结构 |
3.2.2 局部连接和权值共享 |
3.2.3 卷积操作 |
3.2.4 池化层 |
3.2.5 Softmax回归 |
3.2.6 一维卷积神经网络 |
3.3 本章小结 |
第4章 图像特征提取和邻域粗糙集属性约简 |
4.1 图像特征提取算法 |
4.1.1 HOG特征提取方法 |
4.1.2 SIFT特征提取方法 |
4.1.3 SURF特征提取方法 |
4.2 邻域粗糙集属性约简的基本原理简介 |
4.2.1 邻域粗糙集基本理论 |
4.2.2 邻域粗糙集特征约简算法 |
4.3 图像特征组合和约简效果分析 |
4.3.1 图像特征提取与组合 |
4.3.2 图像特征约简及其效果分析 |
4.4 本章小结 |
第5章 基于粗糙集的CNN图像识别算法实现 |
5.1 模拟实验数据集的选择和图像识别评价标准 |
5.2 基于经典卷积神经网络图像识别 |
5.3 基于粗糙集的卷积神经网络图像识别 |
5.3.1 提取特征 |
5.3.2 邻域粗糙集属性约简 |
5.3.3 网络基本结构 |
5.4 实验结果与分析 |
5.5 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(4)基于粗糙集的职工幸福指数影响因素分析(论文提纲范文)
致谢 |
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与研究意义 |
1.2 国内外研究现状 |
1.3 研究目的与研究内容 |
1.4 研究思路与研究方法 |
1.5 研究创新点 |
1.6 本章小结 |
2 朴素贝叶斯理论和粗糙集理论概述 |
2.1 朴素贝叶斯理论研究 |
2.2 朴素贝叶斯分类 |
2.3 粗糙集理论研究 |
2.4 粗糙集应用研究 |
2.5 数据库中发现知识 |
2.6 粗糙集中的属性规约 |
2.7 朴素贝叶斯和粗糙集的关系 |
2.8 本章小结 |
3 基于朴素贝叶斯的幸福感分析系统 |
3.1 基于大数据的职工幸福感因素抓取框架 |
3.2 职工幸福感量化系统的设计 |
3.3 本章小结 |
4 幸福感分类及影响因素 |
4.1 心理学幸福感的分类 |
4.2 职工幸福感因素研究 |
4.3 职工幸福感调查设计 |
4.4 本章小结 |
5 基于粗糙集的职工幸福指数影响因素分析 |
5.1 基于粗糙集的职工幸福指数影响因素分析过程 |
5.2 构建工会职工幸福指数因素体系 |
5.3 数据处理 |
5.4 属性约简 |
5.5 结果分析 |
5.6 本章小结 |
6 总结与展望 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(5)邻域粗糙集的启发式属性约简算法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容 |
1.4 论文组织结构 |
2 基础知识与理论 |
2.1 经典粗糙集相关知识 |
2.2 邻域粗糙集 |
2.2.1 邻域粒化 |
2.2.2 邻域粗糙集逼近 |
2.2.3 邻域决策系统 |
2.3 基于邻域粗糙集的启发式属性约简 |
2.4 约简属性子集的评价指标 |
2.5 本章小结 |
3 基于邻域关系矩阵的属性约简算法 |
3.1 引言 |
3.2 基于邻域关系矩阵的属性约简 |
3.2.1 邻域关系矩阵相关概念与性质 |
3.2.2 基于邻域关系矩阵的属性约简相关概念 |
3.3 基于邻域关系矩阵的属性约简算法设计 |
3.3.1 单属性邻域关系矩阵算法 |
3.3.2 基于邻域关系矩阵的属性约简算法 |
3.4 UCI数据集实验分析 |
3.4.1 实验环境 |
3.4.2 实验数据集的邻域半径选取 |
3.4.3 约简属性子集数目、分类准确率与运行时长比较 |
3.5 本章小结 |
4 基于类标准差邻域半径自适应取值方法 |
4.1 邻域半径取值与邻域信息粒大小的关系分析 |
4.2 基于类标准差的邻域半径取值方法 |
4.3 基于类标准差邻域半径的属性约简算法 |
4.4 UCI数据集实验验证与分析 |
4.4.1 实验环境 |
4.4.2 邻域半径取值分析 |
4.4.3 约简属性子集数目、分类准确率与运行时长比较 |
4.5 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
在校期间的科研成果 |
致谢 |
(6)基于软集的属性约简方法的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状与发展趋势 |
1.3 论文主要内容与创新 |
1.4 论文结构安排 |
第二章 相关理论基础 |
2.1 软集模型 |
2.1.1 软集的定义 |
2.1.2 软集的运算 |
2.1.3 软集的表示形式 |
2.2 信息系统 |
2.2.1 知识表达与信息系统 |
2.2.2 信息系统的知识约简 |
2.3 本章小结 |
第三章 软集正规参数约简方法 |
3.1 软集理论的参数约简概述 |
3.2 基于软集理论的参数约简方法 |
3.3 基于参数重要度的软集正规参数约简方法 |
3.4 基于参数和的软集正规参数约简方法 |
3.5 基于0-1 线性规划的软集参数约简方法 |
3.5.1 构造软集正规参数约简的主导支持矩阵 |
3.5.2 基于0-1 线性规划的软集正规参数约简方法 |
3.5.3 基于0-1 线性规划的软集伪参数约简方法 |
3.6 本章小结 |
第四章 基于局部搜索的软集最小正规参数约简 |
4.1 软集在参数集上诱导的等价类 |
4.2 基于局部搜索的软集最小正规约简算法 |
4.3 算例分析与对比 |
4.4 本章小结 |
第五章 基于离散贡献度的软集参数约简启发式算法 |
5.1 参数集与标准差的定义 |
5.2 启发式算法的约简方法 |
5.3 算例分析与对比 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 对未来工作展望 |
参考文献 |
致谢 |
研究生期间参与的项目和获得的科研成果 |
(7)基于粗糙—模糊集成的分类知识发现(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 知识发现 |
1.1.2 分类 |
1.2 现有的分类方法 |
1.2.1 决策树分类方法 |
1.2.2 贝叶斯分类方法 |
1.2.3 KNN分类方法 |
1.2.4 神经网络分类方法 |
1.2.5 SVM分类方法 |
1.2.6 模糊集分类方法 |
1.2.7 粗糙集分类方法 |
1.2.8 基于融合技术的分类方法 |
1.3 粗糙集与模糊集结合的研究 |
1.3.1 粗糙集与模糊集的比较 |
1.3.2 粗糙-模糊集成方法的文献综述 |
1.4 论文的研究内容及篇章结构 |
第2章 预备知识 |
2.1 引言 |
2.2 粗糙集的发展历史 |
2.3 粗糙集的基本概念 |
2.3.1 信息系统和决策表 |
2.3.2 不可分辨关系 |
2.3.3 上下近似集 |
2.3.4 属性约简与核 |
2.4 模糊集的基本概念 |
2.4.1 模糊集合 |
2.4.2 模糊算子 |
2.4.3 模糊关系 |
2.5 基于经典粗糙集的属性约简算法 |
2.6 粗糙集的理论与应用研究 |
2.7 粗糙集拓展模型 |
2.8 本章小结 |
第3章 基于决策粗糙集的模糊分类模型 |
3.1 引言 |
3.2 决策粗糙集模型及属性约简 |
3.2.1 决策粗糙集模型的定义 |
3.2.2 决策粗糙集模型的性质 |
3.2.3 决策粗糙集的约简理论 |
3.3 基于决策粗糙集的模糊分类系统 |
3.3.1 FC_DTRS的设计流程 |
3.3.2 输入变量的选择 |
3.3.3 输入变量模糊子集的确立 |
3.3.4 模糊规则的建立 |
3.3.5 模糊推理 |
3.4 实验分析 |
3.4.1 TSAR_DTRS约简算法性能测试 |
3.4.2 FC_DTRS模型性能测试 |
3.5 本章小结 |
第4章 基于改进粗K均值聚类的模糊分类模型 |
4.1 引言 |
4.2 基于改进粗K均值聚类的模糊分类模型 |
4.2.1 FC_IRKM的设计流程 |
4.2.2 粗k均值聚类算法 |
4.2.3 改进的粗k均值聚类算法 |
4.2.4 初始FC_IRKM的构建 |
4.2.5 模糊分类模型的学习 |
4.3 实验分析 |
4.3.1 改进的粗k均值聚类算法性能测试 |
4.3.2 基于改进粗k均值聚类的模糊分类模型性能测试 |
4.4 本章小结 |
第5章 模糊决策粗糙集模型及其属性约简 |
5.1 引言 |
5.2 模糊决策粗糙集模型 |
5.2.1 模糊粒化 |
5.2.2 粗糙近似算子 |
5.3 基于模糊决策粗糙集的属性约简 |
5.4 算例分析 |
5.5 实验分析 |
5.6 本章小结 |
第6章 基于模糊决策粗糙集约简的多分类器集成系统 |
6.1 引言 |
6.2 基于模糊决策粗糙集约简的多分类器集成系统 |
6.3 个体分类器的构造 |
6.4 个体分类器的选择 |
6.5 实验分析 |
6.6 应用实例 |
6.7 本章小结 |
第7章 总结与展望 |
7.1 主要工作与创新点 |
7.2 研究展望 |
参考文献 |
致谢 |
攻博期间发表和录用的论文 |
攻博期间参与的科研项目 |
附录一 MATLAB主要程序清单 |
附录二 变压器故障诊断数据集 |
(8)基于粗糙集约简的贝叶斯网络的研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 粗糙集 |
1.2.2 贝叶斯网络 |
1.3 研究思路与研究内容 |
1.3.1 研究思路 |
1.3.2 研究内容 |
第二章 相关理论及知识 |
2.1 粗糙集理论概述 |
2.2 知识约简 |
2.4 贝叶斯网络的概述 |
2.5 贝叶斯网络学习 |
2.5.1 贝叶斯网络的参数学习 |
2.5.2 贝叶斯网络的结构学习 |
2.6 主要贝叶斯网络模型 |
2.6.1 朴素贝叶斯网络 |
2.6.2 树增广朴素贝叶斯网络 |
2.6.3 无约束贝叶斯网络 |
2.7 本章小结 |
第三章 基于 GINI 指数的粗糙集知识约简算法 |
3.1 问题的提出 |
3.2 基于互信息的知识约简算法 |
3.3 基于 GINI 指数的知识约简算法 |
3.3.1 GINI 指数定义及相关定理讨论 |
3.3.2 GIBARKCC 算法 |
3.3.3 GIBARKNC 算法 |
3.3.4 实例分析 |
3.3.5 实验分析 |
3.4 本章小结 |
第四章 基于粗糙集约简的贝叶斯网络 |
4.1 问题的提出 |
4.2 基于粗糙集约简的贝叶斯网络学习算法 |
4.3 实验分析 |
4.4 本章小结 |
第五章 基于粗糙集约简的贝叶斯网络的应用 |
5.1 问题提出 |
5.2 数据理解 |
5.3 数据处理 |
5.4 模型建立 |
5.5 模型评价 |
5.5.1 评价图 |
5.5.2 评价指标 |
5.5.3 测试集预测 |
5.5.4 概率临界值调整 |
5.6 模型应用 |
5.7 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附录 |
(9)基于粗糙集理论的数据约简研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 问题提出的背景及意义 |
1.2 国内外研究现状 |
1.3 本文的主要工作 |
1.4 本文的结构安排 |
第二章 粗糙集理论 |
2.1 粗糙集理论的产生与发展 |
2.2 粗糙集理论的相关概念 |
2.3 模糊聚类 |
2.3.1 常见的模糊聚类算法 |
2.3.2 模糊聚类过程 |
2.4 粗糙集理论的特点 |
2.5 本章小结 |
第三章 属性选择与数据约简 |
3.1 约简与属性选择 |
3.1.1 属性选择的核心思想 |
3.1.2 近似约简与动态约简 |
3.2 基于粗糙集的数据约简 |
3.2.1 基本的约简与属性选择算法 |
3.2.2 扩展的粗糙集模型 |
3.2.3 相似、容差关系 |
3.3 粗糙集理论与其他理论的结合 |
3.4 本章小结 |
第四章 一种新的基于粗糙集的分层聚类反馈约简算法模型 |
4.1 基于粗糙集的数据关系聚类 |
4.2 聚类方法 |
4.2.1 相关概念与定义 |
4.2.2 聚类反馈过程 |
4.2.3 基于粗糙集的数据关系聚类算法 |
4.3 隶属度分类处理 |
4.3.1 隶属度分类的过程 |
4.3.2 隶属度分类的界限设定 |
4.4 聚类的约简 |
4.4.1 聚类的约简过程 |
4.4.2 聚类约简方案 |
4.4.3 约简算法 |
4.5 粗糙集理论的聚类约简模型 |
4.6 本章小结 |
第五章 实验数据验证与分析 |
5.1 粗糙集理论工具简介 |
5.2 模拟实验结果与分析 |
5.2.1 模拟数据获取 |
5.2.2 结果分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
致谢 |
附录A 攻读学位期间发表的论文 |
详细中英文摘要 |
(10)粗糙集理论在关系数据库知识发现中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 知识发现概述 |
1.2.1 知识发现流程 |
1.2.2 数据预处理的重要性 |
1.3 数据挖掘概述 |
1.3.1 数据挖掘的主要方法 |
1.4 粗糙集理论发展概述 |
1.5 本文创新点 |
1.6 本文主要研究内容 |
第二章 粗糙集理论概念 |
2.1 粗糙集基本概念 |
2.1.1 知识、论域 |
2.1.2 不可分辨关系 |
2.1.3 上下近似 |
2.1.4 信息系统与决策表 |
2.1.5 约简与核 |
2.1.6 相对约简与相对核 |
2.1.7 属性重要度 |
2.1.8 信息熵 |
2.2 粗糙集扩展模型 |
2.2.1 变精度粗糙集模型 |
2.2.2 相容关系粗糙集模型 |
2.3 本章小结 |
第三章 粗糙集属性约简算法 |
3.1 删除法 |
3.2 利用差别矩阵的约简算法 |
3.2.1 算法原理 |
3.2.2 算例 |
3.2.3 算法分析 |
3.3 利用属性重要度约简算法 |
3.3.1 决策表相对求核算法 |
3.3.2 决策表的属性约简算法 |
3.3.3 算例 |
3.3.4 算法分析 |
3.4 利用信息熵约简算法 |
3.4.1 决策表相对求核算法 |
3.4.2 决策表的属性约简算法 |
3.4.3 算例 |
3.4.4 算法分析 |
3.5 改进的基于属性重要度的约简算法 |
3.5.1 算法理论证明 |
3.5.2 算法原理 |
3.5.3 算例 |
3.5.4 算法分析 |
3.6 本章小结 |
第四章 扩展粗糙集模型属性约简算法 |
4.1 对噪音数据的处理 |
4.1.1 变精度粗糙集模型 |
4.1.2 变精度粗糙集模型属性约简算法思想 |
4.1.3 计算属性重要度的算法 |
4.1.4 变精度粗糙集模型属性约简算法 |
4.1.5 算法时间复杂度分析 |
4.2 对残缺数据的处理 |
4.2.1 残缺数据产生的原因 |
4.2.2 残缺数据常见处理方法及局限性 |
4.2.3 相容关系粗糙集模型 |
4.2.4 相容关系粗糙集模型算法思想 |
4.2.5 判别有残缺数据的属性算法 |
4.2.6 计算属性重要度的算法 |
4.2.7 相容关系粗糙集模型属性约简算法 |
4.2.8 算法时间复杂度分析 |
4.3 本章小结 |
第五章 改进的基于数据库系统的粗糙集属性约简算法 |
5.1 基于数据库操作的粗糙集核心概念 |
5.2 基于数据库操作的粗糙集相关算法 |
5.2.1 求取变精度粗糙集模型属性重要度的算法 |
5.2.2 求取相容关系粗糙集模型属性重要度的算法 |
5.3 数据库性能调优 |
5.3.1 增加主键 |
5.3.2 建立索引 |
5.3.3 修改配置文件 |
5.4 基于数据库操作的粗糙集约简算法与传统算法性能比较 |
5.5 本章小结 |
第六章 基于粗糙集和数据库系统的知识发现原型系统设计 |
6.1 电子商务信息系统属性约简概述 |
6.2 开发环境及应用技术 |
6.2.1 MyEclipse |
6.2.2 MySQL |
6.2.3 属性约简算法 |
6.3 系统结构设计 |
6.4 系统功能设计 |
6.4.1 数据采集 |
6.4.2 数据访问 |
6.4.3 属性约简 |
6.4.4 结果输出 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
攻硕期间取得的成果 |
四、粗糙集约简算法在知识发现中的研究与应用(论文参考文献)
- [1]图片模糊粗糙集模型及拓展研究[D]. 赵星宇. 青海师范大学, 2021(09)
- [2]基于条件熵的邻域粗糙集属性约简算法及其应用[D]. 李虹欣. 大连交通大学, 2020(06)
- [3]基于粗糙集的CNN图像识别算法研究[D]. 根绒切机多吉. 成都理工大学, 2019(02)
- [4]基于粗糙集的职工幸福指数影响因素分析[D]. 刘赫. 辽宁工程技术大学, 2019(07)
- [5]邻域粗糙集的启发式属性约简算法研究[D]. 徐波. 四川师范大学, 2019(01)
- [6]基于软集的属性约简方法的研究[D]. 蔡铭楷. 青海师范大学, 2019(01)
- [7]基于粗糙—模糊集成的分类知识发现[D]. 王莉. 南京大学, 2013(03)
- [8]基于粗糙集约简的贝叶斯网络的研究与应用[D]. 钟潇涵. 华南理工大学, 2013(S2)
- [9]基于粗糙集理论的数据约简研究与应用[D]. 胡正耀. 武汉科技大学, 2012(02)
- [10]粗糙集理论在关系数据库知识发现中的应用研究[D]. 靳孝芳. 电子科技大学, 2011(07)