导读:本文包含了模糊粗糙集模糊约简论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:粗糙,模糊,粒度,属性,矩阵,邻域,直觉。
模糊粗糙集模糊约简论文文献综述
赵晋欢,王长忠[1]（2019）在《基于模糊粗糙集的辨识矩阵属性约简方法》一文中研究指出通过构造辨识矩阵进行属性约简是一种有效的降低数据维度的方法.然而,经典粗糙集构造的辨识矩阵的局限性在于并不适用于连续型数据,只适用于离散型数据.因此,本文研究在模糊粗糙集下的辨识矩阵属性约简模型,并讨论该模型的相关数学性质,提出相应的算法来对连续型数据进行属性约简.通过实例验证该方法是有效的.(本文来源于《渤海大学学报(自然科学版)》期刊2019年02期）
梁美社[2]（2019）在《基于辨识矩阵的多伴随模糊粗糙集属性约简》一文中研究指出属性约简是信息系统中知识发现的重要过程.已有的多伴随模糊粗糙集模型中,通过定义模糊L-测度得到的属性约简均为水平α下的近似约简.针对这个问题,在多伴随模糊粗糙集模型的基础上,通过定义新的模糊不可辨识关系,构造了属性约简的可辨识矩阵,讨论了约简的计算方法和相关性质,得到了模糊决策信息系统的精确属性约简,并利用实例对其进行了分析和证明.(本文来源于《石家庄职业技术学院学报》期刊2019年02期）
梁美社,米据生,冯涛[3]（2018）在《广义优势多粒度直觉模糊粗糙集的属性约简》一文中研究指出证据理论和多粒度粗糙集模型的结合已成为知识挖掘中的热点研究之一,其建立的模型已被应用于不完备、覆盖、模糊等信息系统,但在直觉模糊决策信息系统中还未见相关讨论。首先,在直觉模糊决策信息系统中利用叁角模和叁角余模定义了3种优势关系,得到了3种优势类,并构造了广义优势关系多粒度直觉模糊粗糙集模型;其次,基于证据理论,讨论了广义多粒度直觉模糊粗糙集的信任结构;然后,通过定义粒度重要性和属性重要性给出了属性约简方法;最后,通过实例说明了该模型在处理直觉模糊决策信息系统时是有效的。(本文来源于《计算机科学》期刊2018年10期）
刘金平,张五霞,唐朝晖,何捷舟,徐鹏飞[4]（2019）在《基于模糊粗糙集属性约简与GMM-LDA最优聚类簇特征学习的自适应网络入侵检测》一文中研究指出网络入侵方式已日趋多样化,其隐蔽性强且变异性快,开发灵活度高、适应性强的实时网络安全监测系统面临严峻挑战.对此,提出一种基于模糊粗糙集属性约简(FRS-AR)和GMM-LDA最优聚类簇特征学习(GMM-LDA-OCFL)的自适应网络入侵检测(ANID)方法.首先,引入一种基于模糊粗糙集(FRS)信息增益率的属性约简(AR)方法以实现网络连接数据最优属性集选择;然后,提出一种基于GMM-LDA的最优聚类簇特征学习方法,以获得正常模式特征库和入侵模式库的最优特征表示,同时引入模式库自适应更新机制,使入侵检测模型能够适应网络环境动态变化. KDD99数据集和基于Nidsbench的网络虚拟仿真实验平台的入侵检测结果表明,所提出的ANID方法能有效适应网络环境动态变化,可实时检测出真实网络连接数据中的各种入侵行为,其性能优于当前常用的入侵检测方法,应用前景广阔.(本文来源于《控制与决策》期刊2019年02期）
任晓霞,薛凡[5]（2018）在《基于模糊邻域粗糙集的启发式属性约简算法》一文中研究指出属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中,大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果,首先在已有的模糊邻域粗糙集模型中定义属性依赖度度量,然后根据粒计算理论中知识粒度的概念,在模糊邻域粗糙集模型下提出了模糊邻域粒度度量。由于属性依赖度和知识粒度代表了不同视角的属性评估方法,因此将这两种方法结合起来用于信息系统的属性重要度评估,最后给出一种启发式属性约简算法。实验结果表明,所提出的算法具有较好的属性约简性能。(本文来源于《计算机工程与应用》期刊2018年09期）
李兵洋,肖健梅,王锡淮[6]（2019）在《基于多目标邻域差分进化和模糊粗糙集的属性约简算法》一文中研究指出作为粗糙集的一种推广,模糊粗糙集在属性约简中的应用尤为重要.约简规模和约简依赖度作为评判约简性能的两个重要指标,分别对应着约简的效率以及精度.传统的约简算法通常以追求约简的最大依赖度为导向进行寻优,并没有直接考虑约简的规模大小.基于此,强调所得约简的规模大小在约简运算中的重要性,并提出一种基于邻域变异信息的多目标差分算法,在约简运算中将约简的规模也作为单独的优化目标,将属性约简问题转化为多目标优化问题,综合考虑约简在属性数量和依赖度两方面的性能.通过引入目标支配排序,使得可以从属性数量和依赖度误差两方面对所得约简的性能进行约束,并得到目标约束内的约简结果.选取UCI上的数据集进行实验分析,实验结果表明,所提算法可以在目标约束内得到更加全面的约简结果,具有一定的可行性,是一种有效的约简算法.(本文来源于《控制与决策》期刊2019年05期）
胡谦[7]（2018）在《多粒度模糊粗糙近似空间的信任结构与属性约简》一文中研究指出粗糙集理论是有效地处理不完备、不确定性数据的一种数学工具,被广泛地应用在人工智能和数据挖掘等领域.近年来,把模糊集与粗糙集相结合用于研究实际问题中的不确定性成为粗糙集研究的主流方向之一.经典的粗糙集理论是建立在等价关系(粒度)上的,然而单粒度空间无法用于描述粒计算理论中多视角的概念.多粒度的提出可以很好地解决这一问题,为使多粒度模型更适用于实际数据,提高模型的适用性,模糊思想被引入到多粒度粗糙集模型中.本文构建了基于经典与模糊关系下的多粒度模糊粗糙集模型,并给出多粒度模糊粗糙集的乐观与悲观上下近似.结合模糊集的分解定理,将多粒度模糊粗糙集用一簇经典的集合表示出来,并建立了经典与模糊的信任结构,在该信任结构下根据悲观多粒度模糊粗糙集的上、下近似构造出了信任函数与似然函数,并举例说明乐观多粒度模糊粗糙集的上、下近似的概率值不能做为信任函数与似然函数的度量.最后研究了多粒度模糊粗糙集的约简,并给出相关算法.(本文来源于《河北师范大学》期刊2018-03-19）
赵天娜[8]（2018）在《多伴随模糊粗糙集的属性约简与叁支决策》一文中研究指出传统的模糊粗糙集采用一对叁角模与蕴涵算子构造近似算子,未考虑属性之间的差别,而多伴随模糊粗糙集采用多个伴随对构造近似算子,更好地体现了用户偏好.多伴随对与模糊信息系统的结合是当前人工智能领域研究的热点问题之一.本文主要研究以下几个方面的内容:第一,提出一种新的权重的定义方式,推广了多伴随模糊粗糙集的概念,引入带权重多伴随模糊粗糙集的概念.结合实际情况给出不同的伴随对,以表达明确的用户偏好.根据属性的区分能力和属性权重,得到基于多伴随模糊粗糙集的有区分能力的带权重约简算法.通过两个实例解释了本部分所给的概念和结论.第二,决策粗糙集提供了一个处理不确定数据和风险数据决策问题的新方法.基于决策粗糙集的叁支决策理论是典型的风险决策理论的推广.将代价引入多伴随模糊粗糙集中,构造代价敏感多伴随模糊决策粗糙集模型,考虑更加全面,决策更合理,更贴近实际生活.建立基于代价敏感多伴随模糊粗糙集的叁支决策模型,构造关于乐观概率的代价敏感多伴随模糊粗糙集的期望损失函数,以最小风险原则为依据,诱导出叁支决策.第叁,构造了多伴随直觉模糊粗糙集模型,研究了基于多伴随直觉模糊粗糙集的叁支决策.首先,定义了乐观多伴随直觉模糊粗糙集,并用于处理直觉模糊数的复杂计算问题.然后利用隶属函数和非隶属函数计算损失函数,通过期望损失函数对事件对象进行评估,进一步构造了相应的叁支决策模型.基于期望损失函数值最小的原则诱导出叁支决策,并得到相应决策的风险值.此模型中期望损失函数的构造是基于支持度与非支持度两种度量的综合讨论,考虑更全面,更能有效地反映实际生活情况,满足用户偏好.最后用医学诊断的例子来验证该模型的有效性.(本文来源于《河北师范大学》期刊2018-03-19）
李京政,杨习贝,王平心,陈向坚[9]（2018）在《模糊粗糙集的稳定约简方法》一文中研究指出属性约简是粗糙集理论研究的核心内容。目前已有的研究成果往往是根据分类性能、代价或不确定性等一些度量来定义及求解约简,并未充分考虑数据扰动有可能对约简结果产生的波动影响。为解决这一问题,提出了一种可以求解稳定约简的启发式算法框架:首先,在全体样本集上利用多次聚类进行多重采样以得到若干边界样本集合;其次,利用集成策略,对每一个属性在所有边界样本集合上求得的重要度进行融合;最后,选择重要度较高的属性加入到约简集合中。在8个UCI数据集上将新算法与传统算法进行对比分析,实验结果表明当数据发生扰动时,所提出的方法不仅能够有效地提升求解约简的时间效率与约简结果的稳定性,而且依据约简所求得分类结果的稳定性也有显着增强。(本文来源于《南京理工大学学报》期刊2018年01期）
万志超,宋杰,沈永良[10]（2018）在《可变直觉模糊多粒度粗糙集模型及其近似分布约简算法》一文中研究指出为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。(本文来源于《计算机应用》期刊2018年02期）
模糊粗糙集模糊约简论文开题报告
（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：
属性约简是信息系统中知识发现的重要过程.已有的多伴随模糊粗糙集模型中,通过定义模糊L-测度得到的属性约简均为水平α下的近似约简.针对这个问题,在多伴随模糊粗糙集模型的基础上,通过定义新的模糊不可辨识关系,构造了属性约简的可辨识矩阵,讨论了约简的计算方法和相关性质,得到了模糊决策信息系统的精确属性约简,并利用实例对其进行了分析和证明.
（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。
模糊粗糙集模糊约简论文参考文献
[1].赵晋欢,王长忠.基于模糊粗糙集的辨识矩阵属性约简方法[J].渤海大学学报(自然科学版).2019
[2].梁美社.基于辨识矩阵的多伴随模糊粗糙集属性约简[J].石家庄职业技术学院学报.2019
[3].梁美社,米据生,冯涛.广义优势多粒度直觉模糊粗糙集的属性约简[J].计算机科学.2018
[4].刘金平,张五霞,唐朝晖,何捷舟,徐鹏飞.基于模糊粗糙集属性约简与GMM-LDA最优聚类簇特征学习的自适应网络入侵检测[J].控制与决策.2019
[5].任晓霞,薛凡.基于模糊邻域粗糙集的启发式属性约简算法[J].计算机工程与应用.2018
[6].李兵洋,肖健梅,王锡淮.基于多目标邻域差分进化和模糊粗糙集的属性约简算法[J].控制与决策.2019
[7].胡谦.多粒度模糊粗糙近似空间的信任结构与属性约简[D].河北师范大学.2018
[8].赵天娜.多伴随模糊粗糙集的属性约简与叁支决策[D].河北师范大学.2018
[9].李京政,杨习贝,王平心,陈向坚.模糊粗糙集的稳定约简方法[J].南京理工大学学报.2018
[10].万志超,宋杰,沈永良.可变直觉模糊多粒度粗糙集模型及其近似分布约简算法[J].计算机应用.2018
论文知识图
