| 【中文题名】 | 随机信息系统与知识获取 |
| 【英文题名】 | |
| 【学科专业】 | 系统理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-8-25 |
| 【中关键词】 | 粗糙集,随机集,信息系统,数据挖掘,可辨识矩阵,证据理论 |
| 【英关键词】 | rough sets,random sets,information systems,data mining,discernibility matrix,theory of evidence,mass function., |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 粗糙集理论是20世纪80年代初由波兰数学家Pawlak Z.提出的一种用于数据分析的数学理论。自20世纪90年代起,该理论日益受到重视,并成为国际信息科学的研究热点之一。二十多年来,粗糙集理论研究逐步深入,并已在机器学习、模式识别、决策分析、过程控制、数据库知识发现、专家系统等领域获得成功应用。
粗糙集理论的核心算子是从近似空间导出的一对非数值型算子-上近似算子与下近似算子,这一对近似算子是整个粗糙集理论与应用的基础。本文跟踪国际学术前沿,在Pawlak Z.粗糙集的推广模型(程度粗糙集模型),以及在与之相关的随机集的基础理论上进行知识获取方法的研究。在理论和应用方面取得了以下主要成果:
(1) 基于程度粗糙集理论与包含度理论,引入了目标信息系统中的k上、下近似约简及k上、下分布约简的概念,并讨论了它们之间的关系。
(2) 在随机信息系统和随机决策系统中,根据不可辨识关系,提出了不可辨识属性矩阵的概念,给出了在证据理论下,基于不可辨识属性矩阵的约简算法,该算法与基于可辨识属性矩阵算法相比,在时间和存储空间上都有较大的改善和提高。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
绪论 |
8-11 |
|
0.1 研究背景 |
8-10 |
|
0.2 本文的组织结构 |
10-11 |
|
第一章 粗糙集理论概述 |
11-23 |
|
1.1 知识与分类 |
11-12 |
|
1.2 信息系统与决策表 |
12-13 |
|
1.3 粗糙集的基本概念 |
13-16 |
|
1.3.1 不精确范畴 |
13 |
|
1.3.2 上近似、下近似 |
13 |
|
1.3.3 粗糙集的特征 |
13-15 |
|
1.3.4 近似分类问题的不精确性的数字刻画 |
15-16 |
|
1.4 基于粗糙集的知识理论 |
16-20 |
|
1.4.1 知识约简 |
16-17 |
|
1.4.2 属性的约简 |
17-18 |
|
1.4.3 可辨识矩阵与不可辨识矩阵 |
18-20 |
|
1.5 程度粗糙集模型 |
20-21 |
|
1.6 粗集理论的应用及存在问题 |
21-23 |
|
第二章 随机集基本概念 |
23-29 |
|
2.1 随机集与证据理论 |
23-25 |
|
2.1.1 随机集 |
23 |
|
2.1.2 证据理论 |
23-24 |
|
2.1.3 证据理论与rough集的关系 |
24-25 |
|
2.2 随机信息系统与知识发现 |
25-27 |
|
2.3 证据理论的应用及存在问题 |
27-29 |
|
第三章 基于程度粗糙集理论的知识约简方法 |
29-34 |
|
3.1 程度粗糙集模型 |
29-30 |
|
3.2 程度粗糙集模型上的知识约简 |
30-32 |
|
3.3 小结 |
32-34 |
|
第四章 基于不可辨识矩阵和证据理论的数据挖掘方法 |
34-45 |
|
4.1 随机信息系统的知识约简算法 |
34-38 |
|
4.1.1 理论描述与证明 |
34-35 |
|
4.1.2 基于不可辨识矩阵与证据理论的约简算法 |
35-38 |
|
4.2 随机决策系统的知识约简与规则提取 |
38-44 |
|
4.2.1 可辨识矩阵与不可辨识矩阵 |
38-41 |
|
4.2.2 决策规则挖掘方法 |
41 |
|
4.2.3 知识约简与规则挖掘算法描述 |
41-44 |
|
4.2.4 实例比较结果 |
44 |
|
4.3 小结 |
44-45 |
|
致谢 |
45-46 |
|
参考文献 |
46-50 |
|
附录A (攻读学位期间发表论文目录) |
50 |
|
| 【DOI】 | LunWen.ID:2.2008.387911 |
