粗糙集数据挖掘方法及其在相关决策问题中的应用

论文摘要

数据挖掘是从数据库中抽取隐含的、以前未知的、具有潜在应用价值的信息的过程。粗糙集理论是一种用于处理不确定性和含糊性知识的数学工具,由于其本身具有的一些特点,比如它采用数据驱动的方法、无需任何辅助信息、易于处理离散数据并容易与关系型数据库相融和等,因此特别适合于知识发现和数据挖掘的任务。本文首先深入研究了粗糙集数据挖掘中的决策表约简问题,包括属性约简和属性值约简。关于属性约简,在总结现有约简方法的基础上,改进了一种基于区分矩阵的属性约简算法,又将粗糙集理论与智能算法相结合,提出了一种基于蚁群优化算法的属性约简方法。其次,在值约简方面,提出了一种较快捷的基于属性值重要性排序的值约简方法。粗糙集模型扩充方面,主要讨论了不完备信息系统及其属性约简问题,给出了一个基于遗传算法的属性约简方法。最后,根据前几章的讨论,设计实现了一个粗糙集数据挖掘系统模型,并将该模型应用于基于B/S结构的飞行机组人为差错防范训练系统中。该模型系统具有良好的人机交互界面和通用性,涵盖了数据挖掘的一般过程,具有一定的实际应用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文选题背景与意义
• 1.2 粗糙集理论的发展及研究现状
• 1.3 粗糙集理论基础
• 1.4 论文主要内容及安排
• 第二章 决策信息系统属性约简算法研究
• 2.1 引言
• 2.2 相关概念
• 2.3 几种典型的属性约简算法及其分析
• 2.3.1 基于区分矩阵的属性约简算法
• 2.3.2 基于属性依赖度的算法
• 2.3.3 基于分类质量的算法
• 2.3.4 基于信息熵的算法
• 2.3.5 算法比较与分析
• 2.4 基于一种改进区分矩阵的属性约简方法
• 2.4.1 基于Skoworn 区分矩阵的属性约简方法的局限性
• 2.4.2 改进的区分矩阵定义及其性质
• 2.4.3 基于改进区分矩阵的属性约简算法
• 2.4.4 实例分析
• 2.5 基于蚁群算法的属性约简方法
• 2.5.1 蚁群优化算法（ACO）简介
• 2.5.2 基于蚁群优化算法的属性约简
• 2.5.3 实验结果及比较分析
• 2.6 本章小结
• 第三章 决策信息系统属性值约简算法研究
• 3.1 引言
• 3.2 基本概念
• 3.3 几种常见的值约简算法
• 3.4 一种基于属性值重要性排序的值约简算法
• 3.4.1 相关定义
• 3.4.2 基于属性值重要性排序的值约简算法
• 3.4.3 实例分析
• 3.5 本章小结
• 第四章 一种扩展粗糙集模型及其属性约简算法
• 4.1 引言
• 4.2 不完备信息系统与相容关系
• 4.3 相关子集与决策属性支持度
• 4.4 条件属性对决策重要性的度量
• 4.5 基于容差关系的不完备信息系统属性约简遗传算法
• 4.5.1 遗传算法的基本原理
• 4.5.2 遗传约简算法的实施
• 4.5.3 实例分析
• 4.6 本章小结
• 第五章 粗糙集数据挖掘方法在飞行机组人为差错防范系统中的应用
• 5.1 数据挖掘概述
• 5.2 粗糙集理论与数据挖掘
• 5.3 基于粗糙集数据挖掘的机组人为差错防范训练系统
• 5.3.1 系统应用背景及意义
• 5.3.2 系统结构
• 5.3.3 知识发现阶段的设计与实现
• 5.3.4 基于B/S 结构训练阶段的设计与实现
• 5.4 本章小结
• 结论与展望
• 致谢
• 参考文献
• 作者简介