摘要：对粗糙集理论中不相容决策表的约简问题进行了研究。引入关联规则中支持度和置信度的概念,并重新定义了这两个概念。利用粗糙集中上近似概念的特点,提出一种将上近似用于不相容决策表的约简算法。通过一个实例介绍了该算法的基本步骤。算法对各规则能计算出各自的支持度和置信度,能实现对不相容决策表的约简。

摘要：在经典的多粒度粗糙集模型中,属性值细化和粗化后的下近似、上近似变化并不明显,因此在处理实际问题时存在一定局限性。该文首先构造了属性值细化和粗化时的可调节多粒度粗糙集,讨论了可调节多粒度粗糙集下、上近似的一些性质,并设计了相应的增量算法。最后在实验部分中,通过调节数据集、属性集的大小对增量算法和原有的静态算法的计算时间进行比较。实验结果表明提出的可调节多粒度粗糙集在细化和粗化时的增量算法可以更加准确、高效地处理大型数据。

摘要：粗糙集理论的一个重要研究方面是用已定义的概念来近似未定义的概念,而如何构建可定义概念以及如何确定近似运算是这一工作的基础。利用粗糙集这一工具,从概念格的角度来确定可定义概念,并在此基础上研究了概念的粗糙近似。根据粗糙集上下近似的包含关系,得到概念的一种新的上下近似的运算的定义。粗糙集近似理论利用两种不同的近似运算,产生两种不同的近似来描述概念格背景下的对象集合。

摘要：针对训练样本较大时KNN算法(K最近邻算法)的分类效率较低和训练样本不均衡时算法的分类性能受到影响这两个问题,提出变精度粗糙集的加权KNN文本分类算法。利用变精度粗糙集上下近似的概念,将各个类别的训练集分为β正区域和β边界域。分类过程中根据测试样本与样本中心的相似度,得到样本的归属区域。其中属于β正区域的样本可以直接判断其类别,其它区域的样本用基于数量加权的KNN算法判断其类别。实验结果表明,该算法能有效提高分类的性能和效率。