一、基于粗集理论的知识发现(论文文献综述)
王蓉[1](2015)在《基于粗集理论和Informax ICA的听、视觉诱发电位提取算法研究》文中研究表明诱发电位是中枢神经系统对外界刺激做出的电反应。它所包含的信息对评价人体神经功能、诊断神经系统疾病等方面具有重要的意义。诱发电位具有微弱、强非线性、强耦合性、信噪比低等特征,从强干扰环境中提取0.1uV的听、视觉诱发电位信号成为国内外研究的前沿课题。目前,临床上广泛使用的是平均叠加技术,它虽然简单方便,但是需要测试多次,测试者易疲劳;且丢失大量的动态信息无法准确描述诱发电位的动态特性。随着生理信号领域多年的不断发展,多种不同算法被深入研究用来提取诱发电位。小波阈值去噪法、建立人工神经网络非线性逼近诱发电位模型、分离信噪比高的独成分分析算法,小波变换和独立成分分析结合的WICA算法、小波结合神经网络算法等。本文重点研究了运用粗集理论与Informax IC A相结合的方法来提取脑干听觉诱发电位和翻转模式视觉诱发电位。采集的诱发电位信噪比低,含有很多频率高于诱发电位和与诱发电位频带相同并混合重叠的强噪声信号。针对Informax ICA无法有效地提取低信噪比信号的缺陷,本文提出先将采集信号进行粗集理论预处理,提高诱发电位信噪比,预处理后信号通过Informax ICA算法分离出频带相互重叠的诱发电位和噪声,提取得到诱发电位波形。信号预处理时,根据听、视觉诱发电位各自波形的特征,将极点时间间隔阈值%:分别设置为0.45ms、0.69ms来去除部分高频噪声。通过分析粗集预处理后信号的频谱、功率谱密度估计、信噪比、均方差等参数,并且与平均叠加预处理的信号相比较可知,粗集理论比平均叠加技术更有效的去除脑干听觉诱发电位和翻转模式视觉诱发电位中的高频噪声,提高信噪比。最后将基于粗集理论和InformaxICA相结合算法提取的诱发电位波形分别与平均叠加技术提取的波形、Informax ICA提取的波形进行对比。分析、对比三种算法分别提取的脑干听觉诱发波形的Ⅰ-Ⅲ、Ⅲ-Ⅳ/Ⅴ, Ⅰ-Ⅳ/Ⅴ峰间潜伏期和翻转模式视觉诱发电位的P100波出现时间,基于粗集理论和Informax ICA相结合的方法能够更真实、有效地提取到脑干听觉诱发波形和翻转模式视觉诱发电位波形,为临床医学检测提供技术手段和体感诱发电位的提取提供新的思路。
安利平,陈增强[2](2013)在《基于粗集的多准则决策分析》文中进行了进一步梳理多准则决策分析(MCDA)用于解决分类、分级、选择、排序和描述问题,随着现实世界正变得由数据所驱动,传统的MCDA方法面临着更多的挑战.粗集方法是MCDA的有用工具,在多准则决策问题的分类框架下,从二元关系的角度对粗集方法的研究现状进行了评述,包括二元关系的建立、定义粗糙近似、导出决策规则和规则应用,并通过文献研究得出了基于粗集的MCDA方法的发展动态.
杨希瑾[3](2012)在《基于粗集理论的多准则分级决策问题研究》文中进行了进一步梳理现代管理的核心问题就是决策,而在现实的决策问题中,多准则决策问题占有相当大的比重。粗集理论的一些重要特性使它能够适用于解决多准则分级决策问题。对于输入信息,也就是在分级决策问题中的决策者经验决策数据,粗集理论既能够处理定量数据,也能够处理定性数据,并且不需要在分析之前去除不一致性的数据。对于输出信息,粗集理论能够在没有任何额外的属性间的偏好信息的情况下,获取关于处理问题的特定属性的陈述。近年来,决策者发现决策规则的可理解性对于他们来说是十分重要的。这就使得粗集理论在多准则决策问题中的研究日益受到重视。本文研究的是多准则分级决策问题,这类问题是将一个对象集合指定到预先定义的具有优劣顺序的决策类集合中。本文在大量研究基于粗集理论的多准则分级决策问题的文献的基础上,通过研究基于支配关系的粗糙近似,建立了基于支配关系的粗集方法的多准则分级决策的一般求解步骤,运用算例分析了过程,并讨论了定量属性的支配关系。通过葡萄酒质量分级的实例,在考虑决策属性的支配关系和不考虑决策属性的支配关系两种情况下,对两种决策规则处理对象的结果进行了比较,并对考虑决策属性的支配关系下获取的决策规则的优势进行了分析,丰富了多准则分级决策问题研究的理论。本文基于粗集理论的研究为多准则分级决策问题的解决提供了借鉴。
蔡莉[4](2009)在《基于粗集求核和属性约简算法研究与应用》文中认为粗集理论是一种处理不精确、不一致、不完整信息的数据分析工具,不需要提供问题所需处理的数据集合之外的任何先验信息,可直接对数据进行分析和推理,从中发现隐含的知识,揭示潜在的规律。粗集理论已广泛地应用于机器学习、数据库知识发现、决策分析、模式识别、医疗诊断和专家系统等领域。在粗集理论中,约简与核是两个最重要的基本概念。约简是指在保持分类能力不变的前提下,删除冗余的属性。核是所有约简的交集,其核属性的计算往往是决策信息约简过程的出发点和关键。寻求快速的求核和属性约简算法是粗集理论研究的重要内容之一。本论文针对粗集求核和属性约简算法进行了研究,主要工作如下:首先,本文研究了求取决策表核属性的经典算法,分析了时间复杂度和空间复杂度,提出一种效率更高的计算核属性的算法,通过例子说明算法的具体过程并验证了算法的正确性。其次,本文研究了基于差别矩阵的属性约简算法及其局限性,提出了一种基于依赖度的决策表属性约简算法,该算法不需求核运算,节省了时间和空间,简化了求解过程。最后,本文分析了中医数据的特点,介绍基于粗集理论的中医数据预处理方法,并给出了一个中医诊断应用实例。
林冬梅[5](2009)在《PCNN与粗集理论在生物细胞图像处理中的应用研究》文中研究说明脉冲耦合神经网络(PCNN)有着生物学的背景,同时,粗集理论具有优秀的能根据事物的特征进行分类的能力,将两者结合,应用于数字图像处理有其他方法无可比拟的优势。本论文首先分析了PCNN与粗集理论相结合应用于图像处理的可行性,并针对生物细胞图像的处理问题,进行了尝试性研究,完成了如下工作:1.针对较亮区域是背景,而较暗区域含有较多目标细节,被噪声严重污染,且对比度较小的生物细胞图像,提出了基于PCNN赋时矩阵与粗集理论的图像增强新算法。由实验结果可知,该算法能够有效地提高图像对比度、获得较好的增强效果;还可以有效抑制噪声,保留图像细节,图像增强效果优于传统方法。2.针对成像设备及成像原理的缺陷,结合PCNN与粗集理论,提出了多聚焦植物细胞图像融合方法。实验结果表明,该算法无论在客观性能方面还是在视觉效果方面均具有明显的优势,且具有良好的抗噪性能,能有效保留图像边缘、纹理等细节信息,融合结果图像清晰。算法简单,易于实现。3.在分析了对生物细胞图像进行版权保护的必要性之后,提出了一种新的空频域结合的二重数字图像水印算法,用于生物细胞图像的水印处理。仿真结果表明,该算法具有较好的不可见性及较强的鲁棒性,是一种有效可行的数字图像水印算法。
周序生,王志明[6](2009)在《粗糙集和神经网络方法在数据挖掘中的应用》文中研究说明提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。
姚前,陈舜,谢立,张军[7](2008)在《一种基于粗集理论的遗传分类算法》文中认为本文提出了一种基于粗集理论的遗传分类算法,该算法可以无需任何辅助信息,只根据数据自身提供的信息对数据进行简化,提取有用的特征,并求得相应的规则。同时,还提出了一种基于属性重要度的分辨矩阵简化方法,该方法可提高对条件属性的约简效率。
刘旭[8](2007)在《基于粗集和神经网络的销售预测研究》文中研究指明商品销售是一个高度复杂的非线性动态系统,其变化规律即有一定的自身的趋势性,又受政治的、经济的、心理的诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对销售市场的研究中面临着许多困难,而神经网络具有自组织、自适应等特点,能自动从历史数据中提取有关经济活动中的知识,因而非常适用于解决销售预测领域中的一些问题,已有大量的仿真结果表明,神经网络在销售预测应用中有一定的实用性。神经网络是利用非线性映射的思想和并行处理的方法,用本身结构表达输入与输出关系知识的隐函数编码,输入空间与输出空间的映射关系是通过网络结构不断学习、调整、最后得到网络的特定结构表达,实现有导师学习。但其一股不能处理具有语义形式的输入,并且不能简化信息空间维数,当输入信息空间维数规模较大时,网络结构复杂、训练时间过长。粗集理论基于属性依赖性、约简、核、规则提取和可辨识矩阵等概念,实现对信息系统的预处理,去除冗余属性和冗余样本,压缩信息空间维数,精简知识系统,论文在分析研究这两种方法的基础上,提出了一种基于粗集理论和神经网络的预测模型。粗集可以作为前置系统从商品销售数据中挖掘出影响销售的几种较重要的属性。在不降低数据一致性的前提下,最终得到尽可能精简的属性集。以此尽可能地减少神经网络的输入,而又不影响网络对事件的检测能力。从而减少神经网络的复杂度和训练时间,提高预测的速度和精度。论文将神经网络与粗集理论相结合,这种基于粗集理论的神经网络模型和学习算法具有学习速度快、容错能力较强、在提高神经网络预测精度的同时降低了学习负担。为了获得更优的预测精度,还采用组合神经网络结构。将该模型用于一酒业的销售预测应用中,并对更单一预测模型分别进行了实证分析和比较研究。最后,对全文所做的工作进行了总结,并对下一步研究工作进行了展望。
高晓红[9](2007)在《基于粗集理论的机器学习》文中进行了进一步梳理机器学习是人工智能的一个重要研究领域。机器学习就是使机器获取知识的唯一途径。简单地说机器学习就是研究如何使用机器来模拟人类学习活动的一门学科。机器学习的基本目标是使计算机具有学习的能力,模拟或实现人类的学习活动,它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法。机器学习在许多领域中都有成功的运用,但是随着发展的深入和要求的提高,有关知识获取以及如何处理知识的模糊性或不确定性等问题逐渐显示出来。目前机器学习的水平远远不能满足实际的需求。其根本原因在于系统的知识表示和处理的理论方法上没有取得突破。如何获得不准确或不确切的知识和关系,并在此基础上做出正确的结论就成为机器学习所需要解决的一个问题。粗集理论作为人工智能中的一个新学术热点,能有效地处理不完整、不确定知识的表达和推理,其有效性已在许多领域的应用中得到证实。粗集理论无需任何先验信息,能有效地分析和处理不精确、不一致、不完整等不完备性数据,通过发现数据间隐藏的关系,揭示潜在的规律,从而提取有用信息,简化信息的处理。粗集理论还提供了一套从数据中自动获取知识的工具,即知识约简。因此将粗集理论的知识获取方法和知识的约简引入到机器学习具有广泛的前景。属性约简和属性值约简是基于粗集理论进行有导师学习的基础。本文在分析经典约简算法的基础上,根据粗集理论中属性的依赖度和重要度等性质,提出了一种改进的约简方法,以获取简洁的决策规则,从而提高了有导师学习的效率。接着讨论了粗集理论在机器学习中涉及几个重要问题的概念和研究方法。针对机器学习中数据库的动态变化有两种情况(1)增加实例;(2)实例不变,增加条件属性。本文首先提出了一种基于粗集理论的增量式属性约简算法,由该算法得到的属性约简与传统算法得到的属性约简结果相同,但该算法不仅降低了时间复杂度而且其分类质量一般要优于原来的分类质量。然后深入分析了基于分辨矩阵和传统决策矩阵的归纳学习算法中存在的问题,提出了一种新的决策矩阵及基于它的归纳学习和动态数据环境下的递增式学习方法。其主要思想是基于决策类将决策系统分割为多个子系统,并构造其新的决策矩阵,然后将决策系统上的归纳学习转化为新决策矩阵下的递增式学习。这不仅解决了动态数据环境下的归纳学习问题,而且能降低矩阵空间规模,避免了传统决策算法中的重复计算。实例分析和实验结果验证了基于分治策略算法的合理性和有效性。因此,这两种方法可适应机器学习中数据库的动态变化,满足了动态机器学习的要求。
陈书林[10](2007)在《基于粗集理论的遥感影像分类知识发现研究》文中提出由于近年来对地观测技术、数据库技术、网络技术的飞速发展,以及观测台站建设的普及和不断完善,包括资源、环境、灾害等在内的各种空间数据呈指数级增长。如何从这些空间数据中挖掘出人们所需要的知识是一个极具吸引力和挑战性的研究领域。遥感数据作为空间数据的重要组成部分,如何自动地从遥感数据中获取隐含的知识是目前首要解决的问题,也是目前空间数据挖掘面临的瓶颈问题。由于遥感数据具有复杂性和不确定性的特点,传统的数理统计方法并不能完全有效地处理这种不确定性。粗集理论作为一门新兴的不确定性处理理论和工具,特别适合于处理不完整、不确定知识和数据的表达、学习和归纳。本文拟应用粗集理论和方法,将遥感影像表达的信息看成一个知识表达系统,系统研究了粗集理论在遥感影像分类知识发现各个阶段的不同应用,并设计实现了基于粗集理论的遥感影像分类知识发现模型。研究工作重点和创新之处主要体现在:①系统研究了遥感影像不确定原理以及粗集理论处理不确定性问题的机制,并探讨粗集理论处理遥感影像不确定性的理论基础。②遥感影像特征离散化可以有效地提高影像分类的效率和精度,本文探讨并设计实现了解决遥感影像特征离散化问题的方案。③知识约简是粗集理论在特征规则提取过程中的关键步骤,由于传统知识约简算法的时间和空间复杂度都很高,本文提出了一种基于相似矩阵和区分矩阵的知识约简算法。④根据知识约简提取出来的规则,本文设计实现了基于粗集理论的影像分类器,并对分类出来的影像进行精度评价,证明该分类器的有效性。⑤本文提出基于粗集理论的遥感影像分类知识发现模型。遥感数据处理过程中的不确定性处理问题直接关系到处理分析效果的好坏,良好的处理机制有助于提高处理能力和效率。
二、基于粗集理论的知识发现(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、基于粗集理论的知识发现(论文提纲范文)
(1)基于粗集理论和Informax ICA的听、视觉诱发电位提取算法研究(论文提纲范文)
摘要 |
Abstract |
目录 |
Contents |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要研究内容 |
第二章 听视觉诱发电位特性和EP采集系统 |
2.1 诱发电位信号概述 |
2.1.1 脑干听觉诱发电位形成机理及特征 |
2.1.2 翻转视觉诱发电位形成机理及特征 |
2.2 EP信号采集处理系统 |
2.3 诱发电位信号采集 |
2.3.1 BAEP信号的采集 |
2.3.2 PRVEP信号的采集 |
2.4 本章小结 |
第三章 基于粗集理论的诱发电位预处理算法 |
3.1 粗集理论 |
3.1.1 粗集理论的发展 |
3.1.2 粗集理论的应用与价值 |
3.1.3 粗集理论的基本概念 |
3.2 基于粗集理论的诱发电位预处理 |
3.2.1 粗集理论预处理诱发电位 |
3.2.2 BAEP信号预处理结果与分析 |
3.2.3 PRVEP信号预处理结果与分析 |
3.3 本章小结 |
第四章 独立分量分析提取诱发电位 |
4.1 ICA基本模型 |
4.1.1 ICA基础理论 |
4.1.2 信息论基础知识 |
4.1.3 不确定性 |
4.2 ICA独立性判据 |
4.2.1 互信息极小化判据 |
4.2.2 极大似然估计判据 |
4.2.3 高阶统计量判据 |
4.3 Informax ICA提取诱发电位结果与分析 |
4.3.1 Infomax ICA提取诱发电位 |
4.3.2 Infomax ICA提取BEAP波形结果与分析 |
4.3.3 Infomax ICA提取PRVEP波形结果与分析 |
4.4 本章小结 |
第五章 基于粗集和Informax ICA的诱发电位提取 |
5.1 EP信号采集与处理系统硬件完成情况 |
5.2 基于粗集理论和Informax ICA算法的BAEP提取结果与分析 |
5.3 基于粗集理论和Informax ICA算法的PRVEP提取结果与分析 |
5.4 小结 |
总结与展望 |
参考文献 |
攻读学位期间发表论文 |
致谢 |
(3)基于粗集理论的多准则分级决策问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
§1-1 研究背景及意义 |
1-1-1 研究背景 |
1-1-2 研究意义 |
§1-2 国内外研究现状 |
1-2-1 多准则决策问题研究现状 |
1-2-2 基于粗集理论的多准则决策问题研究现状 |
1-2-3 基于粗集理论的多准则分级决策问题研究现状 |
§1-3 本文主要研究内容 |
第二章 相关基础理论 |
§2-1 粗集理论的基本概念 |
2-1-1 二元关系及其性质 |
2-1-2 粗集的上下近似集 |
2-1-3 信息系统与决策表 |
2-1-4 属性的依赖性及约简 |
2-1-5 可辨识矩阵 |
§2-2 决策表的离散化 |
2-2-1 离散化问题描述 |
2-2-2 离散化算法介绍 |
2-2-3 MDLP 算法 |
第三章 基于支配关系的粗集方法的多准则分级决策问题 |
§3-1 基于支配关系的粗糙近似 |
§3-2 决策规则的导出 |
§3-3 基于支配关系的粗集方法的多准则分级决策 |
§3-4 算例及分析 |
§3-5 对于建立定量属性的支配关系的讨论 |
第四章 相关试验分析 |
§4-1 葡萄酒的质量分级问题 |
§4.2 葡萄酒质量分级的数据挖掘方法 |
§4-3 实验原始数据与数据预处理 |
4-3-1 基本的数据预处理方法 |
4-3-2 实验原始数据来源 |
4-3-3 数据的预处理 |
§4-4 不考虑决策属性的支配关系下的约简和规则提取 |
§4-5 考虑决策属性的支配关系下的约简和规则提取 |
§4-6 规则检验及对比分析 |
第五章 总结与展望 |
§5-1 总结 |
§5-2 局限与展望 |
5-2-1 研究局限 |
5-2-2 研究展望 |
参考文献 |
致谢 |
(4)基于粗集求核和属性约简算法研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
致谢 |
第一章 引言 |
1.1 数据挖掘概述 |
1.1.1 数据挖掘技术产生的背景 |
1.1.2 数据挖掘的定义及主要步骤 |
1.1.3 数据挖掘系统的分类 |
1.1.4 数据挖掘的方法 |
1.1.5 数据挖掘的应用 |
1.1.6 数据挖掘面临的问题 |
1.2 本文结构 |
1.3 本章小结 |
第二章 粗集理论 |
2.1 粗集理论概述 |
2.1.1 粗集理论研究概况 |
2.1.2 粗集理论的基本思想 |
2.1.3 粗集理论的特点 |
2.1.4 粗集知识发现系统 |
2.1.5 粗集理论的研究方向 |
2.2 粗集理论的基本概念 |
2.2.1 信息系统 |
2.2.2 不可分辨关系 |
2.2.3 等价类 |
2.2.4 集合的近似 |
2.2.5 属性约简与核 |
2.2.6 相对约简和相对核 |
2.3 本章小结 |
第三章 决策表系统核属性求解算法研究 |
3.1 决策表系统核属性经典算法概述 |
3.2 经典算法求取核属性的时间复杂度和空间复杂度 |
3.3 改进的求取核属性的算法 |
3.3.1 相关定义及性质 |
3.3.2 算法描述 |
3.3.3 算法正确性 |
3.3.4 算法复杂度分析 |
3.4 算法应用实例 |
3.5 本章小结 |
第四章 基于粗集的属性约简算法研究 |
4.1 属性约简的作用与算法研究 |
4.2 基于差别矩阵的属性约简算法及其局限性 |
4.2.1 算法基本思想 |
4.2.2 算法的局限性 |
4.2.3 改进的差别矩阵的属性约简算法 |
4.3 基于依赖度的决策表属性约简算法 |
4.3.1 属性的依赖性 |
4.3.2 算法实现 |
4.3.3 算法正确性 |
4.3.4 算法的实验结果及效率分析 |
4.4 算法应用实例 |
4.5 本章小结 |
第五章 粗集数据挖掘在中医领域的应用 |
5.1 中医学的优势及发展前景 |
5.2 中医临床数据的特点 |
5.3 目前应用于中医辅助诊断的数据挖掘方法 |
5.4 实验原始数据及数据预处理 |
5.4.1 基本数据预处理方法 |
5.4.2 实验原始数据来源 |
5.4.3 实验原始数据的预处理 |
5.5 建立决策表信息系统 |
5.6 属性约简及规则提取 |
5.7 根据规则进行诊断测试 |
5.8 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
(5)PCNN与粗集理论在生物细胞图像处理中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 脉冲耦合神经网络 |
1.1.1 脉冲耦合神经网络原理及模型 |
1.1.2 脉冲耦合神经网络特性分析 |
1.1.3 脉冲耦合神经网络在数字图像处理中的应用 |
1.2 粗集理论 |
1.2.1 粗集理论的基本概念 |
1.2.2 粗集理论的应用 |
1.3 脉冲耦合神经网络与粗集理论结合应用于数字图像处理 |
1.4 研究内容与论文安排 |
第二章 PCNN赋时矩阵与粗集理论用于细胞图像增强 |
2.1 图像增强方法 |
2.1.1 空域增强 |
2.1.2 频域增强 |
2.2 基于PCNN赋时矩阵与粗集理论的细胞图像增强新算法 |
2.2.1 PCNN简化模型及赋时矩阵 |
2.2.2 算法描述 |
2.2.3 算法模拟结果及分析 |
2.3 本章小结 |
第三章 PCNN与粗集理论用于多聚焦细胞图像融合 |
3.1 图像融合 |
3.1.1 图像融合的概念 |
3.1.2 图像融合的分类及方法 |
3.2 多聚焦图像融合 |
3.2.1 多聚焦图像融合的概念 |
3.2.2 传统的多聚焦图像融合方法及其性能分析 |
3.2.3 多聚焦图像融合技术评价方法 |
3.2.4 多聚焦图像融合方法发展方向 |
3.3 PCNN与粗集理论用于多聚焦细胞图像融合 |
3.3.1 算法原理及实现过程 |
3.3.2 实验结果分析 |
3.4 本章小结 |
第四章 基于PCNN与粗集理论的空频域二重数字水印算法 |
4.1 数字水印的定义 |
4.2 数字水印技术的应用 |
4.3 数字图像水印的原理及框架 |
4.4 数字图像水印的基本特点 |
4.5 数字图像水印的方法及其性能评估 |
4.5.1 数字图像水印的方法 |
4.5.2 数字图像水印方法的性能评估 |
4.6 多重数字图像水印技术 |
4.7 基于PCNN与粗集理论的空频域二重水印算法 |
4.7.1 小波变换 |
4.7.2 算法描述及实验结果 |
4.7.3 算法鲁棒性评价 |
4.7.4 结论 |
4.8 本章小结 |
第五章 总结与展望 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(6)粗糙集和神经网络方法在数据挖掘中的应用(论文提纲范文)
1 基本原理 |
1.1 决策表 |
1.2 方法与主要步骤 |
1.3 属性约简 |
1.4 规则抽取 |
2 基于rough set和neural network数据挖掘算法 |
2.1 基于粗集理论和神经网络的数据挖掘主算法 |
2.2 基于粗集理论的属性约简子算法 |
2.3 基于粗集理论的规则抽取子算法 |
3 实验结果与分析 |
3.1 IBM数据库 |
3.2 Breast数据库 |
4 结束语 |
(7)一种基于粗集理论的遗传分类算法(论文提纲范文)
1 引言 |
2 粗集理论与遗传算法的基本概念与原理 |
2.1 粗集理论的基本概念 |
2.1.1 知识表达系统 |
2.1.2 不可分辨等价关系与分辨矩阵 |
2.1.3 下近似与上近似 |
2.1.4 约简与核 |
2.2 遗传算法的基本原理 |
2.3 分类学习的基本要求 |
3 基于粗集的遗传分类算法 |
3.1 基于粗集的遗传分类算法的结构 |
3.2 连续属性值离散化 |
3.3 基于粗集的遗传分类算法 |
3.3.1 属性约简 |
3.3.2 属性值约简 |
3.3.3 一致性判断 |
3.3.4 基于遗传算法的规则挖掘 |
3.3.5 告警关联规则的提取 |
3.3.6 后处理 |
4 基于粗集的遗传分类算法的描述 |
(8)基于粗集和神经网络的销售预测研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
§1-1 选题背景 |
§1-2 预测的涵义及应考虑的因素 |
§1-3 销售预测的方法分析 |
1-3-1 销售预测方法概述 |
1-3-2 时间序列法 |
1-3-3 灰色理论预测法 |
1-3-4 人工神经网络法 |
1-3-5 其他方法 |
§1-4 选题的意义目的和课题研究的主要内容 |
1-4-1 选题的意义 |
1-4-2 课题研究的主要目的 |
1-4-3 课题研究的主要内容 |
1-4-4 论文的章节安排 |
第二章 关于粗集理论的分析 |
§2-1 粗集理论 |
2-1-1 粗集理论方法 |
2-1-2 粗集理论基本定义 |
2-1-3 粗集理论的特点 |
2-1-4 粗集理论应用的国内外现状 |
§2-2 数据预处理 |
2-2-1 数据预处理的必要性 |
2-2-2 数据预处理的处理过程 |
§2-3 数据补齐 |
§2-4 连续属性的离散化 |
2-4-1 数据离散化的概念 |
2-4-2 离散化过程及其评价标准 |
2-4-3 基于粗集理论的典型离散化方法 |
§2-5 属性约简 |
2-5-1 数据属性约简 |
2-5-2 属性约简过程及评价标准 |
2-5-3 几种常用属性约简算法 |
第三章 人工神经网络理论分析 |
§3-1 人工神经网络 |
3-1-1 人工神经网络的含义 |
3-1-2 人工神经网络在预测方面的发展现状 |
§3-2 人工神经网络的特点及理论局限性 |
§3-3 神经网络用于预测的步骤 |
§3-4 几种常用于预测的神经网络 |
3-4-1 BP神经网络 |
3-4-2 RBF神经网络 |
3-4-3 小波神经网络 |
3-4-4 组合神经网络模型 |
第四章 基于粗集和神经网络的预测模型的设计 |
§4-1 粗集理论与神经网络相结合的基础分析 |
§4-2 粗集神经网络的销售预测模型设计 |
4-2-1 预测模型设计的基本思想 |
4-2-2 组合神经网络结构设计 |
§4-3 预测模型的检验指标 |
第五章 销售预测模型的实现方案与实例验证 |
§5-1 企业的经营销售情况分析 |
§5-2 基于粗集和神经网络的预测模型在酒业销售中的应用 |
5-2-1 数据采集 |
5-2-2 数据预处理 |
5-2-3 数据的属性约简 |
5-2-4 数据的归一化 |
5-2-5 神经网络预测模型的软件实现 |
§5-3 预测结果对比 |
§5-4 小结 |
第六章 结论及展望 |
§6-1 论文的工作总结 |
§6-2 进一步的研究工作 |
参考文献 |
致谢 |
攻读学位期间所取得的科学研究成果 |
(9)基于粗集理论的机器学习(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题概述 |
1.1.1 课题背景 |
1.1.2 机器学习的发展及国内外研究现状 |
1.1.3 粗集理论现状、发展及其应用概况 |
1.2 论文结构 |
第二章 粗集理论 |
2.1 知识与分类 |
2.2 粗集的基本概念 |
2.2.1 知识库与不可分辨关系 |
2.2.2 粗集的下近似集和上近似集 |
2.2.3 近似与成员关系 |
2.2.4 知识约简 |
2.2.5 知识表达系统 |
2.2.6 决策表 |
2.2.7 区分矩阵与区分函数 |
2.3 粗集理论的特点 |
第三章 机器学习概述 |
3.1 机器学习的基本定义 |
3.2 机器学习的类型与特点 |
3.2.1 机器学习的类型 |
3.2.2 机器学习的一般特点 |
3.3 机器学习系统的基本原理与结构 |
3.4 机器学习发展的历史回顾与发展趋势 |
第四章 粗集理论在静态机器学习中的应用研究 |
4.1 知识约简在机器学习中的应用 |
4.2 一种改进的基于粗集理论的有导师学习方法 |
4.2.1 引言 |
4.2.2 传统的粗集属性约简算法 |
4.2.3 改进的粗集属性约简算法 |
4.2.3.1 改进算法的思想 |
4.2.3.2 改进后的约简算法 |
4.2.4 改进算法与原算法的比较 |
4.2.5 实例分析 |
4.2.6 小结 |
4.3 知识学习的学习质量 |
4.4 知识学习的充分性 |
4.5 导师知识的完备性 |
4.6 本章小结 |
第五章 粗集理论在动态机器学习中的应用研究 |
5.1 一种基于粗集理论的增量式属性约简算法 |
5.1.1 引言 |
5.1.2 相对区分矩阵、绝对区分矩阵和条件属性代价P |
5.1.3 算法的基本思想与具体步骤 |
5.1.3.1 算法的基本思想 |
5.1.3.2 算法的具体步骤 |
5.1.4 算法验证与分析 |
5.1.5 小结 |
5.2 一种多类决策系统的递增式粗集归纳学习方法 |
5.2.1 引言 |
5.2.2 分辨矩阵 |
5.2.3 分割数据集和获取规则的方法 |
5.2.3.1 数据集分割方法 |
5.2.3.2 决策矩阵中规则获取方法 |
5.2.4 粗集归纳学习及其动态数据环境下的归纳学习 |
5.2.4.1 粗集归纳学习算法 |
5.2.4.2 递增式粗集归纳学习算法 |
5.2.4.3 应用实例 |
5.2.4.4 实验结果 |
5.2.5 小结 |
5.3 粗集理论在动态机器学习中的应用 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 后续研究工作的展望 |
致谢 |
参考文献 |
附录(攻读学位期间发表的论文目录) |
(10)基于粗集理论的遥感影像分类知识发现研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
§1-1 研究背景及意义 |
§1-2 粗集理论研究与应用现状 |
§1-3 遥感影像信息处理研究现状 |
§1-4 主要研究内容 |
第二章 遥感影像的不确定性 |
§2-1 空间数据不确定性的来源 |
2-1-1 客观世界的不确定性 |
2-1-2 人类认知的不确定性 |
2-1-3 空间数据获取误差 |
2-1-4 空间数据分析与处理的不确定性 |
§2-2 遥感影像的不确定性 |
2-2-1 遥感影像不确定性的来源 |
2-2-2 遥感影像不确定性的表现形式 |
§2-3 粗集理论在遥感影像不确定性分析中的应用 |
§2-4 本章小结 |
第三章 粗集理论及其应用 |
§3-1 粗集理论的基本概念 |
3-1-1 知识与知识分类的概念 |
3-1-2 粗集理论的不确定性处理机制 |
3-1-2-1 不精确范畴和上下近似集 |
3-1-2-2 近似分类精度 |
§3-2 知识约简 |
3-2-1 绝对约简和绝对核 |
3-2-2 相对约简和相对核 |
§3-3 决策表知识表达系统 |
3-3-1 知识表达系统 |
3-3-2 决策表 |
3-3-3 区分矩阵 |
§3-4 粗集理论的应用模式 |
3-4-1 决策分析 |
3-4-3 模式识别 |
§3-5 本章小结 |
第四章 基于粗集理论的遥感影像分类知识发现研究 |
§4-1 遥感影像分类知识发现 |
4-1-1 空间数据挖掘和知识发现 |
4-1-2 统计模式识别 |
4-1-3 机器学习 |
4-1-4 神经计算 |
4-1-5 可视化 |
§4-2 基于粗集理论的遥感影像分类知识发现 |
§4-3 遥感影像数据的特征离散化 |
4-3-1 遥感影像数据的特征离散化 |
4-3-2 基于信息熵的离散特征聚类方法 |
4-3-2-1 Shannon熵的准则函数 |
4-3-2-2 基于信息熵的离散特征聚类方法 |
§4-4 遥感影像分类知识约简 |
4-4-1 属性约简 |
4-4-1-1 属性约简的一般算法 |
4-4-1-2 区分矩阵和相似矩阵属性约简方法 |
4-4-1-3 实例说明 |
4-4-2 属性值约简 |
4-4-2-1 一般值约简算法 |
4-4-2-2 相似矩阵属性值约简算法 |
4-4-2-3 实例说明 |
4-4-3 Iris的遥感数据集分类规则提取试验 |
§4-5 基于分类规则的粗糙分类器的设计和实现 |
4-5-1 分类器的设计和实现 |
4-5-2 基于粗集理论的遥感影像分类知识发现模型 |
§4-6 本章小结 |
第五章 分类结果误差和精度的评价 |
§5-1 误差来源及其特征 |
§5-2 精度评价方法 |
5-2-1 误差矩阵与精度指标 |
5-2-2 Kappa分析 |
§5-3 本章小结 |
第六章 结论与展望 |
§6-1 研究重点和创新 |
§6-2 结论 |
§6-3 不足与展望 |
参考文献 |
附录 |
攻读硕士学位期间发表的论文 |
攻读硕士学位期间课题研究情况 |
致谢 |
四、基于粗集理论的知识发现(论文参考文献)
- [1]基于粗集理论和Informax ICA的听、视觉诱发电位提取算法研究[D]. 王蓉. 广东工业大学, 2015(10)
- [2]基于粗集的多准则决策分析[J]. 安利平,陈增强. 控制与决策, 2013(01)
- [3]基于粗集理论的多准则分级决策问题研究[D]. 杨希瑾. 河北工业大学, 2012(01)
- [4]基于粗集求核和属性约简算法研究与应用[D]. 蔡莉. 合肥工业大学, 2009(11)
- [5]PCNN与粗集理论在生物细胞图像处理中的应用研究[D]. 林冬梅. 兰州大学, 2009(01)
- [6]粗糙集和神经网络方法在数据挖掘中的应用[J]. 周序生,王志明. 计算机工程与应用, 2009(07)
- [7]一种基于粗集理论的遗传分类算法[J]. 姚前,陈舜,谢立,张军. 计算机科学, 2008(01)
- [8]基于粗集和神经网络的销售预测研究[D]. 刘旭. 河北工业大学, 2007(01)
- [9]基于粗集理论的机器学习[D]. 高晓红. 昆明理工大学, 2007(09)
- [10]基于粗集理论的遥感影像分类知识发现研究[D]. 陈书林. 兰州大学, 2007(04)