A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis
VIT University(韦洛尔理工大学)
医学诊断过程在试图处理诊断的不同复杂方面的程度上有所不同,例如症状的相对重要性,不同的症状模式以及疾病之间的关系。在决策理论的基础上,过去的许多数学模型,如明确集,概率分布,模糊集,直觉模糊集,处理复杂的方面的诊断。但是,许多这样的模型未能包括专家决策的重要方面。因此,已作出努力,以处理不一致的数据被认为是Pawlak与粗糙集理论的引入。虽然粗糙集方法具有其他方法无法比拟的优势,但是它产生的规则太多,给决策带来很多困难。因此,最小化决策规则至关重要。本文通过预处理和后处理两个过程来挖掘合适的规则,并探索属性之间的关系。在前处理中,我们使用粗糙集理论挖掘合适的规则,而在后处理中,我们使用形式概念分析,从这些合适的规则,以探索更好的知识和最重要的影响决策的因素。
2013-01-25 cs.AI
Neighborhood Selection and Rules Identification for Cellular Automata: A Rough Sets Approach
University of Silesia(西里西亚大学)
本文提出了一种基于粗糙集理论的数据采掘方法,用于元胞自动机(CA)邻域的选择和更新规则的确定。根据所提出的方法,邻域检测约简计算和规则学习算法应用于诱导一组决策规则,定义CA的演变。使用合成以及真实世界的数据集进行实验。结果表明,所介绍的方法可以识别确定性和概率CA为基础的模型的现实世界的现象。
2014-09-22 cs.AI nlin.CG
Application of Rough Set Theory to Analysis of Hydrocyclone Operation
Amirkabir University of Technology(阿米尔卡比尔理工大学)
介绍了粗糙集理论在水力旋流器运行分析中的应用。以这种方式,使用自组织映射(SOM)作为预处理步骤,获得数据的最佳清晰颗粒。然后,使用SOM和粗糙集理论(SOM)的结合-称为SORST-,从实验室测试中获得的信息表上的主导规则,提取。在此基础上,实现了对决策属性的近似估计。最后,这种方法与SOM-NFIS系统(简称SONFIS)的简要比较突出。
2008-04-03 cs.AI
FRRI: a novel algorithm for fuzzy-rough rule induction
Ghent University(根特大学);University of Catania(卡塔尼亚大学);Poznań University of Technology(波兹南工业大学);Polish Academy of Sciences(波兰科学院)
本文提出了一种名为FRRI的新型模糊粗糙规则归纳算法,结合模糊集与粗糙集理论,实验表明其在准确性和规则集简洁性上优于现有方法。
2024-08-29 cs.AI cs.LG
A rule-general abductive learning by rough sets
本文提出基于粗糙集的规则泛化溯因学习框架RS-ABL,利用粗糙集理论低成本实现领域知识获取与规则修正、约简和生成,并生成负规则增强知识库,从而提升半监督任务准确率。
2023-12-01 cs.AI cs.LG
Bayesian approach to rough set
University of the Witwatersrand(金山大学)
提出了一种基于马尔可夫链蒙特卡罗(MCMC)方法训练贝叶斯框架的粗糙集模型训练方法。先验概率是根据好的粗糙集模型具有较少规则的先验知识构造的。马尔可夫链蒙特卡罗抽样是通过粗糙集粒度空间中的抽样进行的,并使用Metropolis算法作为验收标准。所提出的方法进行测试,估计艾滋病毒的风险人口统计数据。结果表明,该方法能够达到58%的平均准确度与准确度变化高达66%。此外,贝叶斯粗糙集给出了估计的HIV状态的概率以及描述人口统计参数如何驱动HIV风险的语言规则。
2007-04-25 cs.AI
A Knowledge Mining Model for Ranking Institutions using Rough Computing with Ordering Rules and Formal Concept analysis
School of Computing Sciences and Engineering, VIT University(VIT大学计算科学与工程学院)
计算机和信息技术革命的出现使现实世界发生了巨大的变化,为智能数据分析提供了不同的维度。在正确的时间和正确的地点的信息是一个良好的事实,部署了更好的知识。然而,当大量的不一致的数据给决策和知识提取的挑战。为了处理这样的不精确的数据,某些更重要的数学工具已经开发了在最近的过去,即模糊集,直觉模糊集,粗糙集,形式概念分析和排序规则的研究。还观察到,许多信息系统包含数值属性值,因此它们几乎相似而不是完全相似。为了处理这种类型的信息系统,在本文中,我们使用两个过程,如前处理和后处理。在前处理中,我们使用粗糙集的直觉模糊近似空间与排序规则的发现知识,而在后处理中,我们使用形式概念分析,以探索更好的知识和影响决策的重要因素。
2011-08-09 cs.AI cs.IR
A Novel Rough Set Reduct Algorithm for Medical Domain Based on Bee Colony Optimization
Akshaya College of Engineering and Technology(阿克沙亚工程技术学院)
特征选择是指选择产生最具预测性结果的相关特征的问题。特别地,特征选择任务涉及包含大量特征的数据集。粗糙集理论已经成为特征选择最成功的方法之一。然而,这种方法仍然无法找到最佳子集。本文提出了一种新的特征选择方法的基础上粗糙集理论与蜂群优化(BCO)的混合,试图解决这个问题。将该方法应用于医学领域,并与快速约简、熵约简以及其他混合粗糙集方法如遗传算法、蚁群算法(ACO)和粒子群算法(PSO)进行了实验比较。
2010-06-23 cs.AI cs.LG cs.NE
An Accelerator for Rule Induction in Fuzzy Rough Theory
Shenzhen University(深圳大学);Hebei University(河北大学);Renmin University of China(中国人民大学)
基于规则的分类器在人类可解释的人工智能中起着至关重要的作用,它提取归纳规则的子集进行有效的学习/挖掘,同时保留可解释性信息。然而,在这个大数据时代,整个数据集上的规则归纳是计算密集型的。到目前为止,据我们所知,没有已知的方法集中在加速规则归纳已被报道。这是第一次研究考虑加速技术,以减少规则归纳的计算规模。提出了一种基于模糊粗糙理论的规则归纳加速器,该加速器可以避免冗余计算,加快规则分类器的构建。首先,提出了一种基于一致度的规则归纳方法,称为基于一致性的值约简(CVR),并以此为基础进行加速。其次,我们引入了一个紧凑的搜索空间称为键集,它只包含所需的更新归纳规则的关键实例,进行值约简。Key Set的单调性保证了加速器的可行性。第三,基于Key Set设计了一个规则诱导加速器,理论上保证了加速器的结果与未加速的结果相同。具体地说,密钥集的秩保持性保证了加速器和非加速方法所实现的规则归纳的一致性。最后,大量的实验表明,所提出的加速器可以执行显着快于未加速的基于规则的分类器方法,特别是在具有大量实例的数据集上。
2022-01-07 cs.AI cs.LG
Rough set based lattice structure for knowledge representation in medical expert systems: low back pain management case study
University of Kalyani(卡利亚尼大学);Banaras Hindu University(贝拿勒斯印度教大学);ESI Institute of Pain Management(ESI疼痛管理研究所);ESI Hospital Sealdah(ESI西达尔医院)
医学知识表示的目的是以临床有效的方式捕获详细的领域知识,并利用所获得的知识提供可靠的解决方案。医学专家系统使用的知识库应允许随着时间的推移包括更新的知识的增量增长。由于知识是由不同的知识工程师从各种知识源中收集的,冗余问题是这里的一个重要问题,这是由于增加了知识的处理时间和占用大量的计算存储来容纳所有收集的知识。在知识库中也可能存在许多不一致的知识。本文提出了一种基于粗糙集的格结构用于医学专家系统中的知识表示,它克服了知识的冗余和不一致性问题,并提供了时间和空间上的计算效率。我们还生成了一组最佳的决策规则,将直接使用的推理机。每个规则的可靠性已被测量使用一个新的度量称为可信度因子,并已重新定义的确定性和覆盖因子的决策规则。医学专家系统首先考虑可靠性高、确定性强的决策规则,然后根据医生的建议,搜索可能的、不确定的决策规则。所提出的知识表示技术已被说明使用的例子,从下背部疼痛的域。所提出的计划,确保完整性,一致性,完整性,非冗余,和易于访问。
2018-10-02 cs.AI
On the Granular Representation of Fuzzy Quantifier-Based Fuzzy Rough Sets
Ghent University(根特大学)
本文研究基于模糊量词的模糊粗糙集(FQFRS)的粒表示,发现Choquet型与OWA型在相同条件下可粒化,Sugeno型则始终可粒化,凸显其处理不一致数据与噪声的潜力。
2023-12-27 cs.AI
Attribute reduction and rule acquisition of formal decision context based on two new kinds of decision rules
Southwest Jiaotong University(西南交通大学)
本文主要研究基于两类新的决策规则,即I-决策规则和II-决策规则的形式化决策上下文的规则获取和属性约简。这些规则的前提是面向对象的概念,结论分别是形式概念和面向属性的概念。给出了I-决策规则和II-决策规则的规则获取算法。这些算法与现有的算法进行了比较分析,这表明在这项研究中提出的算法表现良好。给出了利用相容性矩阵保持I-决策规则和II-决策规则的属性约简方法。
2021-07-04 cs.AI cs.DM
How fair were COVID-19 restriction decisions? A data-driven investigation of England using the dominance-based rough sets approach
University of Southern Denmark(南丹麦大学);Leeds University Business School(利兹大学商学院);COMSATS University Islamabad(伊斯兰堡COMSATS大学)
在COVID-19疫情期间,多个国家采取了分层限制的方法,由于缺乏透明度,这仍然是一个争论点。使用基于优势的粗糙集方法,我们识别了与英国政府分层限制分配系统有关的COVID-19数据中的模式。从分析中得出的这些见解被转化为“如果-那么”类型的规则,这些规则可以很容易地被政策制定者解释。从不同地理区域提取的规则的差异表明,在这些地区的层次分配不一致。我们发现,这些差异描绘了英格兰南北的整体鸿沟,然而,这种鸿沟主要是由伦敦驱动的。基于我们的分析,我们证明了基于优势的粗糙集方法在调查COVID-19限制决策的公平性和可解释性方面的有用性。拟议的方法和分析可以为本地化的公共卫生限制提供更透明的方法,这有助于确保更好地遵守公共安全规则。
2022-10-21 cs.AI cs.CY
Rough matroids based on coverings
Minnan Normal University(闽南师范大学)
覆盖粗糙集的引入对经典粗糙集理论做出了实质性的贡献。然而,粗糙集的许多重要问题,包括属性约简,是NP难的,因此解决它们的算法通常是贪婪的。拟阵作为向量空间线性无关性的推广,在算法设计、组合优化等领域有着广泛的应用。一个很好的介绍粗糙拟阵的主题是由于朱和王。在他们工作的基础上,本文研究了基于覆盖的粗糙拟阵。首先,我们研究了关于覆盖的可定义集的一些性质。具体地说,有趣的是,关于覆盖的所有可定义集合的集合,配备了包含$\subseteq$的二元关系,构造了一个格。其次,我们提出了基于覆盖的粗糙拟阵,它是基于关系的粗糙拟阵的推广。最后,讨论了基于覆盖的粗糙拟阵的一些性质。此外,粗糙拟阵的覆盖的基础上,一个等价的制定。这些有趣而重要的结果展示了粗糙集和拟阵之间的许多潜在联系。
2013-11-05 cs.AI
Using Genetic Algorithms to Optimise Rough Set Partition Sizes for HIV Data Analysis
University of the Witwatersrand(金山大学)
在本文中,我们提出了一种方法来优化粗糙集分区的大小,规则提取艾滋病毒数据进行。利用遗传算法优化技术来确定粗糙集的划分大小,以最大限度地提高粗糙集的预测精度。所提出的方法进行了测试,从南非产前调查获得的个人的一组人口统计特性。在分析中使用了六个人口统计学变量,这些变量是:种族,母亲年龄,教育,妊娠,产次和父亲年龄,结果或决定是HIV阳性或阴性。粗糙集理论的选择是基于这样一个事实,它是容易解释的提取规则。等宽仓分割的预测准确率为57.7%,而优化分区后达到的准确率为72.8%。其他几种方法已被用来分析艾滋病毒的数据和他们的结果进行了说明,并比较粗糙集理论(ESTA)。
2007-05-17 cs.AI cs.NE q-bio.QM
Relationship between the second type of covering-based rough set and matroid via closure operator
Zhangzhou Normal University(漳州师范学院)
近年来,为了拓宽粗糙集和拟阵的理论和应用领域,一些学者从不同的角度,如圈、秩函数、生成集等将它们结合起来,本文从闭包算子的角度将第二类覆盖粗糙集和拟阵结合起来。一方面,通过第二类覆盖下近似算子的不动点族建立闭包系统,进而构造闭包算子。对于论域的覆盖,闭包算子是拟阵的闭包算子当且仅当覆盖的约简是论域的一个划分。另一方面,我们研究了第二类覆盖上近似运算是拟阵闭包的充要条件。
2012-10-02 cs.AI
Class-based Rough Approximation with Dominance Principle
The Hong Kong Polytechnic University(香港理工大学)
基于优势的粗糙集方法(DRSA)作为Pawlak粗糙集理论的推广,在多准则决策分析(MCDA)中具有重要的应用价值。在以前的DRSA模型中,上近似和下近似的定义是保留类联合而不是单例类。本文针对经典DRSA模型、VC-DRSA模型和VP-DRSA模型,提出了一种新的基于类的粗糙近似方法。此外,研究了新的基于类的约简。
2011-07-05 cs.AI cs.CC
Exploiting Reduction Rules and Data Structures: Local Search for Minimum Vertex Cover in Massive Graphs
最小顶点覆盖(MinVC)问题是一个著名的NP-难问题。最近有很大的兴趣在解决这个问题上的真实世界的大规模图。对于这样的图,局部搜索是一种很有前途的方法来找到最佳或接近最佳的解决方案。在本文中,我们提出了一个局部搜索算法,利用减少规则和数据结构,以解决MinVC问题,在这样的图。实验结果表明,我们的算法发现更好的覆盖比国家的最先进的局部搜索算法MinVC。此外,我们提出了有趣的结果的复杂性,一些著名的economistics。
2015-09-19 cs.AI cs.DS
A Rough Computing based Performance Evaluation Approach for Educational Institutions
VIT University(VIT大学)
各类组织特别是教育机构的性能评估是一个非常重要的研究领域,需要进一步培养。本文提出了一种基于粗糙集的教育机构性能评估方法。为了衡量教育机构的绩效,我们构建了一个评价指标体系。利用模糊近似空间上的带序粗糙集对各层次的评价指标数据进行挖掘。在此基础上,利用信息熵的概念确定评价指标的权重系数。此外,我们找到了影响权重系数的最重要的指标。该方法的有效性和实用性得到验证。此外,所提出的方法可以适用于任何组织。
2013-08-03 cs.AI cs.CY
A Fuzzy-Rough based Binary Shuffled Frog Leaping Algorithm for Feature Selection
Memorial University of Newfoundland(纽芬兰纪念大学);University of Windsor(温莎大学);Shahid Bahonar University of Kerman(克尔曼沙希德·巴霍纳尔大学);Gwangju Institute of Science and Technology(光州科学技术院)
特征选择和属性约简是机器学习、数据采掘和模式识别领域中的关键问题,并且被广泛使用的技术通过选择特征的子集或去除不相关的特征来克服众所周知的Curse of Precisionality现象。本文提出了一种新的特征选择方法,有效地进行属性约简,从而选择数据集的信息量最大的特征。它由两个部分组成:1)一个功能子集评估的措施,和2)一个搜索策略。对于评价指标,我们采用了模糊粗糙依赖度(FRFDD)在基于下近似的模糊粗糙特征选择(L-FRFS),由于其有效性在特征选择。在搜索策略方面,提出了一种新的二进制混合蛙跳算法(B-SFLA)。将B-SFLA与FRDD相结合,得到了一种新的特征选择方法。非参数统计测试进行比较所提出的方法与现有的几种方法超过22个数据集,包括9个高维和大型的,从UCI存储库。实验结果表明,B-SFLA方法显着优于其他元启发式方法的选择功能的数量和分类精度。
2018-07-31 cs.AI cs.LG stat.ML
Boosting Data Reduction for the Maximum Weight Independent Set Problem Using Increasing Transformations
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Vienna(维也纳大学);Hamilton College(汉密尔顿学院);Alfréd Rényi Institute of Mathematics(阿尔弗雷德·雷尼数学研究所)
给定一个顶点加权图,最大权独立集问题要求一个两两不相邻的顶点集,使得它们的权之和最大。分支归约范式是实际中解决问题最优性的事实标准方法。在这个范例中,数据简化规则被应用于减少问题的大小。这些数据简化规则确保在新的(较小的)输入上给出最优解,可以在原始输入上快速构造最优解。我们引入新的广义数据减少和转换规则的问题。我们的工作的一个关键特征是,一些转换规则可以增加输入的大小。令人惊讶的是,这些所谓的递增变换可以简化问题,并打开约简空间,在整个算法中产生更小的不可约图。在实验中,我们的算法计算显着更小的不可约图,除了一个实例,解决更多的实例比以前可能的最优性,是两个数量级的速度比最好的最先进的求解器,并发现更高质量的解决方案比启发式求解器DynWVC和HILS在许多情况下。虽然越来越多的转换在这个时候只足够有效地进行预处理,但我们认为这是迈向新的分支和转换范式的关键第一步。
2020-08-13 cs.AI cs.DS cs.IR
Rough extreme learning machine: a new classification method based on uncertainty measure
Dalian University of Technology(大连理工大学)
极限学习机(ELM)是一种新的单隐层反馈神经网络。输入层的权值和隐层神经元的偏置是随机产生的,输出层的权值可以解析确定。ELM在大量的分类任务中取得了良好的效果。提出了一种新的极限学习机-粗糙极限学习机(RELM)。RELM利用粗糙集将数据划分为上近似集和下近似集,利用这两个近似集分别训练上近似神经元和下近似神经元。此外,在该算法中执行属性约简,以去除冗余属性。实验结果表明,与比较算法相比,RELM在大多数情况下都能获得更好的分类精度和可重复性,RELM既保持了速度快的优势,又能有效应对高维数据的分类任务。
2018-03-10 cs.AI cs.LG stat.ML