论文部分内容阅读
随着计算机与网络信息技术的飞速发展，各个领域的数据和信息急剧增加，对这些数据进行分析以发现隐含在数据中的有用模式的要求变的越来越迫切。因此数据挖掘技术应运而生，并得到迅速发展。作为数据挖掘技术的一种有效手段，粗糙集理论凭借其独特的优势在数据挖掘领域中具有越来越重要的地位。将粗糙集应用于数据挖掘领域，能提高对大型数据库中的不完整数据进行分析和学习的能力，具有广泛的应用前景和实用价值。
本文系统的阐述了数据挖掘技术的总体研究情况，研究了粗糙集的理论框架、概念基础以及粗糙集理论的核心——知识约简，讨论了知识约简与知识依赖性的关系，知识表达系统与决策表的关系，分析了区分矩阵内容的深层次含义以及它与约简的关系。本文深入研究了多种约简方法的实现原理，探讨了各方法的优缺点，提出了几种算法：
1.为提高属性约简的效率，基于对区分矩阵的研究提出了关联矩阵的概念，同时，依照决策属性对条件属性的依赖度，利用关联阵中属性频率的信息，提出了一种基于关联矩阵的属性约简算法。实验表明该算法是有效的，特别是数据规模较大时更加节省计算时间。
2.提出了一种基于遗传算法的属性约简方法。该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性。同时为确保算法收敛，采用了最优保存策略。该算法通过实例分析，证明是求解知识约简问题的快速有效方法。
3.提出了一种基于粗糙集和决策树的增量式规则约简算法。该算法根据新增数据与已有决策树规则集的关系，在原有的规则集的基础上进行增量式更新，避免了重新计算，从而大大地提高了学习效率。实验表明该算法是有效的，具有较高的识别率。