一种基于粗糙集神经网络的分类算法

例
对于上表来说，U中有四个对象（概念），而现 在条件集合中只有一个属性，对于U1和U2来说， 它们的p不同所以可以通过p来区分，即u1,u2在p 下可区分；而U2和U3虽然是不同的对象但是在P 下却是相同的，即在p下不可区分，就成为不可 区分
粗糙集：
一个集合若恰好等于基本集的任意并集称为一个清晰 （crisp）集（精确集），否则称为粗糙（rough）集（不 精确集）。 解释：都可区分的是清晰集，有不可区分的对象为粗糙 集 主要特点:以不完全信息或知识去处理一些不分明现象的 能力,或依据观察、度量到的某些不精确的结果而进行分 类数据的能力. 粗糙集体现了集合中元素间的不可区分性. 主要优势:它不需要提供问题所需处理的数据集合之外的 任何先验知识,而且与处理其它不确定性问题的理论有很 强的互补性.
粗糙集理论所处理的问题
•不确定或不精确知识的表达; •经验学习并从经验中获取知识; •不一致信息的分析; •根据不确定,不完整的知识进行推理; •在保留信息的前提下进行数据化简; •近似模式分类; •识别并评估数据之间的依赖关系
三、粗糙集的应用
粗糙集理论在许多领域得到了应用： ①临床医疗诊断；
②电力系统和其他工业过程故障诊断；
3. 如果P中的任何一条属性都是不 可简约的，那么就称P是独立的 解释：P是独立的说明P中的任何一个属性都是必 不可少的，它独立的表达一个系统分类的特征。
属性约简的算法分析：
初始状态：所有数据已存入数据库(以下为模拟数据)
u 1 2 3 4 5 6
a 1 1 0 1 1 2
b 0 0 0 1 1 1
集合O 的下逼近(即正区) 为 I 3 (O ) = PO S (O ) = {刘保,赵 凯} 集合O 的负区为 N EG (O ) = {李得} 集合O 的边界区为 BND (O ) = {王治, 马丽} 集合O 的上逼近为 I 3 (O ) = PO S (O ) + BND (O ) = {刘保,赵凯,王治,马 丽} 根据表1, 可以归纳出下面几条规则, 揭示了教育程度与 是否能找到好工作之间的关 RUL E 1: IF (教育程度= 大学) OR (教育程度= 博士) THEN (可以找到好工作) RUL E 2: IF (教育程度= 小学) THEN (找不到好工作) RUL E 3: IF (教育程度= 高中) THEN (可能找到好工作)

基于粗糙集的快速KNN文本分类算法孙荣宗;苗夺谦;卫志华;李文【期刊名称】《计算机工程》【年(卷),期】2010(36)24【摘要】传统K最近邻一个明显缺陷是样本相似度的计算量很大,在具有大量高维样本的文本分类中,由于复杂度太高而缺乏实用性.为此,将粗糙集理论引入到文本分类中,利用上下近似概念刻画各类训练样本的分布,并在训练过程中计算出各类上下近似的范围.在分类过程中根据待分类文本向量在样本空间中的分布位置,改进算法可以直接判定一些文本的归属,缩小K最近邻搜索范围.实验表明,该算法可以在保持K最近邻分类性能基本不变的情况下,显著提高分类效率.【总页数】3页(P175-177)【作者】孙荣宗;苗夺谦;卫志华;李文【作者单位】同济大学,电子与信息工程学院计算机科学与技术系,上海201804;同济大学,嵌入式系统与服务计算教育部重点实验室,上海201804;同济大学,电子与信息工程学院计算机科学与技术系,上海201804;同济大学,嵌入式系统与服务计算教育部重点实验室,上海201804;同济大学,电子与信息工程学院计算机科学与技术系,上海201804;同济大学,嵌入式系统与服务计算教育部重点实验室,上海201804;同济大学,电子与信息工程学院计算机科学与技术系,上海201804;同济大学,嵌入式系统与服务计算教育部重点实验室,上海201804【正文语种】中文【中图分类】TP391【相关文献】1.一种基于Canopy和粗糙集的CRS-KNN文本分类算法 [J], 姚彬修;倪建成;于苹苹;曹博;李淋淋2.基于区域划分的kNN文本快速分类算法研究 [J], 胡元;石冰3.基于文本和类别信息的KNN文本分类算法 [J], 艾英山;张德贤4.一种基于粗糙集的改进KNN文本分类算法 [J], 苟和平;景永霞;冯百明;李勇5.变精度粗糙集的加权KNN文本分类算法 [J], 刘发升;董清龙;李文静因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于粗糙集理论的文本分类方法何峰【摘要】在网络这个庞大的虚拟图书馆中,占信息比重最大的文本数据却缺乏结构化、组织化的规整性,大大降低了网络文本信息的利用效率,而文本的自动分类技术则能降低网络的查询时间,提高网络搜索质量.文章提出了一种基于粗糙集理论的文本分类方法.【期刊名称】《自动化与信息工程》【年(卷),期】2006(027)003【总页数】3页(P1-3)【关键词】文本分类;粗糙集;决策表;属性约简;规则提取【作者】何峰【作者单位】广东省科学院自动化工程研制中心【正文语种】中文【中图分类】TP3粗糙集理论是波兰华沙理工大学Pawlak教授于1982年提出的。

它不需要任何先验信息，能够有效分析和处理不完备、不一致、不精确的数据，已经在知识获取，规则提取，机器学习，决策分析，模式识别，数据挖掘等领域等方面获得了广泛的应用[1]。

知识系统中的不确定性主要来自于3个方面。

(1)认知对象间缺乏足够的区分度。

(2)对象集合存在不确定性。

这里集合的不确定性有两种解释。

一是按照模糊集理论的观点，集合中的成员对集合的隶属程度可以从0到1变化，用隶属函数来描述对象与集合间的不确定性。

另一种解释是，由于知识表示存在颗粒性，使得我们无法区分属于同一粒度范围内的对象，如果某个集合覆盖了某一粒度范围内的一个对象，那么这一粒度范围内的其他对象也有可能属于该集合。

(3)不合适的知识表达粒度。

知识表示粒度过大，则对象间得不到有效的区分；粒度过于精细，则造成知识冗余和低效。

实际上，所有粗糙集方法论的应用软件都可称为知识发现的应用软件。

未来的发展将是从数据中筛选知识的应用软件当道的社会，而非人类知识外显在算法中编码的情况。

目前常用的文本分类方法主要有基于向量比较的文本分类技术和基于规则的文本分类技术。

本文提出一种利用粗糙集理论生成规则的文本分类技术，通过将关键词的权值离散化，利用粗糙集的属性约简理论提取出文本的分类规则。

试验证明这种方法大大降低了关键词空间的维数，生成的规则易于理解，适应性很强，分类准确度较高。

基于粗糙KNN算法的文本分类方法
王渊;刘业政;姜元春
【期刊名称】《合肥工业大学学报（自然科学版）》
【年(卷),期】2014(000)012
【摘要】在文本分类中，数据规模过大或文本分布不均匀对传统 KNN算法的准
确率和效率具有重要影响。

为了解决该问题，文章提出一种基于粗糙KNN（k‐nearest neighbor）算法的文本分类新方法。

首先引入粗糙集中的上下近似概念
定义各类文本的上下近似空间，将文本向量空间分为核心和混合2大区域；然后
改进传统KNN算法的隶属度函数；再针对不同的文本区域，采取差异化的分类策略以提高分类的效率和准确率。

实验表明，基于粗糙KNN算法的文本分类方法在提高分类准确率的同时，分类的效率也有很大提高。

【总页数】5页(P1513-1517)
【作者】王渊;刘业政;姜元春
【作者单位】合肥工业大学管理学院，安徽合肥 230009;合肥工业大学管理学院，安徽合肥 230009;合肥工业大学管理学院，安徽合肥 230009
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于KNN算法的文本自动分类方法研究——以学术期刊栏目自动归类为例 [J], 李湘东;徐朋;黄莉;沈祥兴
2.基于粗糙集与改进KNN算法的文本分类方法的研究 [J], 邵莉
3.一种基于改进型KNN算法的文本分类方法 [J], 钱强;庞林斌;高尚
4.基于改进KNN算法的中文文本分类方法 [J], 王爱平;徐晓艳;国玮玮;李仿华
5.基于粗糙集和最小二乘支持向量机的文本分类方法 [J], 张庙林;牛犇
因版权原因，仅展示原文概要，查看原文内容请购买。