从信息角度对决策系统中的属性重要度进行度量,在此基础上,提出一种知识约简的启发式算 法,它以信道容量为启发式信息, 减小了知识约简过程中的搜索空间。 实例分析表明,本算法能够获得决 策系统的一种良好的相对约简。

本文在介绍粗糙集理论的基础上,给出粗糙集 理论在数据挖掘中的应用,属性约简的启发式算法, 通过一个实例说明了算法的有效性

针对粗糙集理论中的属性约简问题做了探讨研究。从寻找属性约简的角度,首先描述了决策表中的属性的重要性,并利用已求得的正区域使处理数据的范围不断缩小,约简集中的属性从核集开始,通过向属性核添加重要性最大的属性,得到属性的最小相对约简。从而减少求约简的时间。最后进行实证,该算法同传统的算法相比,在计算量减少的同时能得到更简约的结果,证明了该算法的正确性和可行性。

Rosetta是由挪威科技大学计算机与信息科学系和波兰华沙大学数学研究所合作开发的一个基于Rough集理论框架的表格逻辑数据分析工具包，包括了计算核和图形用户界面，能够在微机的WindowsNT/98/95操作系统上运行。 Rosetta 的设计实现了对数据挖掘和知识获取的支持从数据的初始浏览和预处理，计算最小属性约简和产生if-then决策规则或描述模式，到对所得到的规则或模式的验证和分析。Rosetta的目的是要作为基于不可分辨关系模型的通用工具，而不是为某个特定的应用领域设计的专用系统。 Rosetta提供了一个很直观的图形用户接口，采用了数据导航的技术。图形用户界面是高度面向对象的，所有操作对象被表示为独立的图形用户界面的元素项，每个元素有自己的与上下为相关的菜单集合。 Rosetta 的计算核心也可以采用命令行程序。计算核心提供了如下的功能： 输入/输出 通过ODBC和DBMSs部分集成 输出格式包括规则、约简、表格、图像以及C++和Prolog等格式。 预处理 不完备数据表的完备化处理（数据补齐） 连续属性值的离散化 计算 支持有教师学习和无教师学习 支持用户自己定义的不可分辨关系概念 对不同类型的不可分辨关系有效地计算精确约简和近似约简 产生if-then规则或以约简形式表达的描述模式 执行文件 支持交叉沿着测试 后处理 过滤约简结果和所得到的规则 验证与分析 用得到的规则处理未知样本 产生混淆矩阵、ROC曲线和标度曲线 用一定的质量标准对规则进行评价 统计假设测试 其他 公差关系聚类 计算划分和可变精度Rough集近似 支持对观察的随机抽样。 Rosetta在上述的功能中提供了很多可选的算法，是一个很好的研究试验平台。

给定一个自己盘里的excel信息表，求其差别矩阵，再最后求其约简，是带决策的。

本文针对状态估计，检查了通讯功率传输时线性动态系统状态的降维问题。为了满足并行传输数据的维数限制和通讯功率约束，采用降低状态维数的方法，通过传输信号的新息，提高传输效率，利用有限的通信资源，使接收端的状态估计达到最佳。此处采用差分脉冲编码调制系统（DPCM），基于最小误差熵估计算法和Kalman估计算法，得到了最优的状态降级维矩阵的设计方法，和对随机系统的可估计性以及对相应确定性系统的能观性进行了分析。分析和仿真结果表明，这种设计方法在传输信号满足通讯功率限制的条件下可以使接收端的状态估计性能达到最佳。

属性约简是粗糙集理论研究的重要内容。传统的基于差别矩阵的属性约简方法只能处理一致决策表，改进的差别矩阵针对决策表中一致和不一致的对象做不同的处理，从而解决了这一问题。浓缩布尔矩阵进一步节省了矩阵的存储空间并提高了矩阵的生成效率，从而可以快速计算得到约简。在此基础上，结合变精度的思想把部分不一致对象合理地加入到一致对象的集合中，瓜、而增加了一致数据的信息量，并通过使用浓缩布尔矩阵有效降低了约简的计算消耗。实验表明，所才是方法在运行速度和分类精度方面均表现出了优势。

优势关系下基于近似约简的知识更新方法

一种基于覆盖粗糙集的改进的属性约简方案

决策代价约简求解中的交叉验证策略