目的通过对数据进行约简提高模式识别中数据的有效性,以提高胶合板缺陷检测的准确率和在线的实时性。方法利用粗糙集理论在数据约简上的优势,提取出对模式识别决策结果影响最大的属性,约简掉对决策结果影响较小的属性。利用模糊逻辑在不确定性问题的能力,提高边缘属性在模式识别中的权重值。利用神经网络在模式识别中的有效性,将粗糙集算法、模糊逻辑、神经网络的人工智能算法有效相结合,提出一种基于模糊粗糙集神经网络的模式识别分类方法。结果结合胶合板缺陷检测,针对胶合板的13类缺陷的17个属性,提取出最有效的数据,约简了对决策影响

2020-Fuzzy information entropy-based adaptive approach for hybrid feature outlier detection-Matlab 代码 模糊粗糙集理论中基于模糊关系的模糊信息熵是一种重要的不确定性度量。然而，模糊信息熵用于混合特征离群点检测的研究尚未见报道。在此基础上，利用具有模糊相似关系的模糊近似空间，构造了一种基于模糊信息熵的混合特征离群点检测方法。首先，采用自适应模糊标准差半径和混合模糊相似度构造模糊近似空间，并在模糊信息熵的基础上定义相对模糊熵;然后，构造了两种度量来描述对象的离群度。最后，集成基于模糊熵的离群因子实现离群检测，设计了相关的基于模糊信息熵的离群检测算法(FIEOD)。将FIEOD算法与公共数据上的主要离群点检测算法进行了比较。实验结果表明，该方法具有较好的有效性和适应性。

直觉模糊粗糙集理论及应用.pdf