基于粗糙集和數據庫技術的知識發(fā)現與推理方法研究.pdf

1、基于數據庫的知識發(fā)現(KDD)又稱數據挖掘(DM)是一種新的用于對數據庫中大量數據進行處理的智能信息處理技術，是構建智能商務、新型決策支持系統等新型智能信息系統的一種基本構件，是當前智能信息技術研究的熱點。 粗糙集(Roug集)理論是波蘭數學家Pawlak提出的一種研究不精確和不確定問題的數學工具。是目前公認的研究數據挖掘、知識約簡和粒計算等的理論基礎。數據庫技術是管理和操縱數據庫中大量數據的最先進最有效的技術。充分利用數據庫技

2、術所具有的對數據庫中數據操作的優(yōu)勢，來改進或設計新的適合于大數據集的高效數據挖掘算法，是許多學者正在探索的一個有效途徑。本文以粗糙集理論作為研究的主要理論依據，并充分考慮和運用數據庫技術的優(yōu)越性，對目前數據挖掘中存在的一些問題進行了研究，提出了有效可行的解決方案。本文研究內容如下： 1.對屬性約簡算法中基于分辨矩陣求取核屬性的時空代價以及必要性進行了分析，基于Rough集和數據庫技術對屬性約簡算法進行了改進，實驗證明在大數據集上

3、該算法的效率大大高于一些基于主存的屬性約簡算法。 2.針對Rough集中刻畫屬性分類能力的主要機制正區(qū)域對屬性分類能力的刻畫太弱的問題，提出了一個刻畫屬性分類綜合貢獻能力的測度——屬性分類粗糙度，理論分析和實驗表明作為分類算法中選擇屬性的測度，該測度優(yōu)于信息增益，并與信息增益率相當，且計算更為簡單?；谠摐y度和本文有關研究提出了一個具有良好可擴展性和適應性的分類算法，該算法可直接生成決策樹或分類規(guī)則。 3.基于可變精度R