Feb, 2022

利用不相交和相邻模糊颗粒进行多类别颗粒逼近

PDF
TL;DR该论文介绍了粒计算中的模糊集可以通过粒状表示集合来逼近，提出了不相交和相邻的粒子的定义，并研究了新定义对粒状逼近的影响，针对二元分类问题，利用新概念分离决策区域但尽可能覆盖属性空间；对于多类分类问题，定义了多类粒状逼近，并演示了如何高效计算 Łukasiewicz 模糊联结的多类粒状逼近。
granular computingfuzzy setsclassification problemsdisjoint granulesadjacent granules
发现论文，激发创造
  • 关于模糊量词模糊粗糙集的颗粒表示

    粗糙集理论是一个可以通过提供概念下限和上限的近似来处理不一致数据的著名数学框架。本研究关注于模糊量词型模糊粗集的领域，并发现了广义 FQFRS 模型的粒状表示，强调了这些模型在解决数据不一致性和管理噪音方面的潜力。

    Dec, 2023

  • 模糊粒度逼近分类器

    介绍了一种新的模糊粒近似分类器（FGAC），其最大优势是本地透明度，能够解释其作出的每个预测，该分类器是基于模糊粒近似概念及其多类别分类案例而设计的，通过实验比较了 FGAC 与其它本地透明 ML 方法的不同版本，结论是 FGAC 在透明度上具有优势。

    Jun, 2022

  • 颗粒球计算：一种高效、稳健、可解释的自适应多颗粒度表示和计算方法

    本文系统介绍了球状颗粒计算模型，分析了目前该模型面临的主要问题，并讨论了球状颗粒计算的主要适用场景，为未来研究者提供参考和建议。

    Apr, 2023

  • 粒化定向粗糙集，概念组织和软聚类

    本文提出了向上粗糙集以及其在不同颗粒方向上的扩展，并探讨了其代数语义、近似算子及在分布式认知、虚拟教学等领域的应用。

    Aug, 2022

  • Pawlak 粗糙集和邻域粗糙集的统一颗粒球学习模型

    本文提出了基于粒球计算的粒球粗糙集模型，该模型可以同时处理 Pawlak 粗糙集和邻域粗糙集所能处理的数据类型，并且可以使用等价类表示知识；此外，本文还提出了粒球粗糙集的实现算法，并在基准数据集上验证了其在学习精度和特征选择方面的优越性。

    Jan, 2022

  • 空间颗粒的子集度量

    本文介绍了空间颗粒、粗细关系、Meet、Join、商 Meet 和商 Join 等基本概念，并探讨了条件性粗糙集的度量和熵。

    Sep, 2023

  • 粒球模糊集及其在支持向量机中的应用

    引入粒球计算到模糊集中，提出了一种称为粒球模糊集的框架，它比传统的模糊方法更高效、更稳健、更具扩展性，可以用于各种模糊数据处理领域，扩展到分类器支持向量机（FSVM）中以得到粒球模糊支持向量机（GBFSVM），实验证明了 GBFSVM 的有效性和效率。

    Oct, 2022

  • $(O,G)$- 基于重叠和分组函数的粒度可变模糊粗糙集

    本文基于交叉和分组函数，首次给出了 $(O,G)$- 粒度变量精度模糊粗糙集的描述，提出了一种利用模糊蕴含和联合的上下逼近算子表达式，并从构建方法的角度，用不同的模糊关系表示粒度变量精度模糊粗糙集。最后，在一些额外条件下，将粒度变量精度模糊粗糙集的结论扩展到 $(O,G)$- 粒度变量精度模糊粗糙集。

    May, 2022

  • 粒化广义可变精度粗糙集与有理逼近

    本文从理论上对有理逼近、粒度等级粗糙集与变精度粗糙集的关系进行研究，提出了一个有理逼近的框架，并给出了若干应用实例。

    May, 2022

  • 模糊粗糙 Choquet 距离在分类中的应用

    提出了一种基于模糊粗糙集理论的新型 Choquet 距离测量方法，该方法能够灵活捕捉数据中的非线性关系，结合了条件属性对决策属性的相互作用，从而使距离更加灵活和准确。在机器学习中应用该方法，特别强调基于距离的分类方法（如 k 最近邻），并研究了两种基于正区域的模糊粗糙集测量方法，以及两种从模糊粗糙集理论中推导出的使其适用于 Choquet 积分的单调化程序，并探讨了它们之间的差异。

    Mar, 2024