论文部分内容阅读
不确定环境下的知识获取是智能信息处理中的关键问题之一。如何在信息不完全、不精确或模糊的情况下,根据决策系统中已有的决策数据获取知识,一直为众多学者所关注。近年来,基于粗糙集理论的知识获取方法已成为一种重要的方法,它是二十世纪八十年代由波兰科学家Z.Pawlak提出的一种新的处理不精确、不确定知识的软计算工具。证据理论是Dempster于20世纪60年代首次提出,试图用概率上下限来表示实际问题中的不确定性的一种重要的不确定性推理方法。证据理论广泛应用于信息融合、数据处理等领域。 本文主要研究不完备信息系统下的知识获取方法,并取得了一些有意义的结果。 本文探讨了证据理论、贝叶斯理论在不完备信息系统中如何进行规则提取,分析了它们两者之间的联系与区别,并通过实例加以说明。 针对不完备决策表,本文提出了一种基于属性重要性的知识约简算法。在属性依赖性的基础上,定义了属性重要性,以此作为算法的启发式信息,并对算法的结构进行描述,用Visual BasiC语言加以实现,实例验证了这种算法的有效性。 本文对于粗糙集理论和证据理论等数据挖掘方法在不完备系统中的应用做了有益的探索。但是,数据挖掘和不完备信息系统正处于研究发展阶段,数据挖掘技术在不完备系统中的应用还有许多问题值得研究。本文的研究工作是一个尝试,相关工作还有待进一步深入。