论文部分内容阅读
粗糙集理论是一种研究不完整、不确定知识处理的数学工具,近年来已经在许多领域得到了应用。粗糙集的特点就是可以在不需要任何先验信息的情况下,从大量的、模糊的、随机的实际应用数据中,提取潜在而有用的信息和知识。
本文在阐述粗糙集理论概念的基础上,对粗糙集在数据挖掘领域的算法进行了分析,着重对经典的二进制可辨识矩阵算法、属性重要性算法作了深入研究,通过对实例的进一步探讨,揭示出通过粗糙集算法进行规则挖掘时所要面对的一个重要问题,就是如何有效排除无实际意义的规则。同时,提出了一种根据规则不同置信度对规则进行筛选的新算法。针对存在的问题,改进算法结合了数据挖掘关联规则的Apriori算法,通过属性支持度和置信度的计算,对现有的粗糙集算法挖掘出的规则加以再萃取。最后将改进算法实践于实际的智能决策系统,并根据系统返回规则证实了改进算法能很好的排除无意义规则,使最终决策规则更具实用意义。
实践设计采用了C#与SQL Server等开发技术实现了基于粗糙集理论的智能决策系统——教师职称评聘系统。这一系统根据以往教师职称评聘的记录,利用改进后粗糙集数据挖掘算法从中发掘出职称评聘的规律,并自动根据这一规律动态的调整评聘过程中参评属性的权值大小,使整个评聘系统的评聘过程更加公平,合理化。论文最后,对决策系统需求分析、概要设计和详细设计等各阶段产生的文档进行了详细说明。