内部数据齐全，打开可容易运行粗糙集分类图像代码齐全

详细的粗糙集matlab代码，可直接运行，带论文

粗糙集属性约简的MATLAB程序；
用基于属性重要度的粗糙集属性约简方法对决策表进行约简，属性重要度是根据信息熵定义的。

数据挖掘在各行业的应用论文数据仓库与数据挖掘.caj空间数据挖掘技术.caj数据仓库与数据挖掘技术及其在科技情报业的应用前景.caj相关案件的数据挖掘.caj数据挖掘技术.caj一种实时过程控制中的数据挖掘算法研究.cajEIS环境下的数据挖掘技术的研究.caj数据挖掘及其工具的选择.caj数据挖掘技术与中国商业银行业务发展策略.caj数据挖掘工具DMTools的设计与实现.caj数据仓库、数据挖掘在银行中的应用.caj基于信息熵的地学空间数据挖掘模型.caj数据挖掘及其在商业银行中的应用.caj数据挖掘与决策支持系统.caj数据仓库、数据集市和数据挖掘.caj数据仓库与数据挖掘1.cajIDSS中数据仓库和数据挖掘的研究与实现.caj基于粗糙集理论的数据挖掘模型.caj数据挖掘及其在SXWG_EIS中的应用.caj数据挖掘——技术与应用综述.caj挖掘转移规则一种新的数据挖掘技术.caj以地物识别和分类为目标的高光谱数据挖掘.caj数据挖掘与虚拟数据库.caj数据挖掘与电力系统.caj浅说数据挖掘.caj带Rough算子的决策规则及数据挖掘中的软计算.caj数据挖掘系统的一种实现策略.caj信息检索中的数据挖掘技术.caj红外光谱谱图库中的数据挖掘.caj中介粗集及其在数据挖掘中的应用.caj数据挖掘在音高变化规律学习中的应用.caj数据挖掘技术在财经领域的应用.caj知识发现和数据挖掘的研究.caj数据仓库与数据挖掘技术浅谈.caj用户访问模式数据挖掘的模型与算法研究.caj数据仓库的建设与数据挖掘技术浅析.caj分类特征规则的数据挖掘技术.caj数据挖掘技术的主要方法及其发展方向.cajOLAP和数据挖掘技术在Web日志上的应用.caj数据挖掘技术12.caj数据挖掘技术初探.caj探索式数据挖掘模型的讨论.caj前向网络bp算法在数据挖掘中的运用.caj数据挖掘在Internet信息导航系统中的应用研究.caj数据挖掘技术123.caj基于粗糙集(Roughset)的数据挖掘及其实现.caj数据挖掘技术在建模、优化和故障诊断中的应用.cajFCC油品质量指标智能监测系统的数据挖掘与修正技术.caj一种测试数据挖掘算法的数据源生成方法.caj基于数据挖掘的类比推理技术在石油产品分析系统中的实现.caj神经网络在数据挖掘中的应用研究.caj数据挖掘方法的评述.caj基于数据挖掘的类比推理技术在石油产品分析系统中的实现1.caj一个面向电子商务的数据挖掘系统的设计与实现.caj数据挖掘技术在煤与瓦斯突出预测中的应用研究.caj基于数据抽取器实现数据挖掘.caj基于数据挖掘的群决策模型.caj基于数据挖掘的普通话韵律规则学习.caj数据挖掘和知识发现的技术方法.caj可视化数据挖掘技术及其应用.caj神经网络数据挖掘方法中的数据准备问题.kdh基于CORBA的数据挖掘工具KDD-DC.caj基于高校人事信息库的数据挖掘研究.caj数据挖掘管理系统.caj电信网告警数据库中的数据挖掘.caj数据挖掘原理、方法及其应用.caj一种基于数据仓库的数据挖掘系统的结构框架.cajOLAP与数据挖掘一体化模型的分析与讨论.caj一种新型数据分析技术——数据挖掘.cajaaa数据挖掘和数据仓库及其在电信业中的应用.caj数据挖掘技术及其应用.caj数据挖掘中概念树的标准、生成和实现.kdhXML与面向Web的数据挖掘技术.caj数据挖掘和数据仓库及其在电信业中的应用.caj数据挖掘技术及其在地学中的应用.caj结合数据融合和数据挖掘的医疗监护报警.caj基于多媒体数据库的数据挖掘系统原型.caj数据挖掘技术1.caj股票信息的数据挖掘.caj多媒体数据挖掘的相关媒体特征库方法.caj基于数据挖掘的深部采场岩爆知识的自动获取.caj空间数据挖掘理论与方法的研究.caj金融数据挖掘中的非线性相关跟踪技术(英文).caj数据挖掘技术的一个应用模型.cajDNA中的数据挖掘和启动子识别.caj数据仓库与数据挖掘12.caj数据挖掘系统设计.caj数据挖掘方法的研究.caj用数据挖掘技术优选侧钻井井位.caj关注政府上网后的数据挖掘.kdh数据挖掘技术及其在电力系统中的应用.caj目前数据挖掘算法的评价.caj基于数据挖掘的地下硐室围岩稳定性判别.caj基于属性分类的数据挖掘方法.caj基于数据挖掘模型的高压输电线系统故障诊断.caj用于建模、优化、故障诊断的数据挖掘技术.caj格子机数据挖掘方法.caj数据挖掘及其在电力系统中的应用.kdh用于

对照实例进行粗糙集属性约简，相信对于初学者大有裨益

基于优势的邻域粗糙集的并行属性约简

Matlab关于人工神经网络在预测中的应用的论文二-人工神经网络模型在研究生招生数量预测中的应用.pdf四、灰色人工神经网络人口总量预测模型及应用摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。
对2005年至2007年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。
关键词：人口总量；
灰色系统；
BP人工神经网络；
灰色人工神经网络模型引言：本文从影响人口增长的诸多因素中筛选出6个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（GreyArtificialNeuralNetwork，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6个指标进行非线性组合得到人口总量的预测结果。
该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。
中间内容省略~结语：由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；
在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；
同时，通过实验证明该方法不但比传统的FCM算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。
由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。
灰色人工神经网络人口总量预测模型及应用.pdf五、人工神经网络模型在研究生招生数量预测中的应用摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。
尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。
关键词:黑龙江省;研究生招生;预测;人工神经网络模型引言：关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。
这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。
以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。
这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。
本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。
中间内容省略~结语：采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。
人工神经网络模型在研究生招生数量预测中的应用.pdf六、基于RBF人工神经网络模型预测棉花耗水量摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。
可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。
关键词：预测；
人工神经网络；
径向基函数；
棉花耗水量引言：计算机人工神经网络是20世纪8

关于粗糙集和邻域粗糙集的基本理论和程序算例包含邻域粗糙集计算的matlab算例，说明文档（个人编写的）说明文档包括了粗糙集和邻域粗糙集的基础知识讲解，实际算例，程序的应用介绍，程序使用算例。
如果你没有积分下载，可以加我qq379786867，我发给你。
这里设置了积分下载主要是为了我能赚取一些积分下载其他资源，谅解！压缩文件中包括三个m文件，一个mat文件，一个pdf文档。

粗糙集属性约简java实现代码

Pawlak粗糙集理论英文版，Pawlak-ROUGHSETSTheoreticalAspectsofReasoningaboutData.pdf

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。