新的信息熵属性约简

在粗糙集不确定性度量公式中,模糊熵和模糊度是重要的度量方式。根据粗糙集不确定性度量中模糊熵和新的模糊度公式,提出了在决策信息系统中修正条件信息熵和相对模糊熵的概念,并分别用两种方式证明了熵在属性约简过程中的单调性。然后利用向前添加属性算法进行属性约简,约简结果在RIDAS(roughset based intelligent data analysis system)平台上进行识别率测试,通过实验对比分析了两种新的信息熵与条件信息熵的约简结果,为基于信息熵的属性约简提供了参考。     

一种直觉模糊粗糙集属性约简新算法

将信息熵理论与直觉模糊粗糙集结合起来,提出一种基于互信息的直觉模糊粗糙集属性约简新算法.给出了在直觉模糊环境下,基于互信息的属性重要度和属性依赖度的度量准则.本文所提出的算法以属性重要度和依赖度为双重度量标准,采取可增可删的双向回归算法,在保持分类精度不变的情况下,最后得到决策表的最小属性约简.实例表明在多属性的决策表约简中,在本文提出的算法得到的属性约简的基础上而得到的决策规则是较简捷、较完备的.     

一种基于信息熵的模糊粗糙集知识获取方法

模糊粗糙集融合了模糊集和粗糙集的思想,是一种新的处理模糊和不确定性知识的软计算工具。针对属性为模糊值的信息系统,提出了一种基于熵的模糊粗糙集知识获取方法:首先通过模糊相似度量计算出各属性下对象的模糊相似值,再根据模糊相似关系构造模糊等价关系,然后根据模糊等价关系建立属性集的信息熵表示,继而使用基于信息熵的决策表属性约简算法获取规则。最后,通过一个实例,分析说明了这种算法的合理有效性。     

基于模糊邻域粗糙集的启发式属性约简算法

属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中,大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果,首先在已有的模糊邻域粗糙集模型中定义属性依赖度度量,然后根据粒计算理论中知识粒度的概念,在模糊邻域粗糙集模型下提出了模糊邻域粒度度量。由于属性依赖度和知识粒度代表了不同视角的属性评估方法,因此将这两种方法结合起来用于信息系统的属性重要度评估,最后给出一种启发式属性约简算法。实验结果表明,所提出的算法具有较好的属性约简性能。     

一种新的模糊决策表属性约简方法

粗糙集理论研究的核心内容之一是属性重要性的度量和属性约简。经典的粗糙集模型基于等价关系,适合于处理离散属性值。模糊粗糙集理论将模糊集和粗糙集理论结合起来,将等价关系扩展为模糊关系,可处理模糊属性值。分析了已有广泛运用的模糊决策表的属性约简算法FRAR存在的三个问题,提出了一种新的约简算法,较好地克服了原算法的问题,能处理规模较大的模糊决策表。     

相似度三支决策模糊粗糙集模型的决策代价研究

在三支决策模糊粗糙集模型中,一些学者基于相似度三支决策模糊粗糙集模型建立了目标函数来得到最优阈值对 $\left( {\alpha ,\;\beta } \right)$ 的计算方法,但在该过程的研究中,学者并没有在相似度三支决策模糊粗糙集模型中讨论关于决策代价的描述问题。基于模糊信息系统用新的函数来描述决策代价成为计算阈值对 $\left( {\alpha ,\;\beta } \right)$ 的一种方法,首先,在模糊信息系统中,通过建立一个描述决策代价的函数,将模糊信息系统中的模糊数与三支决策的决策代价联系在一起;然后对隶属频率进行拟合,得到了三支决策中决策代价的数值描述;最后,通过两个实例说明了该方法的可行性和适用性。     

基于邻域信息熵度量数值属性快速约简算法

阐述邻域粗糙集和邻域信息熵的基本定义及性质,为避免数值属性信息系统属性约简过程中,属性离散化造成特征信息的丢失,提出一种新的基于邻域信息熵度量数值属性约简算法。扩展邻域信息系统核属性集生成约简属性集,邻域信息熵度量不仅关注约简属性集正域变化,而且考察负域样本空间约简属性邻域等价类在决策属性划分的分布,具备更好的邻域关系度量细粒度。实验表明,对比邻域粗糙集近似度量、邻域有效信息率度量、邻域软间隔度量的属性约简方法,该算法能有效进行邻域信息系统属性约简的同时,也保持了约简属性集更好的分类精度。     

一种面向混合数据的模糊等价关系构造约简

基于模糊粗糙集模型构建模糊等价关系是混合数据分析的有效方法之一。针对属性类别多样性的混合型信息系统,提出一种带权的对象间相似性度量方法 ,该方法建立每类属性对应的相似性度量函数,再通过归并确立带权的模糊相似矩阵。在转化为模糊等价关系的基础上,采用加入蕴含专家领域知识及用户需求的约简算法。通过数据库中几个数据集样本对属性约简后的数目、精度进行对比,验证了方法的有效性和可行性。     

基于信息熵与蚁群优化的属性约简算法

信息熵是粗糙集理论中度量不确定信息的重要工具之一。蚁群优化算法是一种新型的智能计算的方法,具有分布式、正反馈及启发性搜索等优良的性质,并且在优化计算中已得到了很多应用.最小属性约简问题也是一类优化问题,已有的属性约简算法主要采用Pawlak正域度量属性的重要度,而且求最小约简是NP-hard问题.为此,在分析信息熵度量不确定性数据的基础上,定义信息熵属性重要度概念,引入蚁群优化算法,提出基于信息熵与蚁群优化的最小属性约简算法.该算法发挥蚁群优化算法良好的寻优能力,大多数情况下能够找到最小约简.理论分析与实验结果表明该算法是有效可行的.     

信息熵与模糊综合评判融合的相似数据检测方法

针对大数据环境下数据冗余量大的问题,以粗糙集理论为基础,提出了一种基于香农信息熵（Shannon entropy）融合模糊综合评判的相似重复数据检测方法,首先基于香农熵对数据集中的属性进行约简,然后采用模糊综合评判方法获取约简后各属性的重要性权值,最后依据约简属性及其权值进行相似数据的检测。理论分析与实验对比表明,该方法在结构化大数据集的相似数据检测中,有较高的检测精度与效率。     

分布约简与信息熵意义下的约简

1引言 粗糙集中的属性约简是在保持系统分类能力不变的条件下,通过删除那些不必要的、冗余的属性得到的条件属性集合,它可以在不丢失系统基本信息的基础上,简化信息,形成知识.信息熵是由Shannon提出的,基于统计意义的,用于度量信息的不确定性和随机性的重要概念,将粗糙集的方法与信息熵相结合,已经取得了众多成果[1].在实际的应用中,由于种种原因,得到的信息一般都会带有一定的不一致性,因此如何定义不一致信息系统中的属性约简,是一个重要研究的课题.除了传统代数意义下的属性约简之外,文[1]还提出了信息熵意义下的属性约简,文[2]在文[3]的分布约简的基础上提出了最大分布约简,并定义了相应的可辨识矩阵.本文主要对信息熵意义下的属性约简与分布约简和最大分布约简之间的关系进行讨论.     

基于模糊粗糙依赖度的连续值属性约简

针对传统的离散化技术所造成的信息丢失问题,提出了利用模糊粗糙集理论来进行属性约简的方法。描述了模糊等价关系下的粗糙集模型,定义了正域、依赖度等概念,提出了基于模糊粗糙依赖度的属性约简算法,该方法比传统属性约简方法具有更好的时间复杂性,并用实例证明了该算法的可行性。     

基于知识划分相似性的属性约简

信息系统的属性约简是粗糙集理论的重要内容之一。除正区域、差别矩阵、信息熵之外,运用模糊T的性质提出了一种基于t-范数的划分,基于知识的划分,给出了相似性的概念,提出了若干相似性的性质,并将该相似性的度量运用到属性约简中,给出了一个新的属性约简算法,从而对属性约简进行改进。通过一个数据模型的验证,新的算法同样可以有效地滤除冗余属性,保留关键属性,充分说明了该方法的可行性。     

一种粗糙集属性约简算法

基于粗糙集理论提出一种新的属性重要度的度量方法,引入决策强度的概念,克服经典粗糙集理论约简定义的不完备性及无法获得最优属性约简的缺陷,改进基于信息熵的启发式属性约简算法,通过对既有线CTCS-2级车站列控中心软件测试平台的测试数据的实证分析,成功获得最优属性约简,发现数据之间的潜在联系及规律,给出决策规则,使决策分析更为高效。     

利用混杂核模糊补互信息选择特征

模糊粗糙集理论目前在数据挖掘和机器学习等领域受到了广泛的关注.该理论提供了一种能克服离散化问题的有效工具，并能直接应用于数值或混合属性数据.在模糊粗糙集模型中，定义模糊关系来测量对象之间的相似性，数值属性值不再需要离散化.模糊粗糙集理论已经被成功应用于许多领域，如属性约简、规则提取、聚类分析和离群点检测.信息熵被引入到模糊粗糙集理论进行模糊和不确定信息的表示，产生了不同形式的模糊不确定性度量，如模糊信息熵、模糊补熵和模糊互信息等.然而，大部分所提关于决策的模糊互信息都是非单调的，这可能导致一个不收敛的学习算法.为此，基于混杂核模糊补熵，定义了关于决策的模糊补互信息，证明了其随特征呈单调性变化.进而，利用混杂核模糊补互信息探索特征选择方法并且设计了相关的算法.实验结果展示了在大多数情况下所提算法可以选取更少的特征且能保持或提高分类准确率.     

基于粗糙集和信息熵的属性约简算法

粗糙集具有很强的定性分析能力，通过不可分辨关系找出内在规律性，很适合做属性的约简。可辩识矩阵为属性约简提供了一个浓缩了的属性区分信息，可以方便求到核属性，但对于矩阵中除核属性之外的其他属性组合的研究却不容易。熵是概率统计方法中一个概念，概率性的知识提供了一种度量。本文就是基于粗糙集的理论，运用可辨识矩阵，结合信息熵思想，提出一种属性约简算法，保证约简效果与速度。     

一种面向连续属性空间的模糊粗糙约简

简要叙述了模糊粗糙集理论中与属性约简相关的几个重要概念,研究了属性模糊化方法,并提出了一种结合遗传算法和模糊粗糙集理论的属性约简算法,它能快速找到完整地保留了原始数据集合的信息的一个属性约简.     

基于模糊包含的粗糙集模型与模糊信任测度

提出基于模糊包含的模糊粗糙集模型,并给出其相关性质。讨论由模糊粗糙集的下、上近似所决定的模糊信任测度、模糊似然测度的性质并将之应用到随机模糊信息系统的属性约简中。     

应用粗糙模糊度的不完备信息系统属性约简

粗糙集理论能有效地处理不精确、不一致、不完整等不完全数据信息,可以对数据信息进行分析和推理,发掘隐含知识,揭示潜在规律.属性约简是粗糙集理论的重要研究课题.在现实生活中,由于各种条件限制,信息的不完备现象广泛存在,限制了经典Rough集理论在一些实际问题中的应用.文中引入粗糙模糊度度量,定义了一种新的知识熵.在此基础上,提出了一种基于信息观下粗糙模糊度的不完备信息系统属性约简算法.通过仿真实验说明了该算法的有效性和较好的时间优越性.     

模糊知识粒度计算与应用

根据自反模糊关系,将知识粒度的概念推广为模糊知识粒度.考虑传统模糊粗糙集的粗糙性度量和相似性度量,忽略了模糊集的粗糙近似处于不同知识粒度背景中这样一个重要因素,结合模糊知识粒度的计算,提出了模糊粗糙集的粗糙性度量和相似性度量的新方法.最后,在一个实际的模糊信息系统中,给出了基于模糊知识粒度的知识约简算法.