基于双重粒化准则的邻域多粒度粗糙集模型

为了从多粒度、多层次的角度有效处理名义型属性和数值型属性并存的混合数据, 首先基于不同的属性集序列和不同的邻域半径构建双重粒化准则, 建立基于双重粒化准则的邻域多粒度粗糙集模型; 然后给出该模型的相关性质, 提出该模型下的属性约简算法, 约简结果可以根据实际问题的需要灵活选择合适的属性集和邻域半径. 实例分析验证了所提出模型和算法的有效性.

     

基于邻域组合测度的属性约简方法

属性约简是机器学习和知识发现的研究热点, 而属性重要性度量则是构建属性约简算法的关键环节. 针对不完备的混合型信息系统, 在邻域关系下定义了一种新的属性集成重要性度量—–邻域组合测度, 并据此提出一种基于邻域组合测度的属性约简(NCMAR) 算法. 通过多个UCI 数据集上的实验表明, NCMAR算法不仅能够直接处理符号和数值属性共存的混合信息系统, 而且适用于不完备信息系统, 在获得较小约简结果的同时, 能够保证较高的分类精度.

     

基于差别信息树的rough set 属性约简算法

差别矩阵为粗糙集属性约简提供了很好的思路, 但差别矩阵中存在冗余的重复和父集元素. 为了消除这些冗余元素, 提出一棵有序树: 差别信息树, 该树能消除差别矩阵中的重复元素, 同时在大多数情况下也能完全消除父集元素, 实现对差别矩阵中非空元素的压缩存储. 为了验证差别信息树的有效性, 提出一种属性约简完备算法, 并使该算法的时间复杂度降为??(∣??∣∣??∣²).

     

差别矩阵约简表示及其快速算法实现

差别矩阵可以拥有不同的信息, 根据差别矩阵描述的区分信息量不同, 给出4 种差别矩阵定义, 并提出相应H-约简、S-约简、B-约简和P-约简的概念; 研究4 种约简之间的关系, 构建通用约简算法模型. 为了提高约简算法的效率, 给出相对分辨能力约简定义(RD-约简), 揭示相对分辨能力约简与4 种差别矩阵约简之间的等价性, 进而设计相对分辨能力快速约简算法. 最后, 通过实例和UCI 数据集验证了所提出约简算法的有效性和时空性能.

     

粗等价类双边剪枝策略下多次Hash 的约简算法

提出一种新的约简算法. 首先以全局等价类为最小计算粒度, 提出粗等价类概念, 深入研究其性质并证明粗等价类下求核和约简与原决策系统等价; 剖析3 类粗等价类与正区域间的内在关联, 设计针对1 和??1 两类粗等价类双边删减下正区域的渐增式等价计算方法, 从而设计双向剪枝策略以及多次Hash 的属性增量划分算法, 基于此给出高效完备的约简算法. 最后用UCI 中20 个决策集、海量、超高维3 类数据集从多个角度进行验证, 结果表明, 所提出的约简算法的完备性和高效性在绝大多数情况下优于现有算法, 尤其适用于海量数据和超高维数据集.

     

基于属性分辨度的最大相容块规则提取算法

提出一种基于属性分辨度的不完备决策表规则提取算法, 它是一种例化方向的方法. 首先从空集开始, 逐步 选择当前最重要的条件属性对对象集分类, 从广义决策值唯一的相容块提取确定规则, 从其他的相容块提取不确定 规则; 然后设计属性必要性判断步骤去除每条规则的冗余属性; 最后通过规则约简过程来简化所获得的规则, 增强规 则的泛化能力. 实验结果表明, 所提出的算法效率更高, 并且所获得的规则简洁有效.

     

一种基于变权的动态多属性决策方法

针对实际问题中决策信息不完全的动态多属性决策问题, 提出了广义优序法. 将决策问题转化为各方案的广义优序数矩阵问题, 并在此基础上引入逼近理想解的排序法思想, 提出了确定属性权重和时间权重的变权方法. 该方法体现了对决策属性、时间样本的重要性和决策者的主观偏好, 使得决策结果更加符合决策者的选择. 最后通过实例分析验证了所提出方法的科学性和有效性.

     

三支近似概念格中基于对象-概念辨识矩阵的属性约简方法

属性约简是概念格理论的一个重要研究内容, 基于辨识矩阵计算约简是一种经典方法, 传统辨识矩阵的计算复杂度为O(nl2). 鉴于此, 在三支近似概念格模型中, 构造一种对象-概念辨识矩阵, 其计算复杂度为O(mnl), 一般情况下, m远远小于l, 辨识矩阵的计算复杂度大大降低, 并结合概念格的偏序关系进一步简化对象-概念辨识矩阵.通过理论分析和实验结果表明了所提出方法的高效性.

     

基于小波变换的分布式信息一致滤波算法

研究一类基于小波变换的分布式信息一致滤波算法. 首先, 利用Haar 小波变换建立目标状态及其观测在不同粗尺度下的系统模型; 然后, 基于该模型, 在不同粗尺度上分别进行分布式信息一致滤波估计; 最后, 针对不同粗尺度估计, 通过Haar 小波逆变换重构最细尺度(初始尺度) 目标状态的估计. 仿真结果表明, 所提出的算法可以有效提高分布式信息一致滤波算法的计算效率.

     

基于马田系统的区间Choquet 模糊积分多属性决策方法

为了扩展马田系统在模糊积分多属性决策领域中的应用, 引入区间样本描述统计量, 将传统的实数型马田系统改进为区间型马田系统, 并在此基础上提出一种基于区间数据的模糊测度计算方法. 为了便于集成区间属性值,定义区间Choquet 模糊积分算子. 实例分析表明, 所提方法能够解决属性值为区间数据的模糊积分多属性决策问题, 验证了该方法的可行性.

     

基于幂图的属性约简

针对粗糙集理论中基于差别矩阵的属性约简方法存在的不足,提出一种基于幂图的属性约简算法.首先通过修改样本决策属性值将不相容决策表转化为简化的相容决策表;然后将样本对概念与幂图概念相结合,将基于修正差别矩阵的不相容决策表的属性约简转化为幂图的搜索问题;最后通过实例和实验验证了所提出算法的有效性.     

新的可分辨矩阵及其约简方法

为了解决因决策表存在不相容性造成求核和属性约简的错误,首先通过增加一个属性列,将原始决策表相容化;然后创建可分辨矩阵,并给出核属性和属性约简的性质,同时证明了由该性质获得的核和属性约简与正区域的核和属性约简是等价的;最后设计属性约简算法及其改进算法,并通过实例验证了该方法的正确性.     

不一致决策表规则获取的粒计算方法

针对不一致决策表的规则获取,从属性多粒度角度考虑,按粒度由粗到细将决策表划分成不同的粒度空间,通过定义相容粒关系矩阵和不相容粒关系矩阵,并充分挖掘隐含在矩阵中的启发式信息,实现对不同粒度空间确定性规则和不确定性规则的获取.最后,从实例分析以及UCI测试对算法进行验证,并与现有算法进行实验对比,实验结果与分析表明了所提出算法的可行性和有效性,而且按此方法获取的规则集的泛化能力更强.     

一种基于C-Tree的属性约简增量式更新算法

针对以往文献为克服基于差别矩阵的属性约简算法存储代价高的不足而提出的基于浓缩树(C-Tree)的高效属性约简算法仅考虑决策表不变的情况,提出了一种基于C-Tree的属性约简增量式更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法可通过快速更新C-Tree,在动态求解核的基础上,利用原有的属性约简有效地进行属性约简的增量式更新.理论分析和实验结果表明,所提出的算法是有效可行的.     

基于粗糙集的犹豫模糊多属性决策方法

针对属性值为犹豫模糊元的决策问题,提出一种基于粗糙集理论的多属性决策方法.首先,依据属性值与理想点的贴近度和给定的阀值得到判断矩阵;然后,根据判断矩阵对属性集进行约简,确定属性权重;最后,基于TOPSIS思想,计算各方案与理想点的综合贴近度,得到方案的优劣次序,并通过算例分析表明了该方法的有效性.     

基于改进熵和新得分函数的区间直觉模糊多属性决策

针对决策信息为区间直觉模糊数且属性权重完全未知的多属性决策问题, 提出基于改进的区间直觉模糊熵和新得分函数的决策方法. 首先, 利用改进的区间直觉模糊熵确定属性权重; 然后, 利用区间直觉模糊加权算术平均算子集成信息, 得到各备选方案的综合属性值, 进而指出现有得分函数存在排序失效或排序不符合实际的不足, 同时给出一个新的得分函数, 并以此对方案进行排序; 最后, 通过实例表明了所提出方法的有效性.

     

基于属性重要度的风险决策粗糙集属性约简

基于Pawlak 粗糙集的属性约简一般保持决策表的正区域不变, 然而由于现实中不同用户对不同约简精度的需求, 获取属性值的实际代价与个人偏好可能不同. 针对决策者主观个人偏好、客观约简精度、获取属性值的实际代价和决策表各区域的误判代价等综合情况, 提出新的约简算法, 并讨论约简代价与约简精度间的关系. 通过遗传算法, 采用启发式方法搜索出局部最优约简子集. 仿真实验表明, 所提出的算法操作性强, 更适合处理实际决策问题.