Rough Set理论中连续属性的离散化方法

Rough Set(RS)理论是一种新的处理不精确、不完全与不相容知识的数学工具.传统的RS理论只能对数据库中的离散属性进行处理,而绝大多数现实的数据库既包含了离散属性,又包含了连续属性.文中针对传统RS理论的这一缺陷,利用决策表相容性的反馈信息,提出了一种领域独立的基于动态层次聚类的连续属性离散化算法.该方法为RS理论处理离散与连续属性提供了一种统一的框架,从而极大地拓广了RS理论的应用范围.通过一些例子将本算法与现有方法进行了比较分析,得到了令人鼓舞的结果.     

Rough Set中基于聚类的连续属性离散化方法

分析了一些RoughSet中连续属性离散化的方法，指出了其中的某些不足，并给出了一个基于聚类的连续属性离散化的方法，对当前的论域中的例子根据相似性进行聚类，对每个聚类在各属性轴上的投影的边界设离 散断点。该方法考虑了各属性之间的相关性，能得到比较合理的离散结果。     

基于属性重要性的Rough集属性约简方法

介绍了属性约简的原理,在此基础上提出了基于重要性的约简方法,它是利用属性重要性原理,求取核属性和最简属性约简。并举例与传统的方法进行比较。     

基于Rough集的噪音抑制系统的设计与仿真

采用传统方法对非固定噪音抑制系统做出决策是较为复杂的。而采用Rough集理论进行智能推理,构造独特的决策系统能较好地实现噪音抑制。仿真结果表明Rough集理论应用于噪音抑制系统所取得的效果是符合电信信道需求的。     

一种连续属性离散化的新方法

提出了一种基于聚类方法、结合粗集理论的连续属性离散化方法。在粗集理论中有一个重要概念：属性重要度（Attribute significance)，它常用来作为生成好的约简所采用的启发式评价函数。受此启发，在连续属性离散化方法中可把它用于属性选择，即从已离散化的属性集中选择出属性重要度最高的属性，再把它和待离散化的连续属性一起进行聚类学习，得到该连续属性的离散区间。文中介绍了该方法的算法描述，并通过实验与其他算法进行了比较。实验结果表明，由于这种方法在离散化过程中结合了粗集理论的思想,考虑了属性间的相互影响，从而产生了比较合理的划分点，提高了规则的分类精度。     

基于Rough集距离函数的属性值区间化及其应用

Rough集作为一种处理模糊和不确定性问题的新颖方法已经在许多领域得到了广泛的应用。本文通过计算使决策表中的属性值区间化[3 ] ,删去冗余的决策规则 ,从而生成一种更具代表性的数据隐含式。利用上下距离函数和Rough决策因子代替统计方法或专家经验方法 ,在实际开发的系统中更具实用性。     

基于FCM的连续属性模糊离散化方法

连续型属性的离散化是数据挖掘研究中一个重要的组成部分,连续属性离散化方法的性能对数据挖掘结果会产生直接的影响。本文将基于目标函数的模糊聚类算法-FCM引入到连续属性离散化中,在对FCM算法中的模糊聚类数目a和初始聚类中心位置进行优化的基础上,提出了改进的NFCM算法,根据需要离散化的数据分布特点来进行离散化,减少了模糊聚类算法的迭代次数,提高了连续属性离散化的效率。     

一种应用Rough集的多属性决策方法

将Rough集应用于多属性决策问题,通过引入属性的综合客观权重给出一种依据已有决策案例进行决策的新算法。其基本思想是： 首先根据已有决策案例建立决策表;然后应用条件属性关于决策属性的重要度、决策案例的局部权重和全局权重等概念确定各属性的综合客观权重; 再通过经验因子来调整综合客观权重和主观权重的比例,得到各属性的最终权重; 最后利用所得权重计算待决策对象的决策属性值,以此进行决策。文中通过对实例的分析,说明了该算法的实用性。     

Rough集方法在个人投资分析中的应用

随着我国经济不断发展,个人手中的闲置资金越来越多,传统的投资方式已经不能满足个人投资者的需要.现在可供个人选择的投资方式较多,许多投资者无法选择适合自身的投资方式从而造成了巨大的损失.本文使用基于Rough集方法和Bayes决策理论,计算出影响投资的关键因素和风险系数,使得投资者根据影响因子和风险系数选择投资方式,对个人投资者有一定的参考价值.     

基于属性集值不完备信息系统的Rough集方法

论文使用基于一般关系的Rough集理论和方法,研究了具有“属性集值”的不完备信息系统。通过研究由属性集值产生的不完备信息系统上的三种基本关系相容关系、非对称相似关系和拟序关系,建立了相应Rough近似集合的某种“单调”关系。在此基础上,讨论了系统属性约简及其实现算法。     

一种基于粗糙集理论的连续属性离散化新算法*

粗糙集理论中要求离散化保持原有决策系统的不可分辨关系,但以往的一些算法在离散过程中会使近似精度控制在可以接受的范围,即允许一定的错分。针对此不足,在保证决策属性绝对不改变的情况下,提出一种新的区间拆分方法,更合理有效地对连续属性进行离散化。实验通过C4.5和支持向量机分别对离散化后的数据进行识别与分类预测,实验结果证明了算法的有效性。     

粗糙集与粒子群算法结合的属性离散化方法

提出了一种结合粗糙集和粒子群的连续属性离散化算法,采用了MPSO算法的思想,提高了粒子群摆脱局部极值的能力,得到了较好的离散化效果。对不同的数据集进行了多次测试,结果表明该算法在对数据离散化时有较好的性能。     

粗集理论中连续属性的广义离散化

提出一种处理区间属性值离散化问题的新方法,其特点是在离散化过程中强调类别可分离性,首先拓展已有的基于断点划分的离散化定义,给出基于类别可分离性的广义离散化定义;然后描述了广义离散化算法并进行时间复杂性分析;最后利用辐射源信号进行了仿真实验．结果表明,该方法能有效离散区问属性决策系统,简化分类器的设计和提高识别率,从而拓展了粗集理论的应用范围．     

基于变精度粗糙集的决策树改进方法

基于变精度粗糙集理论提出了具有置信度规则决策树的新的构造方法,该方法采用β-边界域的大小作为选择分类属性的标准,并对叶节点的置信度进行了重新的定义。经实验证明,该方法能有效提高分类效率且更加容易理解。     

基于粗糙集理论的遗失值填充算法

分析了在含有遗失值的数据集上如何进行有效的数据填补,以便更客观地反映数据集中数据所隐含的内在联系。通过采用粗糙集理论的有关思想和方法,提出了一种高效的等价类划分方法,在此基础上给出了一种基于粗糙集理论的遗失值填充算法,提高了遗失数据的填补效率和精确度。数据实验表明了该方法的有效性和可行性。     

基于改进粒子群优化的粗糙集连续属性离散化

提出一种基于改进粒子群优化的连续属性离散化算法。在算法优化方面,采用改进粒子群优化算法。为了克服传统粒子群优化的不足,对种群初始化和自适应调整粒子的惯性权重,提高了粒子群优化算法的全局寻优能力。在粗糙集属性离散化方面,主要是通过将最小断点集作为优化目标,粗糙集属性依赖度作为约束条件。仿真结果表明,该方法能有效地解决决策表连续属性离散化问题,计算速度快,收敛性好。     

一种基于多决策类的贝叶斯粗糙集模型

针对传统贝叶斯粗糙集理论只能处理二决策类的不足,提出一种基于多决策类的贝叶斯粗糙集．在此基础上定义一个衡量条件属性对决策属性影响程度的γ 依赖度函数,并证明了该函数具有随条件属性的增加而单调递增的性质．最后基于γ 依赖度函数的单调特性,提出一种确定属性权重的算法．以某钢厂１５０ｔ转炉的实际生产数据为例,仿真结果表明了模型的有效性和实用性．     

基于区分矩阵的数据离散化算法

由于传统的粗糙理论只能对数据库中离散数据进行处理,而绝大多数现实的数据库既包含了离散数据,又包含了连续数据。针对这一问题,提出了一种基于候选断点区分矩阵的数据离散化算法。该方法以断点核为起点,以候选断点在区分矩阵中出现的频率作为启发信息,逐次选择最重要的断点加入到结果断点子集中,并由最终的断点集得离散化后的信息系统。最后通过实例分析表明,该算法具有较好的离散化效果。     

基于粗糙集理论和信息熵的属性离散化方法*

在分析当前研究中常用的属性离散化方法的基础上,提出了一种计算初始断点集合的算法;定义了断点的信息熵,并以此作为对断点重要性的度量,提出了一种基于粗糙集理论和信息熵的属性离散化算法。通过与其他离散化算法的对比实验,验证了本算法的有效性,而且在样本数和条件属性数目不断增大时仍有很高的效率。     

基于直觉模糊粗糙集的属性约简

针对Jensen下近似定义的局限性,提出一种新的等价类形式的近似算子表示,并将其推广到直觉模糊环境.在此基础上,将相对正域、相对约简、相对核等粗糙集的知识约简概念推广到直觉模糊环境,提出一种直觉模糊信息系统的启发式属性约筒算法.实例计算表明.该方法比Jensen的属性约简方法更为合理有效.