基于信息熵的粗糙集连续属性离散化算法

该文提出了一种新的粗糙集连续属性离散化算法．首先对每一个候选断点定义了信息熵，以此作为对断点重要性的量度，在此基础上给出了断点选择的粗糙集连续属性离散化算法．最后采用多组数据对此算法的性能进行了检验，并与其它算法做了对比实验．实验结果表明此算法是有效的，而且当候选断点个数增多时仍有很高的计算效率．     

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。     

一种新的用于连续值属性离散化的约简算法

针对在Nguyen和Skowron的离散化算法中进行启发式约简时会出现某些属性不能进行离散化问题，以及在无核数据集中启发式约简算法计算量比较大等问题，在粗糙集理论和属性频率函数的基础上给出一个新概念－候选核，并提出一种新的用于连续值属性离散化的约简算法－基于候选核的启发式约简算法（简称BCC）。该算法可以寻找到能对所有属性进行离散化的约简，实验表明，所提出的BCC算法能提高大数据集的离散化效果。     

一种基于粗糙集和信息熵理论的属性离散化算法

在分析和研究C5算法中连续属性处理的必要性及C5算法中离散化方法的不足后,采用基于粗糙集理论-信息熵-可辨识矩阵的离散化的方法(RSIEDM)进行离散化。该方法利用粗糙集、信息熵和可辨识矩阵能更合理、更准确地对连续属性进行离散化,使创建的决策树具有更好的准确率。在优化雷电灾害统计和评估雷电灾害导致的损失应用中,该算法取得了较好的效果。     

一种基于粗糙集的离散化算法

粗糙集理论以其独特的数据约简能力在不确定信息处理的相关领域得到广泛关注和研究,而连续属性的离散化是粗糙集方法及其它归纳学习系统中的重要环节.将离散化视作一种信息概括、抽象和约简,利用粗糙集理论提出一种全局的离散化算法.算法通过定义一致性度量,实现全局离散,弥补了局部离散化MDLP方法引入不一致的缺陷.然后在保持一致性前提下,进一步对离散中分割点的冗余进行约简.实验采用ID3和粗糙集分类工具ROSETTA在多个大数据集上对提出的离散方法进行分类验证,实验结果表明该算法的有效性和优越性.     

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。     

连续属性离散化算法研究综述

在数据挖掘和机器学习研究中,许多算法以离散值为处理对象,常常需要对连续属性进行离散化。以有监督和无监督离散化为线索,对典型离散化算法的基本思想进行梳理总结,并从时间复杂度以及对后续分类的影响等角度进行对比。最后对连续属性离散化的一些主要研究方向进行展望。     

基于自适应蚁群算法的粗糙集属性约简

定义粗糙集理论的近似精度,引入信息索交流机制和交流概率,通过自适应调节每组蚂蚁间的信息素浓度改进传统蚁群算法,并将其应用于粗糙集属性约简算法中.实验结果表明,相比其他属性约简算法,该算法提高了获得最小属性约简的可能性,具有较好的收敛速度且不易陷入局部最优解.     

基于量子蚁群算法的粗糙集属性约简方法

针对蚁群算法求取属性约简中存在的迭代次数多、收敛较慢甚至得不到最小约简的问题,提出了基于量子蚁群算法的粗糙集属性约简的方法。每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;采用量子旋转门完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异。实验证明,该算法能快速有效地求解属性约简,同时又能找到许多次最小约简。可以很好地解决这一难题,它不仅能得到最小约简属性集,而且可以得到很多的约简属性集。     

基于粗糙集理论的属性离散化算法

决策系统中连续属性离散化,即将一个连续属性分为若干属性区间并为每个区间确定一个离散型数值,对后继阶段的机器学习具有重要的意义。首先研究了满足决策系统最优划分的一种计算候选断点集合的算法,然后在基于条件属性重要度和贪心算法的基础上提出了一种确定结果断点子集的新启发式算法。所提出的属性离散算法考虑并体现了粗糙集理论的基本特点和优点,并能取得较理想的连续属性离散化结果。     

基于蚁群算法的雷达组网优化布站方法

蚁群算法作为一种新型启发式优化算法。具有分布式计算、信息正反馈和启发式搜索的特征，在求解多种组合优化问题中获得了广泛的应用。本文利用蚁群算法全局搜索、收敛速度快和避免局部极优的特性，结合雷达组网优化布站的问题给出了具体的算法思想，并通过计算机仿真实验证明了该方法的有效性。     

结合蚁群算法的改进粗糙K均值聚类算法

粗糙集理论是一种处理边界对象不确定的有效方法。将粗糙集与K均值结合的粗糙K均值聚类算法,具有简单高效且可处理聚类边界元素的特点,但同时存在缺陷。针对粗糙K均值聚类算法对初始点敏感,经验权重设置忽略数据差异性,阈值设置不合理导致聚类结果波动性大的缺陷,本文提出结合蚁群算法的改进粗糙K均值聚类算法,改进的算法中使用蚁群算法中随机概率选择策略和信息素更新的正负反馈机制,以及采用动态调整算法阈值和相关权重的方法,对粗糙K均值聚类算法进行优化。最后采用UCI的Iris、Balance-scale和Wine数据集分别对算法进行实验。实验结果表明,改进后的粗糙K均值聚类算法得到的聚类结果准确率更高。     

基于记忆表的连续蚁群优化算法

蚁群算法的离散本质限制了其在连续问题求解中的应用,针对该问题提出求解连续函数优化问题的连续蚁群优化算法。对概率密度呈高斯分布的分布函数进行随机采样,为每只蚂蚁产生下一步迭代的 个候选位置,引入记忆表取代基本蚁群算法中的禁忌表,通过对记忆表中的优良解进行动态替换实现信息素更新。与其他连续优化算法的比较结果证明,该算法在复杂度、稳定性等方面具有优势。     

基于最小生成1-树动态候选集的蚁群算法

利用旅行商问题中最优路径和生成树之间的关系,论文将最小生成1-树的概念引入蚁群算法,并提出一种新的量度来构造动态候选集。通过数据实验,表明该算法不仅有效地防止了解的退化,而且提高了搜索精度,收敛性有了明显改善。     

二进制蚁群进化算法

从生物进化角度将群体中的每只昆虫看成一个神经元,彼此之间通过随机、松散的连接组成一个神经网络;然后类似于人工神经网络模拟蚂蚁群体智能, 提出了一个二元网络. 由于采用二进制编码对单个蚂蚁的智能行为要求比较低,对应的存储空间相对较少,使得算法的效率有较大的提高. 通过测试函数优化和多维0/1 背包问题结果表明该算法具有较好的收敛速度和稳定性,非常好的求解结果.     

基于一般二元关系下的粗糙Vague集

本文研究了一般关系下Vague集合的近似问题,建立了一般关系下粗糙Vague近似的框架。在分析经典的粗集理论、模糊集理论、Vague集理论三者关系的基础上,提出了一般关系下粗糙Vague集的概念,并定义了粗糙Vague近似算子,讨论了粗糙Vague的性质。本文的结果对进一步开展粗糙集Vague集的研究具有一定的意义。     

基于MapReduce的混合蚁群算法研究

传统的蚁群算法在收敛速度上较慢且容易导致局部最优解,本文提出一种基于双模式的混合蚁群算法,即在算法的每次迭代中有比例地选择其中一种模式来获得蚂蚁的最优路径,可以实现在相对较少的时间内寻找出最优路径,且避免陷入局部最优解。由于蚁群算法天然具有并行化的特性,本文将混合蚁群算法与MapReduce结合,大大缩短了算法的执行时间。实验结果表明,基于MapReduce的混合蚁群算法可以实现在相对较少的时间内寻找出较优的路径。     

一种连续空间优化问题的蚁群算法及应用

针对随机优化算法收敛困难及搜索时间较长的问题,提出一种求解连续空间优化问题的蚁群算法,为蚁群算法在连续空间中的应用提供了一个可行的方案。给出了该算法的详细定义及实现步骤,并将该算法应用于多变量函数优化及热工控制系统控制器参数优化,仿真结果表明:该算法具有良好的全局优化性能,能加快收敛速率,解决了随机优化算法收敛困难的问题,并提高寻优精度。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。