基于分形维数的属性约简

关于属性约简的算法已经提出了许多,基于粗糙集的属性约简算法就是其中的一类。但该类算法执行效率低且不一定得到最小约简。本文讨论了基于可辨识矩阵的属性频度算法（BDMF）并提出了基于分形维数的向后剔除属性约简算法（FDR）。仿真实验表明FDR比BDMF的运行效率高,且约简的效果更好。     

一种基于灰色关联度的多属性群决策方法

基于灰色关联度的思想提出了一种群决策方法。该方法根据各专家给出的决策矩阵,利用灰色关联度的思想确定专家权重,得出群决策矩阵,基于偏差最大化的思想计算属性权重,计算各方案的综合关联度,据此确定方案的排序。算例表明了利用此方法得出的方案综合关联度之间相对差距较大,提高了决策的科学性和有效性。指出了徐选华等人提出的算例中的错误,予以纠正。     

基于元素约简的决策表属性约简算法

Skowron差别矩阵广泛应用于属性约简及求核运算,但它只适用于相容决策表,对于不相容决策表有时会得到错误的结果。虽然国内多位学者对它进行了改进,但一方面它们仍只适用于相容或部分相容决策表的属性约简,对完全不相容决策表仍得不到正确的结果。另一方面须通过额外的函数来约束差别矩阵的构造过程,增加计算负担。利用等价差别矩阵具有相同属性约简的思想,将元素对象分割成相容对象与矛盾对象,通过对参与构造差别矩阵的行与列元素进行约简,减少了某些重复计算过程,提高了计算效率。以此为基础,给出了一种改进的属性约简算法。数值算例验证了该算法是有效可行的。     

灰决策表的属性约简算法

本文提出了一个灰决策表的概念,即属性值含灰数的不完全决策表称为灰决策表,并利用灰色系统理论和粗糙集理论的有关知识对灰决策表的属性约简算法进行了研究。     

基于数据库系统的决策表核与属性约简算法

给出一种简单的代数核判断方法,它将比较两个正区域是否相等简化为比较它们的基数是否相等,从而简化了计算过程,得到一种基于数据库系统求决策表核属性的新算法。由于所有条件属性集已是一个代数协调集,采用自顶而下逐步删除可约属性的策略,提出一种基于数据库系统求代数约简的算法。理论分析和实验结果表明,该方法面对大数据集具有更高的效率。     

基于差别矩阵启发式决策表属性约简算法

属性约简是粗糙集理论研究的核心内容之一,足知识获取的关键步骤.针对大规模数据集,基于决策表差别矩阵属性约简不具备可操作性缺点;以及基于差别矩阵属性频度的约简算法没有考虑到差别矩阵元素中属性个数多少的缺陷.基于差别矩阵元素的基数越小,其属性越重要的思想,按照基数由小到大的顺序,利用矩阵中具有相同基数的矩阵元素的簇集中属性出现的频度,确定属性的重要度,提出一种快速搜索属性约简算法,能快速搜索到属性的最优或次优约简.实验结果表明算法是可行、有效的.     

基于聚类率的决策表属性约简

根据经典粗糙集方法,在对可约简决策表进行属性约简时可能出现核不存在无法找到起点属性从而无法约简的问题。针对该问题,提出了基于聚类率的属性约简方法。计算决策表的区分矩阵,以属性区分度为基础,在属性区分度相同的情况下,利用聚类率修正属性重要度,保证起点属性存在的必然性,从而完成起点属性的求取并获得决策表的属性约简。实验分析表明,方法可以保证可约简决策表中起点属性的计算,且利用该方法获得的约简结果保持了较高的决策准确率,是有效可行的。     

决策表的高效属性约简算法

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。对现有决策表的属性约简算法进行了比较研究,在此基础上设计了两个合理度量属性重要性的公式,并给出了该公式的递归计算方法,利用新公式作为启发式信息设计了一种新的基于决策表的高效属性约简算法。实例与实验表明,该约简算法在效率上较现有算法有显著的提高。     

一个基于决策表的快速属性约简算法

在目前已出现的基于Rough Set的属性约简算法中，认为以近似质量为启发信息并非十分理想，以快速缩小搜索空间为目的设计了一个新的较为合理的度量属性重要性的计算公式，并给出了该公式的递归计算方法，计算该公式的算法的复杂度被降低到O（｜C-P｜｜U—UP｜），然后给出了一个时间复杂度为max（O｜C｜｜U｜log｜U｜，O（｜C｜^2｜U｜））的快速属性约简算法，最后用一个实例说明了算法的有效性．     

带权决策表的属性约简

属性约简是粗糙集理论的重要应用。考虑将决策表中的每行都作为一条决策规则时，若把表中出现相同决策规则的次数作为权，可得到带权决策表。提出了关于带权决策表的正域约简相应的辨识矩阵并给出了证明，从而得到了约简算法。相比于决策表中的正域约简时发现，通过将决策表转化为带权决策表后，再利用算法1进行约简时，其在一定程度上优于前者。提出了近似分类精度约简相应的辨识矩阵并给出了证明。对于2个算法，在选取的UCI数据集上进行了实验验证。通过实验进一步说明了所提出算法的可行性和有效性。     

基于变精度粗糙集的不完备决策表属性约简

针对现有的在相容关系下基于变精度粗糙集约简算法的局限,给出了[β]上（下）分布约简的判定方法和改进的[β]上（下）分布可辨识矩阵定义,并给出求解基于变精度粗糙集的不完备决策表约简算法;最后通过实例验证了算法的有效性。     

一种基于相对区分表的属性约简算法

属性约简是知识获取中的核心问题之一。为了能较高效率地获得属性约简,在Rough Set理论基础上构造出了相对区分表,将基于相对区分表的属性约简的判定算法(JRA)作为子算法并结合归纳属性约简算法的优点,设计出了基于相对区分表的归纳属性约筒算法(RA)。算例说明该算法具有较高的属性约简效率,并能取得较好的约简结果。     

不相容决策表的属性约简算法

对Skowron可辨识矩阵方法进行分析,并应用反例说明基于Skowron可辨识矩阵的属性约简算法对不相容决策表的属性约简,可能会导致错误的结果。针对这一问题,提出了一种基于改进可辨识矩阵的属性频率约简算法。该算法以改进的可辨识矩阵为基础,以属性频率作为启发信息,同时在算法中加入消除冗余属性二次约简过程。提供了实例分析,验证了该算法能够有效地对相容与不相容的决策表进行属性约简。     

一种改进的决策表属性重要性及其快速约简算法

文献[9]给出了一种决策表的代数约简快速属性约简算法,但有时得不到正确的结果,首先给出算例指出其不足,然后给出改进的属性重要性及其快速属性约简算法,它能保证得到正确的代数约简结果。数值算例也验证了其正确性。     

基于近似决策熵的属性约简

粗糙集理论已被证明是一种有效的属性约简方法. 目前有许多启发式属性约简算法已被提出, 其中基于信息熵的属性约简算法受到了广泛的关注. 为此, 针对现有的基于信息熵的属性约简算法问题, 定义一种新的信息熵模型—–近似决策熵, 并提出一种基于近似决策熵的属性约简(ADEAR) 算法. 通过在多个UCI 数据集上的实验表明, 与现有算法相比, ADEAR算法能够获得较小的约简和较高的分类精度, 具有相对较低的计算开销.     

基于依赖度的区间集决策信息表属性约简

区间集决策信息表拓展了经典决策信息表,但其属性约简研究较少.针对区间集决策信息表存在的问题,采用模型正域及相关依赖度提出属性约简及其启发式约简算法.在区间集粗糙集模型中,定义关于决策分类的正域与依赖度,证明粒化单调性等性质.提出基于依赖度的属性约简,设计启发式约简算法.实例分析与数据实验表明,设计的基于依赖度的启发式约简算法是有效的,所得结果有利于依赖学习与特征优化.     

一种基于决策矩阵的属性约简及规则提取算法

研究了Rough集理论中属性约简和值约简问题,扩展了决策矩阵的定义,提出了一种基于决策矩阵的完备属性约简算法,该算法利用决策属性把论域划分成多个等价类,然后利用每个等价类对应的决策矩阵计算属性约简。与区分矩阵相比,采用决策矩阵可以有效地减少存储空间,提高约简算法效率。同时,借助决策矩阵进行值约简,提出了一种新的规则提取算法,使最终得到的决策规则更加简洁。实验结果表明,本文提出的属性约简和值约简算法是正确、有效、可行的。