基于粗糙集的电机故障诊断

利用粗糙集能够约简决策表减少得到诊断规则的复杂度和案例分析能够快速计算出两个案例的相似度,本文设计了一种基于粗糙集理论电机故障诊断方法。首先结合粗糙集中区分矩阵的知识消除掉收集的电机故障数据中的冗余信息,以求得到最简决策表,从而得到诊断规则;然后借鉴属性重要度的计算方法,来确定各属性权重,标记出各属性的重要程度,并为计算属性相似度做基础;最后利用案例推理的理论计算测试规则和所得的诊断规则的各相似度,根据最高相似度的诊断规则得出测试规则的故障检测结果。实例验证所得结果也证明了本文设计的方法的可行性与有效性。     

基于属性重要性的不完备数据填充算法

现有的不完备数据填充算法对所有缺失数据采用统一方式填充,没有考虑数据的重要性,效率低,实时性差。因此,本文提出一种基于属性重要性的不完全数据填充算法。通过差分矩阵求得属性约简,根据约简区分重要属性和非重要属性,对于重要属性数据填充采用改进的马氏距离填充方法,而不重要属性数据填充采用相似度概率填充方法,保证了数据精确度的同时,提高了实时性,具有实用性。最后,实验部分采用数据家庭系统数据和UCI标准数据集分别对算法性能进行了分析,验证了该算法的优越性。     

一种新的信息系统启发式属性约简算法

为降低信息系统属性约简算法的时间复杂度,首先引入简化信息系统的概念,然后定义了简化信息系统中属性集的区分对象数,证明了基于简化信息系统区分对象数的属性约简与原属性约简是等价的.进而定义了简化信息系统的属性重要性,并设计了一个快速求属性重要性的算法.同时,以属性重要性为启发式信息,设计了一个新的属性约简算法.新算法的时间复杂度降为max{O(|C||U|),O(|C|2|U|C|)}.最后用一个实例说明了新算法的有效性.     

一种改进的不完备熵属性约简在装备故障诊断中应用

针对经典的粗糙集方法在处理不完备测试数据时,将完备化和属性约简先后进行易导致完备化数据产生偏差而影响属性约简准确性的问题,给出一种基于不完备熵的属性约简算法.通过对属性重要度概念在粗糙熵和不完备熵定义上进行拓展,立足原始测试数据直接计算各条件属性的属性重要度,从而获取一个较优的属性约简.该方法不仅充分考虑了不完备数据与属性约简之间的联系,而且约简结果更加精确,最后在某型装备故障诊断中应用验证了其有效性和优越性.     

基于多属性模糊C均值聚类的属性约简算法

模糊C均值聚类算法在处理高维数据集时,存在计算复杂度高,算法泛化能力差,计算精度低等问题。考虑到特征属性对聚类的贡献程度的差异,在多属性模糊C均值聚类的思想上,提出一种基于属性重要性的约简算法。为验证有效性,在UCI数据集上,将新算法与因子分析法和粗糙集理论约简方法进行比较分析。实验结果表明,该方法具有更好的泛用性,在平均标准差大或类间中心距离较远的数据集上具有更好的性能。     

一种基于粗糙集的纳税人属性约简方法．

基于粗糙集理论,对基于属性重要度的启发式属性约简算法进行了改进,并将改进后算法运用于纳税人属性约简的实际工作中.该算法解决了原有基于属性重要度的启发式属性约简算法结果中存在冗余属性问题,实现了属性选择较小化,并保持原有数据分类能力不发生大的变化.通过属性约简实验结果和实际工作情况对比,证明该算法具有很好的性能.     

一种改进的无核信息系统属性约简算法

针对无核信息系统的特点,基于互信息提出了一种新的启发式属性约简算法,该算法以增加属性后的互信息增量和属性自身的信息熵2项指标作为评价属性重要度的依据。实验结果表明,该算法避免了对于没有核属性的无核信息系统因随机选择初始属性造成计算复杂度增大的问题,并且属性约简效率提高,属性约简后的个数也相对较少。     

一种基于属性重要度的值约简算法

值约简是粗糙集理论的一个重要研究课题，很多学者对它进行了研究并提出了不同的值约简算法，但由于值约简算法是NP—hard问题，目前还没有高效的值约简算法。文中利用信息熵来计算属性重要度，在此基础上对值约简算法进行改进，提出了一种基于属性重要度的值约简算法，并将此算法运用到变压器故障诊断中。实验结果验证了此算法的可行性和有效性。能节省循环比较时间，提高计算速度。     

基于公理化模糊子集的改进谱聚类算法

谱聚类算法通常是采用高斯核作为相似性度量,并利用所有可用的特征来构建具有欧氏距离的相似度矩阵,数据集复杂度会影响其谱聚类性能,因此该文提出一种基于公理化模糊子集(AFS)的改进谱聚类算法。首先结合AFS算法,利用识别特征来衡量更合适的数据成对相似性,生成更强大的亲合矩阵;再有效地利用Nystr?m采样算法,计算采样点间以及采样点和剩余点间的相似度矩阵去降低计算的复杂度;最后通过在不同数据集以及图像分割上进行实验,证明了提出算法的有效性。     

融合粗糙集与小生境免疫优化的属性约简方法

在粗糙集核属性的基础上,融合小生境免疫优化提出一种决策属性约简方法.将核属性参数作为抗体编码的先验信息,通过疫苗自适应提取算法对抗体群接种疫苗,提高抗体群多样性及稳定性.为降低属性约简的计算复杂度,引入属性集合的分类近似标准作为免疫优化的亲和度,采用小生境免疫共享机制动态调整抗体群的亲和力,提高算法局部搜索能力.通过免疫记忆算子操作促使优良个体的保存,在保证收敛速度的同时具有较强的全局和局部寻优能力.通过滚动轴承故障诊断及UCI数据集的属性约简实验,显示本算法在属性约简精度和效率方面具有较好效果.     

基于增量式更新带权差别集合的属性约简算法

在面向差别矩阵的约简算法思想的基础上,定义一种新的带权差别集合(WDS)模型,并提出了高效更新带权差别集合的算法,分析了该更新算法的时间和空间复杂度.随后,基于快速更新带权差别集合算法,提出一种增量式属性约简方法.当有新的数据对象被加入决策表,可有效提高属性约简的效率.理论分析和实验结果表明该算法适用于大数据集的约简.     

基于粗糙属性向量树的规则提取快速矩阵算法

本文首先探讨了粗糙集中等价矩阵的基本概念及其运算性质.借助于粗糙属性向量树(RAVT)的巧妙构造,提出了两种能同时完成属性约简、数据清洗和规则提取的快速递推矩阵算法(RMC)和分布式并行矩阵算法(PMC).上述算法强调规则提取的实用性和高效性,通过一个简单实例研究验证了PMC算法的可行性,通过对算法复杂度的深入分析和一组对比实验验证了RMC算法对知识发现、基于数据建模和控制的有效性.     

一种基于关系矩阵维度增量式约简算法

目前决策表的数据信息都是动态变化的,为了有效地对这些数据集进行属性约简处理,在改进的等价关系矩阵的基础上,提出一种增量式属性约简算法,决策表增加了一些属性,利用更新前决策表的等价关系矩阵和属性约简等信息,便能快速求解出更新后的决策表属性约简.实验结果进一步验证了该方法的有效性和正确性.     

粗糙集近似集不确定性研究

粗糙集用上、下近似集刻画不确定目标集合,而粗糙集的近似集用0.5-近似集作为不确定目标集合的近似集.本文首先分析了基于粗糙集的0.5-近似集相似度的属性约简算法存在理论不完备的不足,指出这种相似度具有随知识粒度变化不敏感的缺陷.然后进一步给出了多粒度知识空间下相似度的变化规律,提出了粗糙集近似集的模糊度概念,分析了粗糙集近似集的模糊度在多粒度知识空间下的变化规律,进而提出了相应的属性约简算法.从新的视角构建了目标概念与其近似集的差异性度量方法.     

基于粗集可辨识矩阵的属性频率约简算法

针对信息系统在属性约简过程中存在属性频率值相同的问题进行改进.改进后的算法在基于可辨识矩阵属性频率约简算法的基础上.引进强等价集概念,以属性在可辨识矩阵中出现的次数越多其重要性越大为启发式信息,利用强等价集中的属性是可以约简的特性,在属性频率约简过程中判断具有相同属性频率属性是否最终包含在核属性集里,提出改进的属性频率约简算法.通过理论和实例的分析证明,该算法在保持时间复杂度不变的情况下,处理具有相同属性频率信息系统的属性约简,使其准确性得到提高,与原算法相比,改进后的算法可以得到一个更为精准的约简结果.     

基于二元矩阵的启发式属性约简算法

本文将基于分辨矩阵的二元矩阵和基于属性重要度的启发式属性约简算法结合起来,提出了一种新颖的针对不完备信息系统的属性约简算法。该算法用条件属性和决策属性之间的依赖度来度量属性重要度,进行启发式约简。该算法将属性约简问题转化为寻找能够覆盖决策属性的二元矩阵的二元矩阵集合问题。通过实例检验,该算法是有效的。     

改进的粗集属性约简的启发式算法

提出了一种改进的粗集属性约简的启发式算法。寻找粗集理论的最小属性约简已经被证明是NP难题,一般采用启发式算法来寻找近似最优解,但求得的约简有冗余属性存在的问题。针对一般启发式算法的不完备性,利用粗集理论中的属性依赖度和属性重要度,构造启发式信息,并在算法中增加了消除冗余的二次约简过程,得到一种改进的启发式算法。最后通过实际算例分析,验证了该改进算法的有效性。     

基于粗糙集的属性约简算法综述

属性约简是粗糙集中的一个重要研究方向.本文从8个方面对基于粗糙集的属性约简算法进行归纳,即:不完备决策信息表,不相容决策信息表,连续型属性决策信息表,动态决策信息表,有序型属性决策信息表,基于粗糙扩展模型的属性约简,基于属性重要度的属性约简,结合智能优化算法的属性约简,这对进一步深入研究粗糙集的属性约简算法具有积极意义.     

基于对象增量的不完备混合信息系统动态属性约简算法

属性约简是粗糙集理论在信息处理和自动化控制领域中的重要应用,然而实际应用环境下,数据的采集是源源不断地并且采集到的数据包含了不同的数据类型,同时数据传输过程中也存在着数据丢失的情况,使得最终得到的信息系统是不完备混合类型的,并且时刻处于增加更新之中。针对这一情形,提出一种条件信息熵的不完备混合型信息系统动态属性约简算法。文中首先介绍了不完备混合型信息系统的条件熵模型以及条件熵的属性约简,然后提出了不完备混合型信息系统条件熵随论域增加时的增量式更新计算,该计算方法通过旧信息系统的条件熵进一步计算新信息系统的条件熵,理论证明了这种增量式计算具有很高的计算效率,最后基于这种增量式计算,设计出了条件熵的不完备混合型信息系统动态属性约简算法。实验分析表明,所提出的动态属性约简算法相比较于传统的静态属性约简算法具有很高的动态属性约简性能,同时与同类型的动态属性约简算法相比具有较好的优越性。     

混合数据的邻域区分度增量式属性约简算法

增量式属性约简是一种针对动态环境下的数据挖掘方法.目前已经提出的增量式属性约简算法仅适用于符号型的信息系统,而很少有对混合信息系统进行相关的研究,这促使在混合信息系统下构建相关的增量式属性约简算法.区分度是用于设计属性约简的一种重要方法,本文将传统的区分度在混合信息系统下进行推广,提出邻域区分度的概念,然后分别研究了邻域区分度在混合信息系统下对象增加和对象减少时的增量式学习,最后根据这种增量式学习分别提出了对应的增量式属性约简算法.UCI数据集上的相关实验结果表明,所提出的增量式属性约简比非增量式属性约简能够更快速的更新约简结果.