基于双重粒化准则的邻域多粒度粗集快速约简算法

由于可以从多粒度、多层次的角度对名词型和数值型属性并存的混合数据进行有效处理,邻域多粒度粗糙集模型受到了广泛关注.为了有效降低属性约简计算过程中的迭代次数,实现邻域多粒度粗糙集模型的快速属性约简算法,基于双重粒化准则,深入分析不同属性子集序列和邻域半径对正域的影响,结合正域在属性子集和邻域半径共同作用下的单调性,提出一种基于双重粒化准则的邻域多粒度粗集快速约简算法,并通过理论分析与实例对比验证了算法的有效性和优越性.     

信息观下基于不一致邻域矩阵的属性约简

信息观下研究邻域决策系统的属性约简是一种新颖的思路. 通过分析论域下某样本邻域中其他样本与该样本决策属性值的异同, 定义不一致邻域矩阵. 在计算属性重要度时, 利用不一致邻域减少在原条件属性基础上增加一个属性后条件熵的计算时间. 分析得到邻域系统下条件熵与正域的关系, 提出一种信息观下基于不一致邻域矩阵的属性约简算法, 并分析该算法与其他算法的内在联系. 实验结果验证了所提出算法的有效性.

     

一种改进的邻域多粒度粗糙集模型

目前,邻域多粒度粗糙集模型广泛采用的距离函数闵可夫斯基距离存在着一定的局限性,通过引入兰氏距离作为距离函数,重构了邻域半径的选取方法,基于此提出一种改进的邻域多粒度粗糙集模型,并证明了相关的性质。采用UCI标准库数据集进行实验分析,对比两种模型的实验结果,验证了改进邻域多粒度粗糙集模型在近似逼近方面的优越性。     

可变多粒度粗糙集模型

通过分析乐观多粒度粗糙集和悲观多粒度粗糙集的不足之处,提出一种可变多粒度粗糙集模型。研究可变多粒度粗糙集、乐观多粒度和悲观多粒度粗糙集的性质,讨论它们之间度量的关系,研究可变多粒度粗糙集决策规则获取的方法。提出一种基于属性重要度的启发式约简的算法。实例分析结果验证该方法的可行性。     

基于最大粒的悲观邻域多粒度粗糙集规则获取算法*

基于粒计算的规则获取在一定程度上弥补规则获取算法的缺陷,然而大多数算法仅适用于处理名词型数据.为了从多粒度、多层次的角度处理数值型或混合型数据,基于邻域多粒度粗糙集模型,通过计算邻域多粒度条件粒与决策粒,分析条件粒在规则获取过程中的冗余关系,进而通过剪枝规则获取过程中的冗余条件粒.在此基础上,设计较高效的基于最大粒的悲观邻域多粒度粗糙集规则获取算法.通过理论分析与实例对比验证算法的有效性和优越性.     

基于属性多粒度的双层权重大群体决策方法

针对多属性大群体决策信息的模糊性以及属性差异性问题, 提出一种基于属性多粒度的区间二元语义大群体决策方法. 首先, 依据决策成员偏好将大群体进行聚类, 形成偏好聚集结构, 考虑到各聚集中决策成员对所处聚集一致性的贡献不同, 以及不同聚集的偏好对于群体偏好的贡献不同, 提出双层权重模型; 其次, 利用扩展的可能度公式对各聚集内决策成员的权重进行确定, 利用模糊熵确定各个聚集的权重; 再次, 结合模糊相对熵和优劣解距离法(TOPSIS) 得到决策方案的排序; 最后, 通过案例的分析与对比验证了所提出方法的有效性和适用性.

     

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.

     

多粒度粗糙集模型下的矩阵属性约简算法

随着网络和通信技术的快速的发展,社会进入了大数据时代。如何能够快速地从海量大数据中找到属性约简是目前研究的一个热点。由于传统属性约简的方法在计算大数据属性约简时,需要消耗巨大的计算时间,不能有效地处理日益积累的大数据属性约简的问题。为了提高传统属性约简算法的效率,针对较大决策信息系统属性约简更新问题,利用多粒度粗糙集理论,提出了基于多粒度粗糙集模型的矩阵属性约简算法,通过2组UCI数据集对所提出的多粒度矩阵属性约简算法的性能进行测试,结果验证了该多粒度矩阵属性约简算法是合理且有效的。     

基于多阈值的变精度邻域多粒度粗糙决策方法

为从更多角度处理数值型信息系统,提出了基于多阈值的变精度邻域多粒度粗糙决策分析方法。首先,分析了双重粒化准则下邻域半径选取的局限性,针对多属性特征给出了新的多阈值邻域半径计算方法;然后,借鉴变精度粗糙集在降低噪音数据干扰方面的优势,获取更精确的粗糙近似,并对相关性质进行了证明。实例分析表明,新模型能有效提高对象的分类精度和分类质量。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

New and improved: grey multi-granulation rough sets

Rough set has drawn great attention in recent decades, among which multi-granulation rough set (MGRS) is an arresting direction. It constructs a formal theoretical framework to solve complex problems under the circumstance of multiple binary relations. However, the fusion of multi-granulation rough set and grey system for acquiring knowledge is still a gap. Toward this end, we devise a grey multi-granulation rough set (GMGRS) by taking multiple grey relational relations into consideration under the framework of MGRS. In grey information system, the constructed grey relational relation that measures the relationship among objects can be used to further establish multiple binary relations. Based on two different approximate strategies (seeking common reserving difference and seeking common eliminating difference), two types of GMGRS are presented, respectively. After discussing several important properties of GMGRS, we discover that the properties of the proposed GMGRS are synchronous with the classical MGRS. Meanwhile, to obtain the attribute reduction under GMGRS, we reconstruct significance measure and termination criterion based on the θ-precision pessimistic GMGRS. Last but not least, theoretical studies and practical examples demonstrate that our proposed GMGRS largely enrich the MGRS theory and provide a new technique for knowledge discovery, which is practical in real-world scenarios.     

局部广义多粒度粗糙集

多粒度粗糙集的目标概念是一种由多个二元关系诱导的粒结构近似,是粗糙集领域的一个有价值的研究方向,在实际中得到了广泛的应用。然而,当数据集的规模很大时,会出现大量的未标记数据,计算目标概念的近似时需要计算所有对象的等价类,而且需要花费大量的时间来描述目标概念的近似以及复杂的计算过程,因此提出了局部广义多粒度粗糙集模型。首先通过引入特征函数来定义下近似和上近似;其次提出了一种用矩阵求解局部广义多粒度粗糙集下近似和上近似的方法,进一步研究了它们的性质;最后通过实例来验证所提模型的有效性,并给出了求局部广义多粒度粗糙集下近似的算法。此模型可以充分利用目标概念中的数据信息来处理数据,同时可以节省大量的计算时间。     

基于多重阈值的变精度多粒度粗糙集模型

传统变精度多粒度粗糙集模型是基于单一变精度阈值的,而多粒度粗糙集模型是从多角度和多层次处理数据,数据往往是多源的或者是分布式的,其噪音数据的含量也各不相同。因此,不同知识粒度层次所应具有的变精度阈值也不相同,这使得现有的模型难以适应多粒度环境。为克服上述缺点,提出了基于多重阈值的变精度多粒度粗糙集模型,该模型使得不同知识粒度层次的变精度阈值可独立调整,更符合多粒度粗糙集模型的数据特征。该模型更好地结合了多粒度粗糙集模型和变精度粗糙集模型,可从多角度分析解决问题又兼具更灵活的容错能力。     

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).

     

可变直觉模糊多粒度粗糙集模型及其近似分布约简算法

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。     

基于粗糙集理论的ERP 系统实施风险控制指标属性约简

现有企业资源计划((ERP)系统实施风险评价指标体系的主观性较强.存在冗余现象,缺乏合理的建立依据.对此,通过引入粗糙集理论中的属性约简法,结合15家己实施ERP系统的企业实例,对ERP系统实施风险控制指标进行属性约简.结果表明,粗糙集属性约简理论在ERP系统实施风险控制指标体系约简中的应用是有效的,并得出了包含人力资源管理、企业建模、项目管理等7项重要风险因素.