基于属性相关性的属性约简新方法

文章给出了一个基于粗糙集理论的属性相关性的新定义,并在此基础上给出了基于属性相关性的属性约简新方法。本算法不但能过滤掉属性集合中的无关属性,而且能有效地找到属性集合中的冗余属性,从而得到满意的属性约简。对UCI机器学习数据集的测试结果也验证了算法的有效性。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP-Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,算法将属性核加入遗传算法的初始种群来增加收敛速度,而且在适应度函数中,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP—Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,算法将属性核加入遗传算法的初始种群采增加收敛速度,而且在适应度函数中,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。该算法通过实例分析．证明是求解属性约简问题的快速有效方法。     

基于量子遗传算法的粗糙集属性约简新方法

分析了粗糙集属性约简的研究现状,针对遗传算法求取属性约简中存在的迭代次数多、收敛较慢的问题,提出了基于量子遗传算法的粗糙集属性约简的新方法。该方法中利用一种新的区分矩阵与量子遗传算法结合,能够实现相容/不相容决策表的属性约简;同时,文中提出了一种适应度函数的参数设定的新方法,使之能够直接对约简进行有效判定。实验数据表明：该算法在收敛性和速度等方面优于基于遗传算法的属性约简算法。     

基于系统熵的粗糙集属性约简新方法

在系统熵的基础上,定义了一种新的属性重要度并提出了一种基于改进系统熵的粗糙集属性约简算法,实验分析表明,该属性重要度为启发式信息进行的属性约简,取得了理想效果。     

基于属性重要性的属性约简算法

粗糙集理论是一个新的处理不确定性问题的数学工具,属性约简是粗糙集理论的核心问题之一。为了获得决策系统中更好的相对属性约简,提出一种基于属性重要性的属性约简算法。将可辨识矩阵中出现次数多少作为属性重要性的判断依据。算法还考虑了当出现次数相同的情况下属性选择问题,由此定义新的属性重要性,以新的属性重要性为启发信息,分析表明,提出的算法是有效可行的。     

基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合，以属性重要性为迭代准则，通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析，并举例验证了所提出算法的有效性和实用性。     

基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合,以属性重要性为迭代准则,通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析,并举例验证了所提出算法的有效性和实用性。     

基于粗糙集的属性约简算法

本文主要研究基于粗糙集理论的属性约简算法.提出了一种同时适合于相容信息表和不相容信息表的启发式约简算法,并通过算例验证了该算法的可行性和有效性.     

基于关联矩阵的属性约简算法

利用差别矩阵对信息系统特别是对大规模数据的信息系统进行属性约简研究的一个重要方面就是如何提高计算速度。为改进差别矩阵的应用,提高约简效率,文章提出了关联矩阵的概念,同时,依照决策属性对条件属性的依赖程度,利用关联阵中属性频率的信息,提出了一种属性约简算法。实验结果证明了该算法有效、快捷。     

粗糙集属性约简算法研究

粗糙集理论是一个新的处理不确定性问题的数学工具，属性约简是粗糙集理论的核心问题之一。但求解最优约简已被证明是一个NP—hard问题。基于属性重要度的启发式算法在属性约简中应用的较多．文中分别介绍了基于区分矩阵、基于相关矩阵和基于信息量的属性约简算法。对其思想进行了剖析和总结。     

属性约简的依赖度算法研究

属性约简是粗糙集理论中的一个重要内容,其核心任务是得到属性集的核。本着决策属性对条件属性的依赖程度,文章给出了属性约简的依赖度算法,并且给出了证明和实例。     

基于信息粒度的属性约简算法研究

该文从粒度计算的角度对粗糙集理论的属性约简进行研究,定义了粒度的概念,并在此基础上提出了一种新的属性约简算法。实验分析表明,这种粒度计算方法能得到信息系统的最小约简。     

前向Beam搜索粗糙集属性约简算法

从属性集互信息的角度分析了粗糙集理论的属性约简问题。粗糙集属性约简通常采用Best-first启发式搜索。本文运用属性集互信息作为属性约简度量，提出了前向Beam搜索粗糙集属性约简算法。实验表明，属性约简算法具有良好的运行效果。     

基于信息粒度的属性约简算法研究

该文从粒度计算的角度对粗糙集理论的属性约简进行研究,定义了粒度的概念,并在此基础上提出了一种新的属性约简算法。实验分析表明,这种粒度计算方法能得到信息系统的最小约简。     

基于改进分辨矩阵的属性约简方法

在分辨矩阵的属性约简算法的研究中,需比较决策系统中各对象生成矩阵元素,导致所得分辨矩阵过于庞大,且造成较大的时间开销.为降低利用分辨矩阵求取属性约简算法的复杂度,依据条件等价类将原决策系统分解为一相容对象集与一非相容对象集,给出条件相对于决策的可辨识关系定义与改进的分辨矩阵定义,将条件相对于决策的可辨识关系变化作为属性约简的判定标准,结果证明改进分辨矩阵的属性约简与保持正域不变的属性约简等价.推理证明与仿真实例说明,改进方法的高效性与完备性.     

基于等价类矩阵的属性约简

由于不完备信息系统不能完全适用于粗糙集等价类模型,其合理的属性约简方法的研究在当前是一个备受关注的研究热点。文章给出不完备信息系统等价关系的矩阵表示,同时给出了关于等价类矩阵以及核属性的相关定理,给出了应用等价类矩阵进行属性约简的方法和应用举例,为不完备信息系统的属性约简提供了一种新的方法。     

基于有序差别集和属性重要性的属性约简

针对粗糙集理论的属性约简问题,提出新的差别矩阵简化算法,该算法在无需排序和较少通历次数的情况下 简化了差别矩阵,明显提高了简化速度并最终得到简化的有序差别集。实验验证了该算法的高效性;给出度量属性重 要性的新标准,即根据属性所在差别矩阵元素的权重、在差别集中出现的频数和吸收能力3方面来度量其重要性;在 上述两者基础上,提出一种基于有序差别集和属性重要性的属性约简新方法,理论分析证明新方法的最坏时间复杂度 低于其它基于差别矩阵的属性约简算法。大量实验结果也表明,新方法的有效性甚至可以在很大程度上得到最小属 性约简。     

基于样本选择的启发式属性约简方法研究

属性约简是粗糙集理论的核心研究内容之一。借鉴于贪心策略的启发式算法是求解约简的一种有效技术手段。传统的启发式算法使用了决策系统中的所有样本,但实际上每个样本对约简的贡献程度是不同的,这在一定程度上增加了启发式算法的时间消耗。为解决这一问题,提出了一种基于样本选择的启发式算法,该算法主要分为3步:首先从样本集中挑选出重要的样本;然后利用选取出的样本构建新的决策系统;最后利用启发式算法求解约简。实验结果表明,新算法能够有效地减少约简的求解时间。     

属性约简的新算法

属性约简是粗糙集理论中一个核心研究问题,在对粗糙集中属性约简相关理论研究的基础上,提出了一种新的基于随机决策信息系统的属性约简算法。新算法充分利用属性依赖度所提供的信息对属性进行排序,并以一定的优化顺序来计算属性子集的信任函数或似真函数。计算结果表明:改进后的新算法计算量大大减小,尤其是当条件属性较多时,计算量的减少更加明显,从而大大提高了计算效率。计算实例验证了该算法的有效性,具有很强的优越性。