基于重要性的不完备决策系统的属性约简研究

在不完备信息系统中引入决策属性依赖度,由条件属性所提供的知识对整体决策的支持程度,以此作为启发式信息求出相对核,使属性约简具有较强的支持度。文章通过实例分析,证明该属性约简是有效的方法。     

针对信息系统不完备性的粗糙集分层递阶约简

提出一种针对不完备信息系统的粗糙集分层递阶约简。该约简可以将信息系统中所有属性构成的单层知识表示变为符合人类认知习惯的部分属性所构成的多层知识表示。同时,分层递阶约简提高了粗糙集约简速度,无论是分层递阶约简,还是所得的分层递阶简约,都适用于实际问题。     

不完备信息系统辐射源威胁等级判定

针对不完备信息系统条件下的辐射源威胁等级判定问题,提出了一种基于改进容差关系粗糙集（ITR-RS）的不完备信息系统辐射源威胁等级判定方法。该方法将粗糙集中的不完备信息系统理论引入辐射源威胁等级判定中,并构建一套完备的决策规则提取模型。此外,利用辨识矩阵实现对属性的约简,在降低系统所需处理数据量的同时,提高了算法的实时性;在容差关系粗糙集的基础上,提出一种改进的容差关系,在属性主、客权重相结合的基础上引入阈值来划分加权阈值容差类,得到更为合理、准确的决策规则。仿真试验及分析表明,与经典RS算法相比,所提算法的威胁等级判定正确率提高了23%,可用于信息系统不完备条件下的辐射源威胁等级判定。     

基于不完备信息系统的粗模糊属性值的知识获取

研究了一类基于粗集属性取模糊值的不完备信息系统的知识获取方法.给出粗模糊属性值信息系统的一种表示方法,采用模糊集思想,构造这类系统的模糊不可分辨关系,并研究这类信息系统的知识获取算法,并以一个实例,说明这种算法的有效性.     

一种针对不完备信息系统的粗糙集约简算法

针对区分矩阵构造庞大,计算工作量大,基于区分矩阵的约简策略效率低的问题,提出一种新型的针对不完备信息系统的属性约简算法NARIIS。提出的约简算法把属性值的个数应用到属性约简上,使该约简算法的时间和空间复杂度都远小于基于区分矩阵的约简策略。     

基于模糊相似关系的区间值系统的不确定性度量

针对区间值信息系统,对基于模糊相似关系的不确定性度量问题进行了研究.首先,构造了一种模糊粗糙集模型,其中包括基于一种模糊相似度定义模糊关系矩阵以及模糊相似类,并通过实例说明;接着在此基础上,引入两种指定的逻辑算子推广模糊上下近似的定义;最后,扩展精度、粗糙度、近似精度等定义来研究区间值信息系统的不确定性度量问题.同时,...     

基于不完备信息系统的观众兴趣特征提取算法研究

目前人工智能在智慧博物馆建设领域中发展迅速,准确采集观众兴趣是为博物馆提供更好展示服务的前提,但智能化计算算法无法完全满足浮动巨大的观众兴趣数据分析。针对此问题,从一种粗糙集中导出不完备信息系统的模糊度,并讨论了其概念与性质,通过例子指出了其在智慧博物馆观众兴趣采集方面的应用价值。     

不完备信息系统中扩充关系的研究

为了能够有效地分析处理不完备的信息系统，必须对现有的Rough集模型进行扩充。分析研究了现有的几种比较有影响的基于Rough集的扩展关系，提出了一种处理不完备信息系统的约束非对称关系，并对这些扩充关系进行了分析比较。还提出了基于这种关系的上近似和下近似概念，以及正区域、近似精度、近似质量和依赖关系等相关概念。     

不一致决策系统中约简之间的比较

本文在相关文献的基础上研究了不一致决策系统中绝对约简、各种相对约简之间的关系,包括相对于个体的约简和相对于整个决策系统的约简.证明了μ-决策约简等价于信息论意义下的相对约简.     

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。     

模糊粗糙集中基于测试代价敏感的属性约简

相比于经典粗糙集方法,模糊粗糙集方法避免了数据离散化的过程,减少了信息损失。但基于传统模糊粗糙集的属性约简并未考虑实际应用中数据的测试代价,为解决这一问题,提出了一种近似质量与测试代价相融合的适应度函数,并利用遗传算法以求得具有较小测试代价的约简。最后,采用UCI中的8组数据集对基于新适应度函数的遗传算法与经典的启发式算法进行对比分析,实验结果表明,遗传算法相较于启发式算法能够在保证近似质量不发生明显变化的情况下获得具有较低测试代价的约简。     

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。     

基于相似度的变精度容差关系扩充粗糙集模型

比较分析了已有扩充粗糙集模型,提出基于相似度的变精度容差关系扩充粗糙集模型。该模型根据两对象的相似度及属性值缺失情况划分客差类。通过与基于容差关系、相似关系、限制容差关系等扩充粗糙集模型比较,证实了该模型对不完备信息系统处理的现实可行性和有效性,最后给出了相对正域的概念及属性约简规则。     

基于模糊粗糙依赖度的区间值系统特征选择

针对区间值决策系统,提出一种基于模糊粗糙依赖度的特征选择方法,其中使用了一种综合考虑相关度和冗余度的特征选择标准来评价特征的重要性.相关度和冗余度使用模糊粗糙依赖度分别度量条件特征与决策特征之间的依赖和条件特征与条件特征之间的依赖.实验数据显示,对于扩展的分类算法,大多数据集在使用该特征方法得到的特征选择子集表征数据时...     

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。     

基于广义T-S模糊辨识模型的混沌系统模糊控制

该文针对混沌系统辨识引入广义T-S模糊模型,并对T-S模糊模型自适应参数进行遗传退火算法优化,使系统具有最佳结构和参数。在此基础上给出了广义T-S模糊模型使系统渐近稳定模糊控制算法,并证明了广义T-S模型有足够的精度, 控制的精度就能得到满足,系统可以跟踪目标。控制的目标可以为周期轨道,也可以为连续变化的目标函数。以一维的Logistic 系统和二维的Henon系统为例进行仿真分析,结果表明该方法的有效性和可行性。     

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

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.     

基于不确定信息系统的动态属性约简算法

针对不确定信息系统中存在的问题,在不确定信息系统的属性集上定义了一种等价关系,以等价类决定属性的条件信息量,从而定义属性的相对重要性,给出一种新型的动态属性约简算法。在一个信息系统不断变化时,该算法不像静态约简算法需要重新计算,而是利用新增的数据对已有的数据进行修正,使得每次约简充分利用上一次的结果,这样使得同样的比较运算不会重复进行。通过分析表明,该算法是正确有效的。