一种基于改进遗传算法的粗糙集属性约简算法磁

为解决传统遗传算法在属性约简时会出现迭代次数多,收敛较慢的问题,论文提出了一种改进的遗传算法。该方法在适应函数上加入属性重要度因子,同时在交叉操作中有选择地保留子代个体,确保算法能够快速收敛。实验结果证明,改进之后的算法在保证属性约简的基础上,能够实现比传统遗传算法更快的迭代和收敛。     

一种基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论研究的重要内容之一,而求解最小约简是NP难问题。为了有效获取最优或次优约简,该文提出了一种基于遗传算法的粗糙集属性约简算法。该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,通过计算决策属性对条件属性的依赖度,使该文算法既保证了全局寻优的特性又具有加强局部搜索的能力,能够获得最佳的搜索效果。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。     

基于遗传算法的粗糙集属性约简算法

针对粗糙集理论核心内容之一的知识约简问题,提出了一种基于遗传算法的粗糙集属性约简算法。利用条件熵计算属性间的相关性,并将其引入到适值函数中,可以保证所求约简含有较少的属性而且属性间的相关性较小。实验证明,它可以得到比较理想的结果,对UCI机器学习数据集的测试结果也验证了算法的有效性。     

一种基于量子遗传算法与粗糙集理论的属性约简法

提出一种基于粗糙集与量子遗传算法理论的属性约简模型.首先,基于粗糙集理论,以条件属性集对决策属性近似分类质量为准则,构造出一种衡量最佳属性子集的适应度函数.以此为基础,结合量子计算原理中量子旋转门调整策略以及量子交叉方法对种群进行更新操作,构造了该模型的属性约简方法.仿真实验结果表明了本文方法的有效性.     

一种粗糙集遗传算法在入侵检测中的应用

分析了目前入侵检测系统运行机制和不足,提出了一种基于粗糙集的遗传算法,通过粗糙集属性精简遗传算法种群,并在变异操作中将优异个体朝重要属性加速变异,降低算法时空复杂度。通过实验验证,该算法收敛速度快,检测率高,能很好地应用于目前入侵检测系统之中。     

一种基于并行遗传算法的粗糙集属性约简

指出现有粗糙集属性约简算法的不足,考虑并行遗传算法在处理大型数据库上的特有优势,将粗糙熵作为粗糙集不确定性的度量,给出一种求解信息系统约简集的三群体并行遗传算法.最后通过实例计算表明该算法能快速有效求解属性约简,而且对大规模数据样本的信息系统效果更为明显.     

一种新型的基于遗传算法的进化模糊推理系统

介绍了遗传算法和进化模糊推理系统的融合方式及结构,应用一种新型的基于遗传算法的进化模糊推理系统动态自适应的在线学习和离线学习。使用进化聚类方法,模糊规则在系统执行过程中进行创建和更新,并且采用遗传算法优化进化聚类的结果,修改成员的隶属度函数,通过模糊推理系统计算系统的输出。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

一种自适应遗传算法在粗糙集属性约简中的应用

属性约简是粗糙集理论中的一个核心问题,为获得有效的最小相对属性约简,利用自适应遗传算法实现粗糙集属性约简。自适应遗传算法根据个体适应值动态调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

基于免疫遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中一个重要的研究课题,为了有效获取属性最小相对约简,提出了一种基于免疫遗传算法的粗糙集属性约简算法。该算法将免疫算法和遗传算法结合,并将核引入免疫遗传算法的初始抗体群来提高算法的性能,依照决策属性对条件属性的依赖度,并结合抗体浓度,能维持进化过程中个体的多样性,从而提高了算法的全局搜索能力,避免陷入局部最优。实验证明该算法能够快速得到相对最小约简。     

粗糙的方向性模糊聚类算法

根据高维数据具有方向性的特征,结合概率模糊聚类算法与粗糙集理论提出了一种粗糙的方向性模糊聚类算法。该算法在概率模糊聚类算法中引入了数据方向相似性函数,能对不确定数据进行处理。在算法中利用粗糙集中的下近似集与边界集来确定目标对象函数,属于下近似集的数据在聚类时是确定的,属于边界的数据具有模糊性。实验结果表明,该算法能有效地对高维的方向性数据进行聚类。     

基于粗糙集和模糊集的属性约简算法

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论,两者都可用来观察、测试数据并进行推理。虽然它们之间有一些重叠,但两者的着眼点和计算方法是不一样的,因此不能相互替代,而是必须结合起来使用。本文在研究粗糙集和模糊集理论的基础上将两者相结合,提出了一个新的属性约简算法,并给出了一个应用实例。     

粗糙模糊集的构造与公理化方法

用构造性方法和公理化研究了粗糙模糊集．由一个一般的二元经典关系出发构造性地定义了一对对偶的粗糙模糊近似算子,讨论了粗糙模糊近似算子的性质,并且由各种类型的二元关系通过构造得到了各种类型的粗糙模糊集代数．在公理化方法中,用公理形式定义了粗糙模糊近似算子,各种类型的粗糙模糊集代数可以被各种不同的公理集所刻画．阐明了近似算子的公理集可以保证找到相应的二元经典关系,使得由关系通过构造性方法定义的粗糙模糊近似算子恰好就是用公理化定义的近似算子。     

二型模糊粗糙集

基于二型模糊关系,研究二型模糊粗糙集.首先,在二型模糊近似空间中定义了二型模糊集的上近似和下近似;然后,研究二型模糊粗糙上下近似算子的基本性质,讨论二型模糊关系与二型模糊粗糙近似算子的特征联系;最后,给出二型模糊粗糙近似算子的公理化描述.     

模糊粗糙集的相似度量和相似性方向

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具,在人工智能及认知科学等众多领域已经得到了广泛的应用。相似度量的研究是模糊集理论与粗糙集理论的热点问题之一。文章提出了一种更精确、更合理的相似度量方法,讨论了它的一些性质。然后,在此基础上提出了模糊粗糙集的相似性方向的概念,用于比较两个相似的模糊粗糙集所包含信息的精确性大小,并给出了一个关于相似性方向的判别函数。这在近似推理、模式识别和决策分析等领域有着广泛的应用。最后,通过一个实例,分析说明了这种相似度量方法和相似性方向的判别方法是更合理更有效的。     

一种基于粗糙集的模糊数学形态学方法

粗糙集理论是一种新的处理含糊和不确定性问题的教学工具。本文基于粗糙集和数学形态学算子之间的联系和粗糙集中模糊度的概念，将结构元素作为不可分辨关系，提出了一种新的基于粗糙集的模糊数学形态学方法。该方法无需任何经验知识，直接从图像数据中获得所需隶属函数。最后，将其用于图象的滤波，获得了很好的实验结果。     

一种基于模糊粗糙集的快速特征选择算法

模糊粗糙集由于能够处理实数值数据,甚至是混合值数据中的不确定性受到人们的广泛关注,其最重要的应用之一是特征选择,相关的特征选择方法已有不少研究,但其快速的特征选择算法研究很少。实际中的数据一般含有噪声点或信息含量低的样例,如果对数据集先筛选出代表样例,再对筛选的样例集进行数据挖掘便会降低挖掘计算量。本文基于模糊粗糙集,先根据样例的模糊下近似值对样例进行筛选,然后利用筛选样例的模糊粗糙信息熵构造特征选择的评估度量,并给出相应的特征选择算法,从而降低了算法的计算复杂度。数值试验表明该快速算法具有有效性,并且对控制筛选样例个数的参数给出了建议。     

关于模糊粗糙集的相似度量

基于对不确定性信息处理的背景,定义了模糊粗糙值与模糊粗糙集的相似度量,研究了它们的有关性质。     

模糊近似空间上的粗糙模糊集的公理系统

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的理论,在机器学习及数据挖掘等领域获得了成功的应用．粗糙集的公理系统是粗糙集理论与应用的基础．粗糙模糊集是粗糙集理论的自然的有意义的推广．作者研究了模糊近似空间上的粗糙模糊集的公理系统,用三条简洁的相互独立的公理完全刻划了模糊近似空间上的粗糙模糊集,同时还把作者给出的公理系统与粗糙集的公理系统做了对比,指出了两者的区别．     

基于粗集的模糊属性值信息系统的知识获取

文章研究了一类属性取模糊值的不完备信息系统的知识获取方法。首先给出了信息系统的一种表示方法,同时采用模糊集思想,构造了这类系统的模糊不可分辨关系,并研究了这类信息系统的知识获取算法,并以一个实例,说明了这种算法的有效性。