基于相对决策熵与加权相似性的粗糙集数据补齐方法

现有的基于粗糙集的数据补齐方法在计算任意两个对象之间的相似性时并没有考虑不同条件属性之间的差异性。针对这一问题,引入一种新的加权相似性的概念,并提出一种基于相对决策熵与加权相似性的粗糙集数据补齐算法RDNAWS。RDNAWS算法采用相对决策熵的概念来度量每个条件属性的重要性,并通过计算每个条件属性的重要性以及决策属性集对其的依赖性来为每个条件属性提供一个权值,从而将不同的条件属性有效地区分开来。在真实数据集上的实验表明,与现有的算法相比,所提算法能够获得更好的分类性能。     

一种基于加权相似性的粗糙集数据补齐方法

近年来,对不完备数据的处理引起了人们的广泛关注。目前,在粗糙集理论中已经提出了多种不完备数据补齐方法,这些方法通常需要计算决策表中具有缺失值的对象与其他没有缺失值的对象之间的相似性,并以最相似对象的取值来代替缺失值。然而,这些方法普遍存在一个问题,即在计算决策表中对象之间的相似性时假设决策属性对所有条件属性的依赖性都是相等的,而且所有条件属性都是同等重要的,并没有考虑不同条件属性之间的差异性。针对这一问题,引入一个加权相似性的概念,以决策属性对条件属性的依赖性和条件属性的重要性作为权值来计算相似性。基于加权相似性,提出一种新的粗糙集数据补齐算法WSDCA。最后,在UCI数据集上,将WSDCA算法与现有的数据补齐算法进行了比较分析。实验结果表明,所提出的数据补齐方法是有效的。     

基于模糊加权相似度量的粗糙集数据补齐方法

目前基于粗糙集的数据补齐方法,大多都是通过计算决策信息系统中具有缺失值的对象与无缺失值的对象之间的相似性,选取相似性最大的对象的属性值来补齐缺失的数据。这类算法的问题在于：计算对象之间的相似性时所有条件属性对于决策属性的重要性是相同的,忽略了条件属性间的差异性。鉴于此,引入了模糊加权相似的概念,根据每个条件属性的重要性以及决策属性对条件属性的依赖度,计算对象间的相似性,提出基于模糊加权相似性度量的粗糙集数据补齐方法,并通过实例计算以及与现有算法的比较分析,说明了方法的有效性。     

基于关联熵系数的粗糙Vague集相似性度量方法

粗糙Vague集是将粗糙集和Vague集理论相互融合以处理不确定性信息的一种理论工具。本文在深入研究Vague集及粗糙模糊集的关联熵、关联熵系数及集合相似性度量方法基础上,将关联熵和关联熵系数的概念引入到粗糙Vague集,并详细讨论了它们的主要性质,同时证明了关联熵系数满足粗糙Vague集相似度的定义,可用于粗糙Vague集的相似性度量。最后通过实例验证了粗糙Vague集的关联熵系数用于度量粗糙Vague集之间相似性程度的有效性,该理论为粗糙Vague集相似性度量提供了一种新方法。     

绝对信息量不完备信息系统的数据补齐算法

现实中的信息系统往往是不完备的。处理不完备信息系统的一种常用方法是根据一定的规则对缺失的属性值予以赋值,从而将其补齐成完备的信息系统。文中提出了一种基于绝对信息量的赋值规则,根据该规则提出了补齐不完备信息系统的算法。该算法基于信息系统的内在性质,减少了数据补齐时人为引入的不确定性,因而更加合理、有效。     

基于相对决策条件的规则提取方法

定义相对决策条件的概念,对相对决策条件集进行规则合,提出决策表的规则提取方法。在对决策表约简的过程中,通过构建决策类之间的分明矩阵,计算决策类之间的相对决策条件,合并相对决策条件找出所有决策类的决策规则。分析结果表明,该方法能减少计算规模和存储空间,并可得到决策表的所有最小约简。     

基于相对熵的决策树生成方法

决策树是一种重要的数据分类方法,在构造决策树的过程中,测试属性的选择直接影响到决策树中结点的个数和深度,基于相对熵的概念提出了一种新的决策树构造方法。实例分析的结果表明:在决策树的构造上,粗糙集理论中相对熵的方法计算量较小,构造的决策树比经典ID3,C4.5算法简洁,并且具有较高的分类精度。     

基于决策熵的决策树规则提取方法

在决策表中,决策规则的可信度和对象覆盖度是衡量决策能力的重要指标。以知识粗糙熵为基础,提出决策熵的概念,并定义其属性重要性;然后以条件属性子集的决策熵来度量其对决策分类的重要性,自顶向下递归构造决策树;最后遍历决策树,简化所获得的决策规则。该方法的优点在于构造决策树及提取规则前不进行属性约简,计算直观,时间复杂度较低。实例分析的结果表明,该方法能获得更为简化有效的决策规则。     

基于决策熵的决策树规则提取方法

在决策表中,决策规则的可信度和对象覆盖度是衡量决策能力的重要指标。以知识粗糙熵为基础,提出决策熵的概念,并定义其属性重要性;然后以条件属性子集的决策熵来度量其对决策分类的重要性,自顶向下递归构造决策树;最后遍历决策树,简化所获得的决策规则。该方法的优点在于构造决策树及提取规则前不进行属性约简,计算直观,时间复杂度较低。实例分析的结果表明,该方法能获得更为简化有效的决策规则。     

基于相对熵的多属性决策排序方法

针对逼近理想解排序法(TOPSIS)的不足,从相对熵的概念出发,提出了求解多属性决策问题的新思路.利用被评价方案与理想方案和负理想方案的相对熵,定义了一种新的与理想方案的贴近度.据此给出一种新的排序方法--相对熵排序法,并将此法与TOPSIS方法、夹角度量法和投影法进行对比.结果表明,在传统的TOPSIS方法、夹角度量法和投影算法排序都失效的情况下,相对熵排序法能够准确地给出方案的排序.     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

面向不完备信息系统的双论域决策粗糙集——基于双相对量化信息的角度

双论域粗糙集模型是经典粗糙集模型的有效推广,近年来,不同的双论域粗糙集模型已被提出。针对信息缺失的情形,从双相对量化信息角度分别定义了两种双论域双相对定量决策粗糙集,研究了所给出的两种双相对定量决策粗糙集模型的相应数学性质,并探讨了随着相关参数的变化它们之间存在的相应关系。此外,利用SARS病人信息的具体实例解释了所给出的双相对定量决策粗糙集的定义以及所讨论的两种双相对定量决策粗糙集的关系。     

基于相对熵和二元熵的多粒度直觉语言TODIM决策方法

针对评估信息为多粒度直觉语言集的决策问题,提出一种基于相对熵和二元熵的TODIM方法。该方法首先定义了直觉语言数的相对熵和二元熵,以度量决策信息的差异和不确定性;其次,构建了基于相对熵和二元熵的专家赋权模型,并建立了主观权重完全已知、部分已知和完全未知场景下的属性赋权模型;最后,为集结多粒度群体决策信息,提出了多粒度直觉语言加权算术平均(MIL-WAA)算子。算例分析表明,该方法能够较好地度量决策信息的不确定性和差异性,并考虑了决策者的有限理性行为,具有一定的合理性和有效性。     

限制优势关系下的加权多粒度粗糙分析方法

作为多粒度粗糙集的推广,提出了限制优势关系下的加权多粒度粗糙分析方法。分析了优势关系粗糙集和多粒度粗糙集的局限性,引入限制优势关系对加权多粒度粗糙集进行改进,充分考虑到属性的偏好关系和粒度的重要性差别,使其适用于不完备的高维或分布式有序信息系统;由此得出粗糙近似,讨论了其与限制优势关系下的乐观、悲观多粒度粗糙集的关系,并对相关性质和定理进行证明;通过实例验证了该方法的有效性和实用性。     

融合单纯形映射与熵加权的聚类方法

由于分类型和数值型属性特性的差异,设计混合类型数据聚类算法时通常需要对两种类型属性区别对待,增加了聚类算法的设计与实现难度。另外,不同属性所包含的信息量存在差异,但现有算法通常平等对待各个属性。提出了一种融合单纯形映射与信息熵加权的混合类型数据聚类算法。基于单纯形理论将分类型属性映射为高维数值属性向量,应用信息熵理论为各属性分配权重建立相似性度量公式,将该度量方法应用于K-Means算法框架得到聚类算法。在6个UCI的混合数据集上的实验表明,提出的聚类算法优于传统映射聚类算法和K-Prototype算法,在准确度上分别提高了2.70％和18.33％。     

基于相对信息熵和语言加权算子的网络舆情突发事件模糊多指标应急决策方法

在仔细分析网络舆情突发事件的成因与应急决策特性的基础上,从舆情状态、突发事件本身和民众关注3方面构建 网络舆情突发事件的属性指标。考虑到网络舆情突发事件指标的语言不确定性和多样性,以及应急专家对舆情事件危机评价的语言判断矩阵差异性,本文提出一个基于相对信息熵和语言加权算子的网络舆情突发事件模糊多指标群决策模型。首先根据应急指标重要性的判断矩阵,计算出每个专家对各指标权重的评价;然后基于相对熵的多属性组合赋权方法来获取应急专家的权重,计算得出各舆情事件指标的综合权重;再根据各应急专家对网络舆情事件的语言指 标评价值,利用语言加权算术平均算子,集结得到各网络舆情突发事件的综合决策评价值,进而对各舆情事件危机程度快速排序。最后,通过一个实例来证明本文方法的实用性。     

粗糙集理论中新的针对不完备信息系统的处理方法研究

本文针对不完备信息系统,在分析了现有的数据补齐法和扩充法的优劣后,提出基于差异关系和数据部分补齐的处理方法。本文定义了差异关系,对差异矩阵进行扩充使其能适用于不完备信息系统,证明了用差异关系进行属性约简和求核的可行性,并给出了相应的算法。数据部分补齐的目的是通过分析对象之间的差异性更进一步地挖掘信息之间的潜在联系,为后续的决策规则的求取提供更丰富更准确的信息。实验证明,在处理不完备信息系统时,基于差异关系和数据部分补齐的方法能获得更好的分类性能。     

基于决策熵的不完备信息系统的知识约简方法

为有效地解决不完备信息系统的知识约简,得到更优的决策规则集,研究了基于容差关系的决策熵在不完备信息系统中能客观反映决策规则的决策能力,提出了一种基于决策熵的不完备知识约简方法.该方法基于决策熵的思想,考虑了决策规则可信度和对象覆盖度,同时引入了容差关系,以决策熵的属性重要性度量为启发信息进行知识约简,最终得到确定的规则集.仿真实验结果表明了该算法的可行性.     

基于加权相似性的MCCNN训练集选择方法

为解决MCCNN网络立体匹配的训练数据集选择问题,研究一种基于相关性比较、余弦相似性和结构相似性的加权度量选择方法,通过实验确定三者的加权系数,使用三者的加权值衡量训练集与待匹配图像数据分布的互相似性、训练集本身的自相似性,以互相似性和自相似性加和值最高的对应数据集作为选择的训练集.通过InStereo2k图像和实拍图...