一种决策表属性值细化的正域约简算法

目前决策表的数据信息都是动态变化的,为了有效地对这些数据集进行处理,提出了信息系统属性值细化时粗糙集增量式约简的矩阵方法并构造相应的算法,最后,通过实例分析来说明属性约简的具体操作方法和算法的有效性与可行性.     

一种基于关系矩阵维度增量式约简算法

目前决策表的数据信息都是动态变化的,为了有效地对这些数据集进行属性约简处理,在改进的等价关系矩阵的基础上,提出一种增量式属性约简算法,决策表增加了一些属性,利用更新前决策表的等价关系矩阵和属性约简等信息,便能快速求解出更新后的决策表属性约简.实验结果进一步验证了该方法的有效性和正确性.     

基于增量式更新带权差别集合的属性约简算法

在面向差别矩阵的约简算法思想的基础上,定义一种新的带权差别集合(WDS)模型,并提出了高效更新带权差别集合的算法,分析了该更新算法的时间和空间复杂度.随后,基于快速更新带权差别集合算法,提出一种增量式属性约简方法.当有新的数据对象被加入决策表,可有效提高属性约简的效率.理论分析和实验结果表明该算法适用于大数据集的约简.     

一种改进的基于差别矩阵的属性约简算法

为解决决策表属性约简完备算法约简质量低的问题，在基于差别矩阵的属性约简完备算法的基础上，引入信息论中信息熵和互信息增益的定义，给出一种启发式属性约简完备方法，通过实例说明启发式信息可以提高完备算法的约简质量，比较不同启发信息对完备算法的约筒质量和约简效率。试验结果表明，采用基于信息论定义的两种启发信息的完备算法约筒效率基本一致，该算法较非启发式完备算法有更好的约简质量。     

基于邻域关系的知识粒度增量式属性约简算法

为了在邻域型信息系统下进行增量式属性约简的研究,采用邻域知识粒度构造出一种邻域型信息系统的增量式属性约简算法.首先将信息系统的知识粒度在邻域型信息系统下进行推广,提出了邻域知识粒度;然后针对属性增加的情形,研究了邻域知识粒度的增量式更新机制;最后基于这种机制设计出了相应的增量式属性约简算法.实验分析表明所提出的增量式算法具有较高的动态属性约简性能.     

基于差别矩阵的属性约简算法

概述了两类属性约简算法，并基于可辨矩阵首次提出了差别矩阵的定义，研究了差别矩阵的基本性质，并给出了基于差别矩阵的属性约简算法，通过与其他算法的比较得出该算法是有所改进的。     

一种基于约简树的决策表属性约简方法

本文首先给出了约简树的定义，提出了采用宽度优先的策略构造约简树，在构造约简树的过程中。把某个结点处决策规则是杏一致作为在该结点处是否可以继续构造子树的条件，把该结点是否已经出现过作为剪枝条件，并把相对核作为构违约简树的一个重要的终止条件。随后研究了约简树的性质，找到了基于约简树的决策表的极小属性集。最后分析了该方法在最好和最坏情况下的时间复杂度。实例分析表明，该算法能有效地对决策表进行属性约简。     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

Rough关系的属性值分解

提出了一种将粗糙关系数据库(Rough Relation Database,RRDB)中的Rough关系分解的算法,Rough关系存储时比标准关系更节省空问,降低了数据库的冗余度,但很多情况下,需要把Rough关系转化,如进行一些查询工作,给出了对粗糙关系属性值进行分解的原理与算法,分析了其算法复杂度,最后用实例验证了算法的有效性和可行性.     

基于粗糙集信息观的决策表属性约简方法

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、含糊信息的数学理论方法，它被广泛应用于相容和不相容决策表的属性约简和核属性计算。利用反例指出目前基于粗糙集信息观[2、6]的决策表属性约简和核属性计算方法的局限性。对决策表的性质作了深入的研究，研究发现文献[2、6]方法的不足原因是：它们没有考虑U／ind（C）中等价类的相客性。给出了基于U／ind（C）中等价类相客性的属性约简定义和核属性定义，并给出了一种新的基于粗糙集信息观的决策表属性约简和核属性计算方法。讨论了该方法同文献[2、6]方法的区别。最后用相同实例验证了该方法的有效性。     

基于粗集理论的信息熵属性约简算法

本文针对粗集属性约简存在的问题，提出了一种信息熵的属性约简算法，算法中引入了信息熵的概念代替粗集约简γ准则作为属性选择的标准，克服了粗集约简γ准则对数据噪声的敏感性和不能表达属性间概率因果关系的缺点，本文通过两个实例表明，当属性间存在确定性关系性算法能够象粗集约简γ准则一样找到表达这些关系的属性集，当属性间是概率因果关系，或确定性关系被数据噪声所掩盖，因而粗集约简γ准则无法使用时，算法能够找到具有确定性关系的属性集，或是具有最小不确定性概率因果关系的属性集。     

基于近似条件熵的集值决策表属性约简算法

集值决策表拓展了经典决策表,但其现有属性约简算法中属性重要度度量方式单一.针对集值决策表,采用近似条件熵提出属性约简及其启发式约简算法.将近似精度与条件信息熵进行信息融合,定义近似条件熵,证明粒化单调性等性质;提出基于近似条件熵的属性约简,设计启发式约简算法;采用集值决策表实例与数据实验进行有效验证.实验结果表明:与现...     

一种基于粗糙集理论的双向选择属性约简算法

文章首先对粗糙集的基本理论进行了简要介绍,然后重点讨论粗糙集理论中的属性约简问题,在总结分析现有属性约简算法的基础上,提出了一种双向选择属性约简算法--BSARA,并用一个例子与其它算法进行了对比分析,结果表明该算法是可行和有效的.     

混合数据的邻域区分度增量式属性约简算法

增量式属性约简是一种针对动态环境下的数据挖掘方法.目前已经提出的增量式属性约简算法仅适用于符号型的信息系统,而很少有对混合信息系统进行相关的研究,这促使在混合信息系统下构建相关的增量式属性约简算法.区分度是用于设计属性约简的一种重要方法,本文将传统的区分度在混合信息系统下进行推广,提出邻域区分度的概念,然后分别研究了邻域区分度在混合信息系统下对象增加和对象减少时的增量式学习,最后根据这种增量式学习分别提出了对应的增量式属性约简算法.UCI数据集上的相关实验结果表明,所提出的增量式属性约简比非增量式属性约简能够更快速的更新约简结果.     

不协调决策表几种约简标准及其关系分析

叶东毅教授在文中指出Hu Xiaohua等学者提出的约简方法在某些情况下会给出错误的结果,本文通过分析得出叶的方法实际上就是正域约简,而Hu的方法实质上保持边界域划分不变,与叶东毅教授提出的约简方法只是标准不同,而无所谓对错问题.在此基础上,阐明了决策表各种约简标准的关系,并给出了当两个约简标准存在强弱关系时,其约简结...     

基于粗糙集的过程控制规则挖掘算法及应用

在现代工业生产过程中，如何从实际生产过程中提取出有用的规则，用于调整控制生产是过程控制中一个难题。文章提出了一种基于粗糙集的过程控制规则挖掘算法，可以较大的降低计算复杂度，并将算法用于实际烟草制丝生产线的关联规则提取．得到了可用于实际生产过程控制的规则。     

一种粗糙集属性约简的改进算法

通过时属性的重要性以及属性提供的信息量进行研究，提出一种综合考虑属性重要性和属性的信息量的属性加权平均重要度的概念，并构造在决策表中的基于此重要度的一种新的属性约简方法。通过实例计算表明，该算法简单有效。     

不完备信息系统中知识约简的一种启发式算法

不完备信息系统中的知识获取是粗集理论应用的难点。通过引入信息熵和条件信息熵，对信息系统中属性的必要性进行了定义；提出了一种基于条件信息熵的知识约简启发式算法，并指出该算法的时间复杂度是多项式的。通过实例说明，该算法能得到信息表的约简和决策表的最小相对约简。     

一种改进的无核信息系统属性约简算法

针对无核信息系统的特点,基于互信息提出了一种新的启发式属性约简算法,该算法以增加属性后的互信息增量和属性自身的信息熵2项指标作为评价属性重要度的依据。实验结果表明,该算法避免了对于没有核属性的无核信息系统因随机选择初始属性造成计算复杂度增大的问题,并且属性约简效率提高,属性约简后的个数也相对较少。     

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。