对决策表和简化决策表的研究

简化决策表具有高效处理数据的能力,一经提出即得到广泛的重视。文中通过反例证明简化决策表在处理数据时会产生错误,改变了原决策表表达信息。通过分析得出简化决策表不具备处理不一致数据的能力,针对简化决策表存在的缺陷对其进行修正,提出新简化决策表的概念和建立算法。新简化决策表具有高效处理数据的能力,同时具备处理不一致数据的能力,并且不需要修改原有以决策表或简化决策表为基础的求核和求约简算法。     

新简化决策表的研究

针对简化决策表的定义和建立算法只能处理一致对象的问题,提出新简化决策表定义和建立算法,采用对不一致对象单独处理的方法,有效地解决简化决策表不能处理不一致对象的问题。通过实验验证新简化决策表可以处理不一致对象,简化决策表不能处理不一致对象。     

不一致决策表的知识约简方法研究

日前计算不一致决策表的分布约筒、最大分布约筒和分配约筒的方法均基于可辨识属性矩阵,在大数据集下耗时较多.为此,提出转化算法,将计算原不一致决策表的上述3种约简转化为计算3种一致决策表的Pawlak约筒,通过应用针对后者的高效启发式算法,有效地减少了计算时间．此外,引入λ-约筒的概念,通过调节A的值,能得到一族反映决策矢量不同水平相似程度的知识约筒．该方法降低了分布约筒对决策表区分能力的过高要求,较上述3种约筒更为灵活。     

对新简化差别矩阵的研究

通过反例证明当决策表含不一致对象时,无法通过简化差别矩阵得到正确的核和约简.产生该问题的原因在于简化差别矩阵和简化决策表对不一致对象的处理均存在欠缺.提出新简化差别矩阵(NSDM)定义,通过利用新简化决策表把一致对象和不一致对象分开存放的特点修正了这两处缺陷.NSDM能够处理含多种不一致对象的决策表,并且能够得到正确的核和约简.利用前人的基于差别矩阵的求核和求约简算法分别以NSDM和简化差别矩阵为基础求核和约简,然后再利用核和约简的定义求核和约简,通过比较证明以NSDM为基础得到的核和约简是正确的.这说明NSDM可以有效地处理不一致对象并且通过NSDM能够得到正确的核和约简.这个实验同时验证了原有的以差别矩阵为基础的求核和求约简的算法不加改动就可以在新差别矩阵上使用.     

不一致决策表信息熵约简与代数约简的核计算与转化

对不一致决策表,信息熵约简与代数约简有时会得到不同的属性约简和核属性,当前的方法多为先将不一致决策表转化为一致决策表,再对后者寻求高效算法.本文基于等价差别矩阵具有相同的核属性和属性约简的思想,提出一种以条件属性等价类构造简化的代数约简差别矩阵,从差别矩阵内部进行比较与分析,发现只须将信息熵约简差别矩阵中由同时为矛盾对象所产生的可辩识属性集剔除,即可转化为简化的代数约简差别矩阵,从而得到将信息熵约简核属性转化为代数约简核属性的新方法,理论分析与数值算例都验证了其正确性.     

基于粗集的属性约简在电信企业决策中的应用

粗糙集理论是近代新兴的一种研究不完整、不确定知识和数据的表达、学习、归纳的理论方法.在对粗集理论的一些算法研究后,提出了用其解决电信企业中大量数据中获取的较优决策,为企业信息系统的决策支持提供新的解决方法.     

关于简化的决策表及属性约简的注记

对简化的决策表进行转换,得到改进的简化决策表.基于正区域的属性约简,证明了在原决策表上约简与在改进的简化决策表上约简,结果相同.由于改进的简化决策表是一致的,从而保证在实际应用中,对改进的简化决策表可以用现有的任意一种完备的属性约简算法.     

大型决策表分解方法研究

数据的海量性和复杂性是当前决策表数据分析中面临的难题,分解是处理大型决策表复杂特性、提高分析效率和质量的有效手段.讨论了大型决策表分析存在的问题和决策表分解的必要性,提出了评价分解方法的三条标准,重点对几种决策表分解方法进行了分析和比较,指出了其特点与不足,提出了进一步研究的方向.     

决策表中规则获取的不确定性研究

知识获取的不确定性主要来源于有限的分辨能力以及对于数据描述的不确定性。首先将Ｒｏｕｇｈ集理论与不确定问题中的证据理论以及模糊集合理论进行比较,然后介绍不确定性数据的模糊描述。通过引入模糊区别矩阵和扩展近似集方法延伸了Ｒｏｕｇｈ集理论,并从模糊决策表中导出合理的决策规则。     

不完备决策表的启发式知识约简算法研究

经典Rough集理论是基于完备信息系统的。然而在实际应用中,由于数据存取或数据处理方面的原因,决策表经常是不完备的,即存在缺值。为了处理不完备信息系统,Kryszkiewicz提出了基于容差关系的Rough集模型。在该模型下进行知识约简时,现有的算法一般都采用构造区分矩阵和相应区分函数的方法。该方法虽然可以求得所有约简,然而业己证明这是一个NP-hard问题,因此实践中更为可行的方法是利用启发式搜索算法求出最优或次最优约简。在文中提出属性的重要性定义,并以此作为启发式信息,设计一种完备的知识约简算法。     

决策表的属性约减算法综述

介绍决策表的基本概念,分析决策表冲突条件以及判定条件组合爆炸的问题,明确决策表冲突检测属性约减的必要性。从本质描述、算法分类、算法效率等几个方面,对决策表冲突检测算法和属性约减算法进行了系统的综述和比较。最后,探讨了决策表的构建、效率、应用规模等6个属性约减研究的热点问题。     

决策表决策规则与知识粒度

在知识发现、数据挖掘等研究领域中,粒度计算有着潜在的应用。针对决策表,探讨了其内在的粒度思想,研究了属性个数增减、属性取值改变对知识粒度变化的影响,并建立了知识粒度与规则确信度之间的动态关系,为决策表进行决策分析提供了科学依据。这些结果将有助于粒度计算和决策理论的研究。     

决策强度的决策表约简设计与比较

在平均决策强度的基础上,提出了决策强度的代数定义,以弥补基于正区域方法的局限性,并且证明了知识的决策强度随着信息粒度变小而非单调递减的规律,在此基础上设计了基于决策强度的约简方法。应用实例分析的结果表明,基于决策强度的属性重要性是一种更优的启发式信息,该方法计算直观有效,时间复杂度较低,有助于搜索最优或次优约简。最后对UCI离散数据集进行约简比较。     

基于包含度的决策表属性约简算法的研究

粗糙集理论是一种有效的信息处理工具,决策表属性约简是粗糙集理论研究的一个核心内容。利用RoughSet理论的相关知识,提出了一种基于包含度的决策表属性约简算法。与现有的决策表属性约简算法进行比较,它具有较低的复杂度和较强的可使用性。最后对UCI机器学习数据库中的例子进行约简的实验结果证明,它可以取得比较满意的效果。