一种基于规则的属性约简算法

Reduction of attributes is one of important topics in the research on rough set theory.Wong S K M and Ziarko W have proved that finding the minimal attribute reduction of decision table is a NP-hard problem.Algorithm A (the improved algorithm to Jelonek) choices optimal candidate attribute by using approximation quality of single attribute,it improves efficiency of attribute reduction,but yet exists the main drawback that the single atribute having maximum approxiamtion quality is probably optimal candidate attribute.Therefore,in this paper, we introduce the concept of compatible decision rule,and propose an attribute reduction algorithm based on rules (ARABR).Algorithm ARABR provides a new method that measures the relevance between extending attribute and the set of present attributes,the method assures that the optimal attribute is extended,and obviously reduces the search space.Theory analysis shows that algorithm ARABR is of lower computational complexity than Jelonek's algorithm,and overcomes effectively the main drawback of algorithm A.     

启发式知识约简算法的研究与应用

从信息角度对决策系统中的属性重要度进行度量,在此基础上,提出一种知识约简的启发式算法,它以信道容量为启发式信息,减小了知识约简过程中的搜索空间。实例分析表明,本算法能够获得决策系统的一种良好的相对约简。     

基于粗集理论的冗余分割点约简

分析了当前研究中常用的离散化方法，提出了一种基于粗集理论的离散化分析方法，在保持所要求的分类能力不变的情况下，发现并删除冗余分割点，对原离散结果进行简化，从而有效减小挖掘算法的搜索空间。     

基于粗集理论的属性约简改进算法

粗集理论是一种处理不确定,不一致数据的新的数学工具.属性约简是粗集理论研究的重要内容,是在保持信息系统分类能力不变的基础上,删除冗余属性.而求取最优约简是一个NP难题,为了能够有效地获取信息系统的约简,提出一种改进算法.该算法以知识量作为启发式信息,每次删除知识量小的属性,直到找到约简为止.分析及实例表明此算法具有有效性.     

基于差异相似矩阵算法的词语用法知识发现

DSMA(差异相似矩阵算法)是一种对信息系统进行属性约简和决策知识提取的方法,它通过矩阵模型直观地体现了各实例间属性的差异性及相似性,并能够快速地提取出各用法的决策属性。本文论述的重点是如何在语料库中提取词语的上下文特征属性信息,再基于该算法获取词语各种用法的决策知识。测试的结果表明了该算法在运行效率上的优越性。     

基于小生境遗传算法的知识约简方法

提出基于小生境遗传算法的知识约简算法,利用遗传算法的搜索寻优技术,可以得到多种约简属性集。实验证明,该算法是有效的,它可以解决启发式算法不能解决的部分问题,并能求解出知识系统中存在的不同约简,从而为特征提取、决策支持和数据挖掘等提供更多的信息。     

基于粗糙集的属性约简算法改进

针对目前道路交通肇事逃逸案件逐年增多情况，利用改进后的粗糙集属性约简算法对案件记录卷宗中的大量数据进行约简处理，得到和原始数据等效的属性约简集，将此约简集作为挖掘的数据基础，大大缩小了数据量，使得侦破人员可以将注意力集中于重要的物证采集上，减少了案件侦破中不必要的人、财、物消耗，同时数据量的减小也相应的加快了挖掘的速度。将在此约简集基础上挖掘得到的规则和关联规则算法得出的规则进行比较，证明改进后的约简算法是有效的。     

基于容错粗集理论的知识约简

粗集理论(RoughSetsTheory,RST)在处理不完全、不精确、不确定性智能信息问题等许多领域已取得成功的应用。然而RST理论还存在某些局限性,比如对等价关系的定义使得知识约简相对复杂化。该文提出利用容错粗集犤1犦RST的概念,建立属性值之间的容错关系,用容错关系对对象进行分类。该方法首先采用遗传算法求出属性阈值的最优组合,然后分别建立属性和对象的特殊矩阵,最后求出属性的相对约简和对象的相对商集。采用容错粗集进行知识约简减少了量化的过程,从而提高知识约简的有效性。该文最后提供了一个实例表明该方法是可行的。     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。     

一种新的属性约简算法

粗集是一种处理模糊和不确定性数据的工具,属性约简和核是粗集理论的核心内容,经过约简后的数据更有价值,更能准确地获取知识。很多属性约简算法以核为起点,计算繁杂。文中提出并分析了后删除属性约简算法,该算法不需要计算核,节约时间,减少占用空间,简化求解过程。文中以实例验证了算法的正确性。     

一种新的用于连续值属性离散化的约简算法

针对在Nguyen和Skowron的离散化算法中进行启发式约简时会出现某些属性不能进行离散化问题，以及在无核数据集中启发式约简算法计算量比较大等问题，在粗糙集理论和属性频率函数的基础上给出一个新概念－候选核，并提出一种新的用于连续值属性离散化的约简算法－基于候选核的启发式约简算法（简称BCC）。该算法可以寻找到能对所有属性进行离散化的约简，实验表明，所提出的BCC算法能提高大数据集的离散化效果。     

基于系统熵属性约简的差别矩阵方法

在已有的相对属性约简算法中,差别矩阵方法是一种设计属性约简的常用方法。基于系统熵的属性约简是一种新型的属性约简,对于这种属性约简,目前还没有差别矩阵方法去设计其属性约简算法。为此,首先构造了一种新的差别矩阵,同时给出了该差别矩阵的属性约简定义,然后证明了基于新差别矩阵的属性约简与基于系统熵的属性约简是等价的。最后用新差别矩阵设计了一个基于系统熵属性算法,并用实例说明了新算法。     

基于非对称相似差别矩阵知识约简

信息系统中存在着大量数据值缺省的情况,为寻求约简的最优解需耗费大量的时间。用非对称相似关系代替粗糙集理论中的等价关系,定义了非对称相似差别矩阵,提出了基于非对称相似差别矩阵的高效求核和知识约简算法。该算法无需改变初始不完备信息系统的结构,能直接处理缺省数据。实验结果表明,新算法所获得的决策规则简洁、高效,与缺省值无关。     

基于知识粗糙熵的快速属性约简算法

针对基于正域的属性约简算法在约简过程中存在重复计算属性相对重要度从而导致算法效率低的问题,从属性度量和搜索策略的角度提出基于知识粗糙熵的快速属性约简算法。首先,在决策信息系统中通过引入知识距离提出知识粗糙熵以度量知识的粗糙程度;其次,利用知识粗糙熵作为属性显著度的评价标准来评估单个属性的重要程度;最后,利用属性重要度对所有条件属性进行排序,且通过属性依赖度删除冗余属性,从而实现快速约简。在六个公开数据集上将所提算法与其他三种算法在运行效率和分类精度上进行对比实验。结果表明,该算法的运行效率比其他三种算法分别提高了83.24%、28.77%和59.92%;在三种分类器中,分类精度分别平均提高了0.83%、0.63%和1.37%。因此,所提算法在保证分类性能的同时,能以更快的速度获得约简。     

基于属性约简的聚类分析技术

由于原始海量数据规模较大,聚类算法难以实现,而且聚类分析有时候只考虑关键属性作为分类参数。因此提出了一种对原始数据先进行属性约简,再聚类分析的策略,可以在一定程度上消除数据对象中的冗余属性,改善聚类分析的鲁棒性,提高聚类算法的有效性。     

一种基于区分矩阵的属性约简算法

属性约简是粗糙集理论研究的关键问题之一。文章以属性在区分矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。它是以核为基础,加入属性重要性最大的属性,直到不能再加。为了能找到信息系统的最优约简,在此基础上加了一个反向消除过程,直到不能再删为止。最后通过一个实例完整演示了该方法,证实其有效性。     

一种综合信息熵和遗传算法的知识约简方法

针对粗糙集理论核心内容之一的知识约简问题,本文结合信息论有关知识,给出了粗糙集理论中一些概念和运算的信息表示,并利用遗传算法作为约简工具,提出了一种知识相对约简的方法．为使所得约简相对最优,将条件信息熵的重要性定义融入了适值函数中．同时,在适值函数的选取上引入了惩罚函数和罚系数,从而保证所求的约简在包含最少而又非零个属性的基础上保持原有的分类能力．通过实例分析可看出,该算法对求解约简问题是快速有效的．     

基于系统熵的属性约简的简化差别矩阵方法*

基于系统熵的属性约简是一种新型的属性约简。该模型由于同时考虑了条件属性集和决策属性集对决策表的分类能力,它是一种考虑较周全的属性约简模型。为设计高效的属性约简算法,首先引入简化差别矩阵, 同时给出了基于该简化差别矩阵的属性约简定义,并证明该定义与基于系统熵的属性约简定义等价;然后用简化差别矩阵设计了一个基于系统熵的完备属性约简算法;最后用实例说明了新算法。     

基于受限区分矩阵的值约简方法*

一般启发式值约简算法中启发信息选取不够合理,获取规则的置信度不高,同时还需要多次遍历决策表,时间开销较大。针对上述问题,提出了一种基于加权平均的属性值重要度的概念,并利用受限区分矩阵构造了一种新的值约简方法。该方法无须多次遍历决策表,且不必考虑属性值恢复的问题,大大方便了规则摄取,有效地降低了计算的时间复杂度,且属性值约简更加合理,保证了最后获取的规则具有较高的置信度。最后通过真实的医学数据实验结果表明,该方法具有较好的约简效果。     

基于确定性因子的启发式属性值约简模型

现有属性值约简模型程序复杂,难以实现,而且模型所提取的关键信息往往过于追求简明,会削弱决策系统的表达能力。为解决以上问题,提出一种基于确定性因子的启发式属性值约简模型。首先,构造几种不同性质的属性集工具,并给出其相关定理及证明;同时开发一种约简信息函数,从而为约简属性赋值;然后,将确定性因子作为启发信息,并采用自底向上式分层搜索策略来构建启发式属性值约简模型,并以程序伪代码的形式直观展示模型的布置路径与运行流程;最后,采用已有研究中的模拟数据开展模型的应用与验证,并对模型的优势、适用性与延展性展开总结与讨论。结果表明,新模型可行有效,易于编程实现;对数据特征要求低,适合一般性专家系统;所提取的价值信息多元简约,泛化性强,不丢失决策系统的关键信息。