基于对象增量的不完备混合信息系统动态属性约简算法

属性约简是粗糙集理论在信息处理和自动化控制领域中的重要应用,然而实际应用环境下,数据的采集是源源不断地并且采集到的数据包含了不同的数据类型,同时数据传输过程中也存在着数据丢失的情况,使得最终得到的信息系统是不完备混合类型的,并且时刻处于增加更新之中。针对这一情形,提出一种条件信息熵的不完备混合型信息系统动态属性约简算法。文中首先介绍了不完备混合型信息系统的条件熵模型以及条件熵的属性约简,然后提出了不完备混合型信息系统条件熵随论域增加时的增量式更新计算,该计算方法通过旧信息系统的条件熵进一步计算新信息系统的条件熵,理论证明了这种增量式计算具有很高的计算效率,最后基于这种增量式计算,设计出了条件熵的不完备混合型信息系统动态属性约简算法。实验分析表明,所提出的动态属性约简算法相比较于传统的静态属性约简算法具有很高的动态属性约简性能,同时与同类型的动态属性约简算法相比具有较好的优越性。     

粗糙集理论中一种连续属性离散化算法

连续属性离散化一直是机器学习领域中亟待解决的关键问题之一。提出一种基于断点重要性的离散化算法。首先给出粗糙集理论的几个基本概念:决策表、不可分辨关系、信息熵和条件熵,然后对离散化问题进行介绍,给出断点分类的条件熵定义,在此基础上给出了断点选择的粗糙集连续属性离散化算法。仿真结果表明,算法的综合性能优越于文献报道的同类算法。     

基于条件熵的直觉模糊条件推理

该文在利用隶属度和犹豫度计算直觉模糊逻辑命题真值的对称合成方法的基础上,提出了一种基于条件熵的直觉模糊条件推理新算法。将直觉模糊条件推理规则的前件和后件与决策信息系统的条件属性和决策属性等价起来,条件属性、决策属性和推理规则均视为直觉模糊命题,直觉模糊命题的真实程度转化成一种决策规则前件对后件的条件熵的度量,并给出了条件熵的范围,从而确定直觉模糊命题的真实程度的范围。     

一种严格最大熵谱估计法的递推算法

本文提出了基于一种更严格最大熵谱估计的快速递推算法。讨论了当数据长度有限时，为满足最大熵谱估计的四个近似等价条件，所提出的严格目标函数。在此基础上，通过使目标函数达到极小，用递推法估计出各阶反射系数，然后由Levinson递推得到最大熵谱参数的估计值。该算法算法稳定，快速。计算机仿真表明，此估计方法具有良好的估计质量。     

不协调信息系统快速属性分布约简方法

在实际生活之中，遇到的各种信息系统的属性值域一般都具备偏序关系。要想在这些复杂的系统之中得到一些可以确定或不能确定的命题，就要对其开展属性约简。实际上，属性约简在粗糙集理论之中占据核心地位。这个概念指的就是在保留原有知识库分类能力的情况下，删掉其中没有关联或作用不大的属性。在对信息系统与协调决策信息系统实施简约的工作已经有较多的进展。此次从研究将参照熵进行属性的断定，以哈希（NNsn）分类为辅助手段，使用效率较高的属性分布约简算法。这个研究的时间复杂度被设定在O（|N|C|）。与此同时，为了防范前向贪心信搜索策略不能确保迭代结果是否将分部简约囊括其中，此次研究中使用后向启发类型的贪心搜索，最后表明使用这个策略得到的结果是严格意义上的分布简约。     

云环境下基于属性加密体制算法加速方案

云计算为租户提供存储、计算和网络服务，数据安全保护和租户间的数据共享与访问控制是其必不可少的能力。基于属性的加密体制是一种一对多的加密体制，可以根据用户属性实现细粒度访问控制，适用于云计算环境多租户数据共享。但现有的基于属性加密体制的算法效率较低，难以在实际环境中应用。分析了基于属性的加密体制的两种类型及其应用场景，提出一个基于属性加密体制算法的加速方案。通过实验表明，提出的方案可提高基于属性加密体制的密钥生成算法、加密算法和解密算法的效率。     

基于模糊层次—熵权法的自适应垂直切换算法

针对当前异构网络中,采用多决策属性的垂直切换算法难以动态调整网络属性的权重值,从而无法满足用户服务质量(QoS)的需求问题,文章以接入最优的异构无线网络和保障用户QoS为目标,提出基于模糊层次—熵权法的自适应垂直切换算法.首先,根据用户对网络属性的不同要求,采用主观模糊层次赋权与客观熵权法结合的方式构建网络属性优化模型...     

一种改进的不完备熵属性约简在装备故障诊断中应用

针对经典的粗糙集方法在处理不完备测试数据时,将完备化和属性约简先后进行易导致完备化数据产生偏差而影响属性约简准确性的问题,给出一种基于不完备熵的属性约简算法.通过对属性重要度概念在粗糙熵和不完备熵定义上进行拓展,立足原始测试数据直接计算各条件属性的属性重要度,从而获取一个较优的属性约简.该方法不仅充分考虑了不完备数据与属性约简之间的联系,而且约简结果更加精确,最后在某型装备故障诊断中应用验证了其有效性和优越性.     

一种改进的C4.5决策树算法

数据挖掘中基于决策树的C4.5算法是一种经典的分类算法,该算法具有ID3算法的优点,但是也存在缺点。针对原算法的不足,改进算法简化了熵值的计算,改进了连续属性的处理方法,使C4.5算法在执行效率上得到很大提高的同时也保障了分类的正确率。     

基于数据同化和粒子群优化算法的遥感影像融合

针对现有的基于色彩空间变换、基于统计以及基于多尺度分析等融合模型的建立主要依赖于经验,其参数选取存在主观性,基本上不能根据融合图像的后续使用目的进行自适应调整的问题,该文提出了一种基于数据同化和粒子群算法的遥感影像融合框架。此框架根据后续处理对影像各个属性指标值的依赖程度确定各个属性指标的权重,构造由影像各个属性评价指标的加权和所组成的目标函数,再利用粒子群算法优化目标函数从而获取合适的影像。一组实验以熵、平均梯度、标准方差、空间频率和结构相似性等定量指标验证了该框架的有效性。     

属性约简准则与约简信息损失的研究

属性约简是粗糙集的重要研究内容,信息熵是度量信息量的方法.在研究绝对约简和几种相对约简的基础上,归纳出属性约简的一般准则.定义了基于条件属性信息熵的属性约简和基于联合熵的属性约简,研究了几种属性约简与绝对约简之间的关系.定义了基于条件属性信息熵的约简信息损失,澄清了属性约简不损失信息的含糊观念,指出了属性约简只是在约简准则意义下不损失信息,在信息熵意义下可能损失信息.为进一步研究粗糙集、粒计算中属性约简与分类夯实了信息论基础.     

有源干扰感知的熵理论方法

面对日益复杂的电磁环境,用户对干扰感知技术提出了更高的要求。本文采用一种基于熵理论的干扰感知方法,对六种常见的有源干扰（三种压制式干扰和三种欺骗式干扰）进行特征提取,通过仿真结果分析其在不同熵特征下的差异,得出了熵理论可用于干扰感知技术的结论。其中,信息熵和指数熵能够区分噪声调幅干扰,范数熵能够较好地区分三种压制式干扰和速度欺骗干扰;但三种熵理论方法均难以区分距离欺骗干扰和速度欺骗干扰。同时,通过比较三种熵理论特征提取方法的仿真时间,分析了三种特征提取方法的计算复杂度,得出了范数熵计算复杂度最低的结论。最后,通过朴素贝叶斯分类器确定了三种熵理论方法的识别率。      

Transform coding with integer-to-integer transforms

A new interpretation of transform coding is developed that downplays quantization and emphasizes entropy coding, allowing a comparison of entropy coding methods with different memory requirements. With conventional transform coding, based on computing Karhunen-Loeve transform coefficients and then quantizing them, vector entropy coding can be replaced by scalar entropy coding without an increase in rate. Thus the transform coding advantage is a reduction in memory requirements for entropy coding. This paper develops a transform coding technique where the source samples are first scalar-quantized and then transformed with an integer-to-integer approximation to a nonorthogonal linear transform. Among the possible advantages is to reduce the memory requirement further than conventional transform coding by using a single common scalar entropy codebook for all components. The analysis shows that for high-rate coding of a Gaussian source, this reduction in memory requirements comes without any degradation of rate-distortion performance     

基于信息理论的成像系统干扰效果评估

把信息熵应用于成像系统中,用端到端的互信息评价图像成像系统,研究成像系统的干扰设计方法.模拟系统设计参数,计算机仿真分析了三种性质的干扰对成像系统的影响,做出了基于互信息量的干扰效果仿真曲线.这对于光电对抗装备的研制、开发和效能评估具有一定的参考价值.     

最大倒数熵/倒数灰度熵多阈值选取

现有的基于Shannon熵的阈值选取方法存在无定义值和零值的缺陷,并且没有考虑目标和背景类内灰度的均匀性。为此,本文针对多目标（背景）图像分割问题,提出了基于最大倒数熵/倒数灰度熵和自适应双粒子群优化（Adaptive Chaotic Variation Particle Swarm Optimization, ACPSO）的多阈值选取方法。首先将最大倒数熵单阈值选取推广到多阈值选取;然后定义了倒数灰度熵,导出了基于最大倒数灰度熵的单阈值和多阈值选取公式;最后给出最大倒数熵/倒数灰度熵多阈值选取的ACPSO算法步骤,实现对多个阈值快速精确地寻优。实验结果表明,与现有的同类方法—基于最大Shannon熵和粒子群优化（Particle Swarms Optimization, PSO）的多阈值选取方法相比,本文提出的方法有明显的优势,已应用于红外弱小目标检测中的阈值分割和卫星云图识别中的数字云图分割,取得了极佳的分割效果。      

基于信息熵的故障隔离模型

故障隔离过程即为熵递减的过程.从间接熵的概念出发,提出了基于信息熵的故障隔离模型,该模型考虑了可传递的故障模式和不可传递的故障模式对系统状态的影响,给出四类信息熵计算公式.从快速维修的角度,在测点优选策略中综合考虑了信息熵数量和故障率因素,从而能保证诊断树中测点分支数量少的同时,优先检测故障率较高的设备.最后通过一个典型案例应用,证明了该模型的可行性.     

基于平均交互信息量的DNA序列相似性分析

序列相似性分析是生物信息学中一个重要问题,对于研究物种的进化起源有着重要的意义。序列相似性算法包括基于序列比对的方法及非比对方法两种。基于比对的方法对于序列整体的衡量略有欠缺;非比对算法中有DNA曲线化方法以及比较序列各自整体碱基分布间的信息量差异的方法,只是考虑了序列整体信息间的差异,但未考虑序列各个位点间的差异。因此,提出了一种基于信息熵的相似性度量模型,把序列比对与信息量差异结合起来,将两条比对后的序列间的平均交互信息量与其联合熵之比作为两条序列的相似性度量。使用该度量构建了11个物种的相似性矩阵,对各物种间的相似性进行了分析,结果在一定程度上与生物分类学相契合。通过距离矩阵所构建的进化树,也反映了各物种间的进化关系,表明该模型的设计具有合理性。     

基于阈值法的图像分割技术

图像分割是图像处理方向的一个重要课题,阈值法因其实现简单、计算量小、具有较高的运算效率,性能较稳定,而成为图像中最基本和最广泛的分割技术。阈值法分为全局阈值法和局部阈值法两种,其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。这里主要研究基于点的全局阈值法,即最大类间方差法,并基于Matlab软件环境进行算法的仿真。该系统能够对图像中某些感兴趣的部分进行提取,较好地实现了图像分割。     

Intracranial Epileptic Seizures Detection Based on an Optimized Neural Network Classifier

Automatic identification of intracranial electroencephalogram (iEEG) signals has become more and more important in the field of medical diagnostics. In this paper, an optimized neural network classifier is proposed based on an improved feature extraction method for the identification of iEEG epileptic seizures. Four kinds of entropy, Sample entropy, Approximate entropy, Shannon entropy, Log energy entropy are extracted from the database as the feature vectors of Neural network (NN) during the identification process. Four kinds of classification tasks, namely Pre-ictal v Post-ictal (CD), Pre-ictal v Epileptic (CE), Post-ictal v Epileptic (DE), Pre-ictal v Post-ictal v Epileptic (CDE), are used to test the effect of our classification method. The experimental results show that our algorithm achieves higher performance in all tasks than previous algorithms. The effect of hidden layer nodes number is investigated by a constructive approach named growth method. We obtain the optimized number ranges of hidden layer nodes for the binary classification problems CD, CE, DE, and the multitask classification problem CDE, respectively.