曲面的第Φ_r-形式在广义Ⅱ-等距下的公式

给出曲面的第Φr 形式在广义Ⅱ 等距下的公式的概念.借助混变张量,得到曲面的第Φr 形式在广义Ⅱ 等距下的公式.     

基于加权正域的特征选择算法

基于邻域粗糙集的特征选择算法无法评价特征与样本之间的相互关系,为此,通过融合基于大间隔获得样本对特征的评价准则,提出了基于加权正域的特征选择算法。该算法有效地实现了特征对样本的区分能力与样本对特征的贡献程度的综合利用。在UCI数据集和5个高维小样本数据集上的实验结果表明,相比传统的单准则评价的特征选择方法,该方法不仅能有效地提高特征选择的分类性能,而且更加有利于处理高维小样本数据集。     

基于最近邻互信息的特征选择算法

针对邻域信息系统的特征选择模型存在人为设定邻域参数值的问题。分别计算样本与最近同类样本和最近异类样本的距离,用于定义样本的最近邻以确定信息粒子的大小。将最近邻的概念扩展到信息理论,提出最近邻互信息。在此基础上,采用前向贪心搜索策略构造了基于最近邻互信息的特征算法。在两个不同基分类器和八个UCI数据集上进行实验。实验结果表明：相比当前多种流行算法,该模型能够以较少的特征获得较高的分类性能。     

优势关系下的集值序值信息系统

集值序值信息系统分为合取/析取集值序值信息系统,分别深入分析了合取/析取集值序值信息系统已有优势关系的局限性,并对其不合理情形进行了讨论,进而提出了对对象进行更好划分的新优势关系。在此基础上,分别构建了优势关系下的合取/析取集值序值信息系统的粗集模型,并通过典型例子验证了该方法的有效性。     

融合特征排序的多标记特征选择算法

在多标记学习框架中,特征选择是解决维数灾难,提高多标记分类器的有效手段。提出了一种融合特征排序的多标记特征选择算法。该算法首先在各标记下进行自适应的粒化样本,以此来构造特征与类别标记之间的邻域互信息。其次,对得到邻域互信息进行排序,使得每个类别标记下均能得到一组特征排序。最后,多个独立的特征排序经过聚类融合成一组新的特征排序。在4个多标记数据集和4个评价指标上的实验结果表明,所提算法优于一些当前流行的多标记降维方法。     

基于局部子空间的多标记特征选择算法*

在已有的特征选择算法中,常用策略是通过相关准则选择与标记集合相关性较强的特征,然而该策略不一定是最优选择,因为与标记集合相关性较弱的特征可能是决定某些类别标记的关键特征.基于这一假设,文中提出基于局部子空间的多标记特征选择算法.该算法首先利用特征与标记集合之间的互信息得到一个重要度由高到低的特征序列,然后将新的特征排序空间划分为几个局部子空间,并在每个子空间设置采样比例以选择冗余性较小的特征,最后融合各子空间的特征子集,得到一组合理的特征子集.在6个数据集和4个评价指标上的实验表明,文中算法优于一些通用的多标记特征选择算法.     

一种启发式的局部随机特征选择算法

深入研究大间隔从样本间相似性、信息熵从特征间相关性进行特征选择的特点,提出一种有效地融合这两类方法的特征选择算法。采用Relief算法得到一个有效的特征排序,进而将其划分为若干区段。设置各区段的采样率,以对称不确定性作为启发因子获得每个局部随机子空间的特征子集。将获得的所有特征子集作为最终的特征选择结果。实验结果表明该方法优于一些常用的特征选择算法。     

区间直觉模糊信息系统中的信息粒度

区间直觉模糊信息系统比一般信息系统更能全面、细致、直观地描述和刻画决策信息,对其进行不确定性研究具有重要的意义。利用信息粒度对区间直觉模糊信息系统的不确定性进行了刻画,给出了区间直觉模糊粒度结构的交、并、差、补等四种运算。提出了区间直觉模糊粒度结构上的三种偏序关系,并建立了它们之间的联系。定义了区间直觉模糊信息粒度和区间直觉模糊信息粒度的公理化,并研究它们的性质。     

映射单向S-粗模糊集及其性质

在文献[5]提出单向S-模糊集的基础上,给出映射单向S-粗模糊集概念,映射诱导的等价关系的概念;讨论了映射单向S-粗模糊集的性质。得出单向S-粗模糊集是映射单向S-粗模糊集的特例,映射单向S-粗模糊集是粗集理论的一个新的研究方向。     

[(I,J )]-区间直觉模糊粗糙集

利用吴伟志所定义的两个直觉模糊蕴涵算子[I ]和[J],把[(I,J )]-直觉模糊粗糙集的概念推广到区间直觉模糊集的情形,给出了区间直觉模糊近似空间的概念及[(I,J )]-区间直觉模糊粗糙集,研究了[(I,J )]-区间直觉模糊粗糙集的基本性质并推广了张植明等人提出的结论。