信息系统的属性信息粒计算方法

根据属性上的函数依赖关系,提出了信息系统属性信息粒的概念,并给出了可分离信息系统的粒结构计算方法。首先,定义了信息系统可分离性,证明了如果一个信息系统是可分离的,则该系统的粒结构可分解为该系统的子系统粒结构的笛卡儿乘积;其次,给出了信息系统可分离性的判别方法及信息系统分解算法;最后,分析了该计算方法的复杂度。分析结果表明,与直接计算信息系统的粒结构相比,该计算方法可将计算复杂度从O(2ⁿ)降低到O(2^n₁+2^n₂+…+2^n_k),n=n₁+n₂+…+n_k。理论分析和实例计算表明,该计算方法是可行的。     

基于信息系统属性同态的数据压缩

数据压缩是数据处理的一个重要主题,同态是实现数据压缩的一种有效工具。根据信息系统属性集及其上的依赖关系,定义了信息系统属性同构和信息系统属性同态的概念。研究了信息系统属性同态的性质,利用属性等价关系诱导出了信息系统属性理想同态,应用信息系统属性理想同态实现了信息系统属性集的无损压缩。最后通过比较原信息系统与同态像信息系统的距离,给出了度量任意属性同态理想程度的方法。     

基于知识粒化的信息系统增量式属性约简

传统的属性约简算法不能适用于动态变化的信息系统。为了对属性集不断动态增加的信息系统进行更高效的属性约简,基于粒计算模型中知识粒化的视角,提出一种知识粒度的增量式属性约简算法。在信息系统中引入知识粒度度量的概念,当信息系统属性集增加时,研究了知识粒度的增量式更新方法,理论分析了这种更新方法的高效性,根据知识粒度的增量式更新提出一种增量式属性约简算法。仿真实验结果表明该算法具有较高的属性约简性能。     

基于粒计算的属性约简算法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,不相容决策表是粗糙集理论研究的一个重点。利用粗糙集中的等价关系来构建粒子,给出了决策表系统的粒子分解方法及在粒表示下以属性重要性作为启发信息的属性约简算法。实验结果表明该算法不仅具有高效性,而且能处理大型决策表。     

粒计算中基于属性分类的形式概念属性约简

针对目前已有的形式概念属性约简算法的不足(如属性约简的时间复杂度偏高、属性及属性值比较过程中存在冗余计算、存储开销大等问题),结合粒计算思想,提出基于属性分类的形式概念属性约简模型.首先,通过定义两个算子来划分属性之间分类关系;然后,由属性分类关系制定约简规则,并在此基础上提出基于属性分类的形式概念约简算法,该算法在保持目前最低时间复杂度不变的情况下,减少了冗余计算和存储开销,提高了属性约简的计算效率;最后,通过实例和仿真实验对基于属性分类关系的形式概念属性约简算法的有效性进行了验证.     

基于粒计算的属性约简改进算法

粒计算是基于问题求解、模式分类及信息处理的多层次粒结构分析方法,它是粗糙集、模糊集、数据挖掘以及人工智能等多领域交叉的一门新学科。在讨论知识粒度的基本概念和性质后,介绍了通过计算属性对约简核的重要度SigCore(A)(a)来进行信息系统约简的方法。考虑到有的信息系统没有约简核,提出了基于粒计算的约简算法的改进。改进后的算法既可以用于有约简核的系统,也可以用于没有约简核的系统。数值实验证实了算法的有效性。     

不确定信息系统中基于粒细度的属性约简

针对不确定信息系统属性约简问题,提出一种基于颗粒细度的属性约简方法。给出一个以粒细度为属性重要性的概念,并用此重要性作为启发信息进行属性的约简。从原始的不确定信息系统出发,定义一个利用粗糙集中的等价关系构建相容的粒度空间,从而缩减原始系统所占用的空间,避免计算时对象的重复。实现计算量的降低。     

基于粒计算的不完备信息系统的规则提取方法

根据粒计算思想提出了一种从不完备决策表中分层提取确定规则的方法,将决策表进行分解,然后按决策表提供的确定信息分层提取相应的确定规则,在处理过程中认为空值提供的信息是不可靠的,所以与确定值严格加以区分,该方法充分利用不完备信息系统中的确定信息,得到长度不等的确定规则。     

采用粒计算的属性权重确定方法

针对属性值为连续值且无单一决策属性的多属性决策问题,通过宏观和微观的粒计算理论模型的对比分析,提出了一种融合模糊商空间理论和粗糙集理论的属性权重确定方法。首先通过应用模糊商空间理论构建具有分层递阶结构的商空间族,将一系列粒度商空间的样本聚类结果作为相应粒度空间下单一决策属性的分类,然后采用粗糙集理论计算得出所有商空间下各个属性的重要度,综合不同粗细粒度商空间下的属性重要度大小确定了各属性的客观权重。应用实例验证了该方法的合理性、有效性和实用性。     

基于信息系统的区分矩阵增量求核算法

针对动态变化的信息系统及其增量求核算法效率不理想的情况,对信息系统进行了简化,证明了简化的区分矩阵的核与原来区分矩阵的核是一致的,并在此基础上提出了一种基于简化的区分矩阵增量求核算法。当有新对象增加到信息系统时,算法能较好地利用原来信息系统中的有用信息进行增量求核,通过示例说明分析了算法的有效性。     

信息系统属性约简的快速算法

对目前已有的信息系统属性约简的启发式算法进行了分析,认为它们的时间复杂度不太理想.以快速缩小搜索空间为目的,先利用划分U/A对信息系统进行化简.设计了一个新的度量属性重要性的计算公式,并给出了该公式的递归计算方法.然后给出了一个时间复杂度为max{O(A‖U|),O|A|2|U/A|)}的快速属性约简算法,最后,实例及实验结果表明了该算法的有效性.     

属性集变化条件下集值决策信息系统的增量属性约简方法

为了解决集值决策信息系统中的属性数量不断发生动态变化时,静态属性约简方法无法高效更新属性约简的问题,提出一种以知识粒度为启发信息的增量式属性约简方法.首先,介绍集值决策信息系统的相关概念,接着介绍知识粒度的定义并将其矩阵表示方法推广到此系统中;然后,分析增量式约简的更新机制,并基于知识粒度设计了增量式属性约简方法;最后...     

基于属性重要性的粗糙集属性约简方法

信息系统中的属性约简是粗糙集知识发现的一个重要步骤。致力于研究一个信息系统中的特征选择、删除冗余属性。新的算法从属性重要性出发,采用迭代特征选择的标准,使得选择特征属性集不断缩小,获得信息系统的约简。通过实验证明该方法可行,有效。     

Dynamic computing rough approximations approach to time-evolving information granule interval-valued ordered information system

With the advent of Big Data era has seen both the volumes and update rates of data increase rapidly. The granular structure of an information system is evolving with time when redundancy data leaves and new data arrives. In order to quickly achieve the rough approximations of dynamic attribute set interval-valued ordered information system that the attribute set varies over time. In this study, we proposed two dynamic computing rough approximations approaches for time-evolving information granule interval-valued ordered information system which induced by the deletion or addition some attributes, respectively. The updating mechanisms enable obtaining additional knowledge from the varied data without forgetting the prior knowledge. According to these established computing rules, two corresponding dynamic computing algorithms are designed and some examples are illustrated to explain updating principles and show computing process. Furthermore, a series of experiments were conducted to evaluate the computational efficiency of the studied updating mechanisms based on several UCI datasets. The experimental results clearly indicate that these methods significantly outperform the traditional approaches with a dramatic reduction in the computational efficiency to update the rough approximations.     

基于信息Granule属性约简的求解

在传统基于分辨矩阵的约简方法中,用属性构成的集合表达对象间可区分性质;给出了信息Granule的二进制数构造方法,将对象间的可区分性质通过可区分函数的定义实现,并给出约简和核的求解算法。不难发现,后者比施行分辨矩阵更有利于在计算机上实现。     

条件属性递增系统的核属性动态更新算法

为解决信息系统在条件属性动态增加情况下的核属性更新问题,通过深入分析得到了一种二进制区分矩阵的等价表示方法;分析了新增条件属性对正区域和二进制区分矩阵的影响,得到一种正区域增量式计算方法,基于此提出了一种条件属性递增系统的核属性动态更新算法,该算法对已有二进制区分矩阵进行局部更新得到新的二进制区分矩阵,从而更新核属性,避免了重新计算,提高了运算速度。理论分析和实例结果验证了算法的有效性和可行性。     

一种基于信息熵加权的属性约简算法

针对现有邻域粗糙集模型中存在属性权重都相同,无法保证关键属性在属性约简时能够被保留的问题,提出了一种基于信息熵加权的属性约简算法。首先,采用了类间熵、类内熵策略,以最大化类间熵最小化类内熵为原则给属性赋予权重;其次,构造了基于加权邻域关系的加权邻域粗糙集模型;最后,基于依赖关系评估属性子集的重要性,从而实现属性约简。在基于UCI数据集上与其他三种属性约简算法进行对比实验,结果表明,该算法能够有效去除冗余,提高分类精度。     

基于划分贴近度的不完备信息系统属性约简

在不完备信息系统中,通过引入划分贴近度,对不完备信息系统中属性的重要性进行了定义。针对不完备信息表和不完备决策表提出了两个新的基于划分贴近度的属性约简算法,两个算法的时间复杂度均为O（m²n²）。通过实例说明,这两个算法能分别得到不完备信息表的约简和不完备决策表的相对约简。     

基于多尺度属性粒策略的快速正域约简算法

传统启发式正域属性约简算法在每次迭代的过程中需要添加当前正域依赖度最大的属性进入已选定的特征属性子集,算法迭代次数多且效率低,难以应用于高维大规模数据集的特征选择中。针对上述问题,研究决策系统中正域之间的单调关系,给出了多尺度属性粒（MSAG）的形式化描述,提出了一种基于多尺度属性粒的快速正域约简算法（MAG-QPR）。由于多尺度属性粒包含多个属性,可以对已选定的特征属性子集提供较大的正域,因此,通过每次迭代添加MSAG,可以达到减少迭代次数和使选定的特征属性子集能更快地趋近于条件属性全集的正域分辨能力的目的,从而提高了启发式正域约简算法的效率。在实验部分,选取8组UCI数据进行实验,对于数据集Lung Cancer、Flag和German,MAG-QPR与基于正向近似的正域保持属性约简算法（FSPA-PR）、基于正向近似的条件熵属性约简算法（FSPA-SCE）、后向贪婪正域保持属性约简算法（BGRAP）和后向贪婪启发式广义决策保持属性约简算法（BGRAG）的运行时间加速比分别为9.64、15.70、5.03、2.50;3.93、7.55、1.69、4.57;3.61、6.49、1.30、9.51。实验结果表明,所提算法MAG-QPR提高了算法效率,具有更好的分类精度。