基于新聚类学习的属性离散化方法

粗糙集理论中,属性的离散化是预处理中的关键问题。基于新聚类学习算法提出了一种新的属性离散化方法,并将该方法用于车牌字符识别中。首先根据车牌字符的特征建立决策表,给出了基于新聚类学习算法对决策表属性值进行离散化的算法。然后应用粗糙集理论对离散后的决策表属性进行约简,由约简后的属性构造神经网络识别器。字符识别的结果分析表明基于新聚类学习方法的离散化算法对于车牌字符属性较为适用。     

属性约简的一种新计算方法

属性核的确定和属性约简是粗糙集理论研究的两个重要问题。目前的计算方法基本上是通过差别矩阵先求出属性核．然后在属性核的基础上再求出属性约简的。而这种方法具有较高的复杂度。因此在定义了相容样本集．证明了相对正域和相容样本集之间的等价性的基础上，提出属性约筒的一种高效方法。     

一种新的信息系统启发式属性约简算法

为降低信息系统属性约简算法的时间复杂度,首先引入简化信息系统的概念,然后定义了简化信息系统中属性集的区分对象数,证明了基于简化信息系统区分对象数的属性约简与原属性约简是等价的.进而定义了简化信息系统的属性重要性,并设计了一个快速求属性重要性的算法.同时,以属性重要性为启发式信息,设计了一个新的属性约简算法.新算法的时间复杂度降为max{O(|C||U|),O(|C|2|U|C|)}.最后用一个实例说明了新算法的有效性.     

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.     

连续值属性决策表中的知识获取方法

 提出了一种从连续值属性决策表中获取知识的方法KACVA(Knowledge Acquisition from decision tables containing Continuous-Valued Attributes).该方法将经典粗糙集理论对数据空间的等价划分转换为相似划分,把传统粗糙集理论中正域的表示方法扩充到连续值属性决策表中;通过计算连续值属性决策表中各条件聚类对决策类的分类能力,生成决策规则.不同数据集的实验测试结果表明:对连续值属性决策表中的知识获取,KACVA方法与传统的粗糙集相关知识获取方法及C4.5决策树分类方法相比,有更高的分类准确率.     

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

基于代数方程组的属性约简研究

属性约简是粗糙集理论重要研究内容之一,求取决策表所有属性约简已被证明为NP 难问题.本文基于吴方法,从代数方程组角度给出了一种求解所有属性约简的新思路.UCI数据集和人工数据集实验表明了该新方法的有效性.     

一种改进的基于差别矩阵的属性约简算法

为解决决策表属性约简完备算法约简质量低的问题，在基于差别矩阵的属性约简完备算法的基础上，引入信息论中信息熵和互信息增益的定义，给出一种启发式属性约简完备方法，通过实例说明启发式信息可以提高完备算法的约简质量，比较不同启发信息对完备算法的约筒质量和约简效率。试验结果表明，采用基于信息论定义的两种启发信息的完备算法约筒效率基本一致，该算法较非启发式完备算法有更好的约简质量。     

粗糙集理论中属性相对约简算法

粗糙集理论是近年来发展起来的一种有效地处理模糊和不确定性知识的数学工具,而求核与约简是粗糙集理论中的两个重要问题,现已证明求决策表所有约简和最小约简是一个典型的NP难题.本文在分析粗糙集理论的基础上,发现了正区域的一些有用性质,提出了一种利用正区域直接求核的方法,并利用正区域的启发式信息给出了两种相对约简算法.     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

基于互信息下粒子群优化的属性约简算法

最小属性约简是粗糙集理论中属性约简的优化问题.在寻找最小属性约简的问题上,基于粒子群优化的属性约简算法（ARPSO算法）优于传统的属性约简算法.在现有的ARPSO算法中,正域部分通常被作为启发式信息,但是它并不能够很好地衡量不确定性,而互信息是粗糙集理论中一种更有效的度量不确定信息的重要工具.为此,提出基于互信息下的粒子群优化的属性约简算法（MIPSO算法）,该算法把互信息作为适应度函数,通过增强粒子能迅速靠近吸引子的这一特性,改进了内嵌区域震荡搜索的粒子群优化算法（简记为RSPSO算法）,防止算法较早的陷入局部最优,使得粒子群中的粒子更快的找到最优值,因此使得算法尽可能实现全局收敛.实验结果表明,该算法不仅提高了寻优的能力,加快了算法的速度,提升了算法的精度,而且也能够使得约简后剩余属性的互信息值与约简前所有属性的互信息值近似相等.     

贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.     

基于粒度的粗集-决策树雷达信号识别模型

通过引入知识粒度的概念,对信息系统中属性的重要度进行了定义,并以属性重要度为启发式信息,进行粗集的属性约简.在构造决策树的过程中,基于粗集的理论运用了加权平均粗糙度的概念,并将其作为选择分离属性的标准.将这种联合粗集与决策树的模型应用到雷达信号识别中,经实验证明,用该方法构造的决策树复杂性低,且能有效提高分类效果.     

属性约简在测井信息优化中的应用

文章提出了利用粗集理论对测井属性进行简化的智能信息处理方法。即选进行核的确定得到约简的信息表；再对之进行属性重要性的计算，这样就能优选出有用的测进属性。算例表明其方法很有效，不仅应用效果好，而且处理速度快。     

A Method of Attribute Reduction Based on Rough Set

The main purpose of oil logging interpretation is to calculate the oil content in formation and set up the exploration scale by determining the lithology and reservoir parameter (porosity, permeability, and saturation ratio)[1]. As the development of digital logging technology and tomography logging technology, more and more well logging data have been produced with exponential increase. Therefore, it is very important to extract the useful or interesting information from the database, and to …     

基于粗糙集的常规雷达目标分类器研究

粗糙集决策系统通过分别检验特征矢量中每个属性值的符合程度进行概念型决策,并能根据暨有目标特征知识系统生成表征特征属性在分类过程中重要程度的粗糙隶属度。文中构建了一个基于粗糙集的雷达目标分类器,并以目标径向投影尺寸和航迹参数为例进行分类试验,对一个包含分属于6类的30个目标特征知识系统,在对目标特征属性值叠加雷达典型测量误差的条件下,达到了不低于90%的识别率。     

一种基于模糊理论的自适应入侵检测方法

针对模糊转换过程中等价转换失真问题和网络记录中属性差异对入侵检测造成的影响,提出关键属性列表、属性作用度列表和属性类型列表等概念,将动态反馈机制引入入侵检测,提出一种基于模糊理论的自适应入侵检测方法。实验表明该方法能有效提高入侵检测系统的检测率,降低其误报率,增强计算机系统抵御入侵及自身免疫能力。     

一种改进的无核信息系统属性约简算法

针对无核信息系统的特点,基于互信息提出了一种新的启发式属性约简算法,该算法以增加属性后的互信息增量和属性自身的信息熵2项指标作为评价属性重要度的依据。实验结果表明,该算法避免了对于没有核属性的无核信息系统因随机选择初始属性造成计算复杂度增大的问题,并且属性约简效率提高,属性约简后的个数也相对较少。