粗糙集中区分矩阵约简方法的优化

基于属性约简的区分矩阵方法的思想,对区分矩阵方法进行了改进,并给予了理论上的证明,同时对优化方法进行了分析与探讨.优化方法不保留区分矩阵方法中的冗余信息,减少了比较次数,从而提高了约简的效率,节省了存储空间.     

基于不可区分矩阵的属性频率约简

根据不可区分关系,提出了不可区分矩阵的概念.证明了不可区分矩阵与区分矩阵的关系,指出了不可区分矩阵约简算法的优势.给出了基于不可区分矩阵的属性频率约简算法.相对于区分矩阵算法,该算法在时间和存储空间花费上都有较大的改善和提高.     

一种使用二进制差别矩阵的属性约简方法

针对区分矩阵属性约简算法中区分矩阵存在空值元素和重复元素等缺点,提出了一种基于二进制差别矩阵的属性约简算法.该算法不仅保证了属性约简的完整性和正确性,同时也降低了运算所需的时间和空间.     

基于有序二叉决策图的粗糙集属性约简的符号方法

针对现有属性约简算法主要基于代数表示和信息表示的方法,基于改变属性约简问题的知识表示方法,提出区分矩阵的有序二叉决策图(OBDD)的表示方法。给出了属性约简的区分矩阵模型到OBDD模型的转换方法,得到了信息系统的区分矩阵的OBDD模型,并对区分矩阵表示和OBDD模型的存储空间进行了实验对比。结果表明,OBDD模型具有较好的存储性能,可降低对象数量和属性个数较多的信息系统的属性约简问题的空间复杂度。     

基于区分向量的属性约简

决策表的属性约简方法有多种,常用的方法是利用区分矩阵生成区分函数,对区分函数进行化简,进而得到决策表的属性约简。文章提出了决策表的区分向量的概念,并给出了利用区分向量进行属性约简的方法。     

基于粗糙集的不一致决策表约简算法

对传统的区分矩阵法进行分析,提出一种基于等价类的约简算法。该算法的主要思想是将不相容决策表通过等价类划分转化为相容决策表,然后利用已有的区分矩阵方法对其约简。     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

可信度差别矩阵及其属性约简

针对决策表中因存在不一致数据而造成求核和属性约简的错误,引入对象可信度的定义,并将其添加到决策表中,以区分不一致和一致对象;然后,给出差别矩阵的定义,以及基于该差别矩阵的核属性和属性约简定义,同时证明了由该定义获得的核和属性约简与正区域的核和属性约简是等价的;最后,设计属性约简算法及其改进算法,并通过实例和实验验证了算法的有效性。     

一种基于差别矩阵的新的属性约简方法

在利用粗糙集理论进行数据挖掘得到知识规则时,最重要的一点就是基于粗糙集的属性约简,因此,在区分矩阵的基础上,改进了计算信息系统属性约简的方法,使属性约简计算量大幅度减小,可以快速得到给定要求下的属性约简．     

基于浓缩布尔矩阵的属性约简算法

属性约简是粗糙集理论研究的核心内容之一,最常用的计算属性约简的方法是基于Skowron可辨识矩阵的方法.为解决该类方法中存在的如应用范围受限、时间及存储空间浪费和效率瓶颈等问题,提出了一种基于浓缩布尔矩阵的属性约简算法:通过提出浓缩布尔矩阵的概念,以布尔代数的形式有效解决了现有可辨识矩阵存储空间大、生成效率低等缺点;利用一种新的用于直接生成分辨函数最小析取范式的算法,有效改善了算法的时间和空间复杂度,从而提高了属性约简算法的效率.     

分类算法中基于差别矩阵的属性约简方法

差别矩阵中会出现大量的重复元素占用大量内存,当数据太稠密时,构成的差别矩阵太大不容易操作且计算代价较高。本文提出了一种基于简化差别矩阵的属性约简算法（SDMAR）,在属性约简之前,通过计算属性相似度,对属性进行了合并操作,得到简化决策表。根据简化决策表构造差别矩阵,计算差别矩阵中出现次数最多的属性并删除包含该属性的元素,当差别矩阵为空时终止操作,以达到对决策表属性约简的目的。通过算法及实例分析得到属性约简过程的时间复杂度有所减小。     

基于布尔差别矩阵逻辑运算的属性约简

针对差别矩阵属性约简存在的不足,首先将决策表简化,并引入布尔差别矩阵定义及其逻辑运算方法;然后给出基于布尔差别矩阵核属性和属性约简的定义,同时证明了该核属性和属性约简与正区域的核属性和属性约简是等价的;接着,设计基于属性布尔差别矩阵逻辑运算的属性约简算法,算法的时间和空间复杂度均为O(|C||U/C|2)。最后,通过实例和实验验证本文算法的正确性和高效性。     

基于简化差别矩阵的增量式属性约简

新对象添加到决策表后,已有的属性约简将会发生改变,需要对其动态更新.为此,首先给出简化决策表和简化差别矩阵的定义,并证明了基于简化差别矩阵的属性约简与正区域的属性约简是等价的;然后,分析增量对象的不同情况,将增量属性约简映射到简化决策表上来实现,由此设计基于简化差别矩阵的增量式属性约简算法,并对算法进行改进;最后,利用实例和实验验证了所提出算法的正确性和高效性.     

基于区分向量的不完备决策系统属性约简算法

区分矩阵是属性约简的一种有效方法。针对不完备的决策系统,定义了区分矩阵的概念,给出了区分矩阵构造方法,并根据区分矩阵稀疏性的特点,定义了区分向量的概念,在此基础上,给出了一种基于区分向量的不完备决策系统属性约简算法。最后,采用恒星光谱数据,实验验证了该算法的有效性。     

一种基于属性频率划分的决策树算法

决策树是数据挖掘任务中分类的常用方法。在构造决策树的过程中,节点划分属性选择的标准直接影响决策树分类的效果。基于粗糙集的属性频率函数等方法度量属性重要性的概念,将其用于分枝划分属性的选择,提出一种决策树学习算法。该方法仅利用区分矩阵就可以计算出属性的出现频率函数值,计算简单。实验结果表明,用该方法构造的决策树与传统的基于信息熵方法构造的决策树相比较,结构简单,且能有效提高分类效果。