基于粗集理论的约简算法

在基于属性重要性和基于分辨矩阵两种算法的基础上,提出了一种同时满足属性重要性和频度的启发式约简算法RedFreSigni。该算法的基本思想是:以属性的核为基础,把核和用户偏好集同时作为属性近似约简的一部分,以频度作为选择属性的启发信息可同时生成计算属性的频度信息与不可分辨矩阵,减少了计算时间。在此基础上进而提出了基于规则支持度和置信度的决策挖掘算法,该算法能有效提取出用户感兴趣的规则。     

基于改进辨识矩阵的变精度邻域粗糙集属性约简

提出一种用于变精度邻域粗糙集,可以大幅减少时间复杂度的属性约简算法.该算法基于一种改进的辨识矩阵.首先用辨识矩阵同时记录决策一致和不一致的数据,然后用二进制位运算计算样本的邻域,最后获得可以保持下近似分布不变的属性约简.实验结果证明,本文算法不仅能够大幅减少属性约简时间,而且精度上总体优于NBRS算法和LDNRS算法.     

一种模糊决策信息系统的属性约简方法

基于邻域粒化思想提出了邻域关系下模糊决策信息系统的粗糙集模型.定义了上、下近似算子,并讨论了它们的性质.通过构造辨识矩阵和辨识函数,给出了一种连续值域模糊决策信息系统上、下协调属性约简的方法,并用实例对该方法进行了说明.该方法为条件属性连续取值的模糊决策信息系统的属性约简、特征选择等提供了一种新途径.     

不完备模糊混合决策系统的邻域粗糙集分析方法

针对现实中同时具有不完备、模糊、混合属性值域决策系统的约简问题,建立了广义邻域粗糙集模型,提出了未知属性的辨别方法和基于属性重要度的约简算法。采用广义邻域关系度量不可分辨关系,通过邻域粒子逼近论域空间,是非对称相似关系、容差关系和模糊等价关系的广义化,可以直接处理同时含有名义型、数值型、模糊型、丢失型和遗漏型不完备属性的混合决策系统。依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响,给出了约简算法的具体实现。采用HitSHT数据和UCI数据库中2组数据进行了仿真试验,预测精度证明了模型的合理性及约简算法的有效性。     

一种基于分辨矩阵的属性约简改进算法

运用粗糙集理论,对基于分辨矩阵的属性约简,提出了一种改进算法.该算法通过对分辨矩阵的简化处理,化简分辨函数,快速求解分辨函数的最小析取范式,从而得到决策表的核和所有约简.该算法简化了分辨函数的求解过程,经实例验证该算法简单、快速、有效.     

基于信息熵的属性约简算法及应用

阐述了粗糙集理论和信息熵的概念,在此基础上提出了一种基于信息熵的属性约简算法。该算法从相对核的角度出发,将信息熵、条件信息熵和属性的重要度结合运用,优化了算法的结构,同时加快了决策表的运行速度。用CTR和Wine数据集对提出的算法进行了实验验证。结果表明,该算法能获得决策系统的最优属性约简,同时加快了运行速度。     

基于信息熵的属性约简算法的研究与实现

属性约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余属性.为了获得决策系统中属性最小相对约简,本文将信息论应用于决策信息系统属性约简中,与遗传算法相结合,并采用加权平均的属性重要度和知识量作为启发式信息指导约简,提出了一种改进的基于核子集的属性约简算法.     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法，提出了一种基于信息增益的属性约简算法．该算法总是优先考虑对于决策更为重要的属性，用条件属性对决策属性的信息增益作为条件属性的属性重要性度量，并以此度量作为启发式信息，算法从空集开始逐步将重要的属性加入到选择属性集，直到决策表达到一致分类时结束．并通过实例分析验证了该算法能有效地对属性进行约简，同时可以得到简单规则集．     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法,提出了一种基于信息增益的属性约简算法.该算法总是优先考虑对于决策更为重要的属性,用条件属性对决策属性的信息增益作为条件属性的属性重要性度量,并以此度量作为启发式信息,算法从空集开始逐步将重要的属性加入到选择属性集,直到决策表达到一致分类时结束.并通过实例分析验证了该算法能有效地对属性进行约简,同时可以得到简单规则集.     

一种基于互信息增益率的新属性约简算法

为了获得决策系统中更好的相对属性约简，提出了一种基于互信息增益率的属性约简算法.该算法考虑了所选择条件属性与决策属性的互信息，还考虑了所选择属性的值的分布情况，从信息论角度定义了基于互信息增益率的属性重要性度量方法，并以此度量为启发式信息，算法从空集开始逐步将最重要的条件属性加入到选择属性集，直到所选择的条件属性集与决策属性集的互信息等于整个条件属性集与决策属性集的互信息时，算法停止.结果表明，算法能更有效地对决策系统进行约简，同时约简后的对象数目较少.