概率粗糙集三支决策在线快速计算算法研究

随着大数据和物联网技术的不断发展,动态在线计算已经成为了一种常见的计算模式,在动态在线计算中进行不确定问题的推理和求解是一项具有挑战性的新议题。概率粗糙集三支决策理论是一种处理不确定性知识挖掘的有效工具,根据在线计算模式中数据同步增减的动态特点,提出了一种概率粗糙集三支决策的在线计算方法。首先,以内存滑动窗口模式对在线动态计算的数据变化特点进行理论建模;然后,根据上述模型中在线计算的数据变化模式,推导出不同类型数据变化模式下的三支决策条件概率及三支区域的变化规律;最后,提出了一种新型在线快速计算算法,其获取的三支决策规则与经典概率三支决策算法是等效的。通过与经典三支决策计算算法的多组对比实验,验证了提出的在线快速计算算法的高效性与稳定性。     

基于三支决策的支持向量机增量学习方法

针对典型的支持向量机增量学习算法对有用信息的丢失和现有支持向量机增量学习算法单纯追求分类器精准性的客观性,将三支决策损失函数的主观性引入支持向量机增量学习算法中,提出了一种基于三支决策的支持向量机增量学习方法.首先采用特征距离与中心距离的比值来计算三支决策中的条件概率;然后把三支决策中的边界域作为边界向量加入到原支持向量和新增样本中一起训练;最后,通过仿真实验证明,该方法不仅充分利用有用信息提高了分类准确性,而且在一定程度上修正了现有支持向量机增量学习算法的客观性,并解决了三支决策中条件概率的计算问题.     

三支决策朴素贝叶斯增量学习算法研究

增量学习利用增量数据中的有用信息通过修正分类参数来更新分类模型,而朴素贝叶斯算法具有利用先验信息以及增量信息的特性,因此朴素贝叶斯算法是增量学习算法设计的最佳选择。三支决策是一种符合人类认知模式的决策理论,具有主观的特性。将三支决策思想融入朴素贝叶斯增量学习中,提出一种基于三支决策的朴素贝叶斯增量学习算法。基于朴素贝叶斯算法构造了一个称为分类确信度的概念,结合代价函数,用以确定三支决策理论中的正域、负域和边界域。利用三个域中的有用信息构造基于三支决策的朴素贝叶斯增量学习算法。实验结果显示,在阈值[α]和[β]选择合适的情况下,基于该方法的分类准确性和召回率均有明显的提高。     

动态决策树算法研究

该文在增量决策树算法的基础上,提出一种能够处理变化数据集的减量决策树算法,提出并证明了减量决策树算法中的三个基本定理,保证了减量决策树算法的可靠性。同时将传统的增量决策树算法与该文所提出的减量决策树算法相结合,构造出一种动态决策树算法,该算法很好地解决了发生增减变化的动态数据集构造决策树的问题,另外动态决策树算法的提出也促进了在线规则提取的发展与完善。     

三支决策-基于粗糙集与粒计算研究视角

从三支决策3个历史发展阶段出发,通过粗糙集和粒计算两个研究视角对三支决策的发展踪迹和演化过程进行介绍。分析了三支决策与粗糙集理论的历史脉络、内在联系和相互关系,探讨了决策粗糙集、概率粗糙集、粗糙集和三支决策之间的包含关系;探讨了基于多层次粒计算和多视角粒计算下的三支决策方法;提出了一个基于三支决策的粒计算研究框架模型。最后,给出了三支决策的研究现状和未来发展方向。     

分段延迟代价敏感三支决策

决策粗糙集理论中,三支决策代价目标函数是典型的单调线性函数.然而,在实践经验中经常发现延迟决策的代价与决策概率之间的函数关系往往呈现非单调特性,决策粗糙集理论的经典代价敏感三支决策模型无法对上述非单调现象进行直接的建模和推理,导致决策粗糙集理论的应用受到了限制.为了求解这种具有非单调延迟代价的代价敏感三支决策问题,提出一种新型分段延迟代价敏感三支决策模型.该模型定义了具有单调递增和单调递减特性的两组延迟决策损失函数,并结合经典正负域决策损失函数构造了分段延迟三支决策代价目标函数体系、度量指标和分段决策策略;然后,基于条件概率、损失函数及基础度量指标之间关系的4种分段延迟代价敏感三支决策分类模式被提了出来,并且对相应的三支分类阈值进行了推理;最后,通过一组典型实例,验证了分段延迟代价敏感三支决策模型及其三支分类是可行的.     

多类分类模型和多层次增量算法*

多类分类问题的实际应用中,在决策对象的认识由粗粒度向细粒度转化时,通过使用粒结构,提出一种基于多类分类的序贯三支决策模型。在此基础上,使用该模型非增量的方法计算序贯三支决策的时间开销较大,针对决策表中条件属性的变化,给出该模型的增量方法来进行决策。首先,通过增加新属性得到每层的条件属性,构建多层次粒结构。在多层次粒结构下,给出每层决策表的损失函数矩阵。然后,按层依次计算决策表中每个决策类的阈值,进行决策表的三支决策。最后,给出多类分类的序贯三支决策算法,通过实例说明该算法的计算过程。为了动态更新多层次下的三个域集,基于多类分类给出计算序贯三支决策的增量算法,通过仿真实验验证了该方法的有效性。     

基于三支决策粗糙集的概念漂移研究

随着大数据时代的到来,数据挖掘已经成为研究热点,概念漂移作为数据挖掘领域所面临的挑战之一,也越来越受到人们的关注。针对传统基于经典粗糙集的概念漂移探测研究不关注边界域上的概念漂移现象、不具有容错性的问题,提出了基于三支决策粗糙集的概念漂移的探测算法,该算法将概念漂移的探测拓展到了三支决策粗糙集领域,将正域概念漂移探测的意义推广到了边界域上,认为边界域上的概念漂移现象也是值得研究的且具有实际意义的。利用三支决策粗糙集能够有效模拟人类智能的不确定性和非精确性的特点,增加了该概念漂移算法的容错性。最后,通过实验验证了该算法的可行性。     

基于三支决策的增量标签传播算法

三支决策(Three-Way Decision,3WD)作为一种新的粒计算方法,在处理不确定和不精确问题上具有独特的优势.针对标签传播算法(Label Propagation Algorithm,LPA)在节点更新过程中存在的较高随机不确定性和冗余性问题,提出了基于三支决策的增量标签传播算法(3 WD_ILPA).首先,给出了邻接模糊信息测度的概念和计算方法,并用于生成任意两节点间的概率转移矩阵.然后,将三支决策融入节点的动态更新过程,并把迭代更新后准确率最高的节点逐步增量添加到下一循环过程,直至收敛.此外,给出了3 WD_ILPA算法的详细流程.最后,在ABIDE数据集上进行孤独症(Autistic Spectrum Disorder,ASD)识别实验,与传统机器学习、深度学习和迁移学习等方法的对比结果表明,所提方法具有更高的准确率.     

基于对象变化的邻域决策粗糙集动态更新算法

针对现实环境下数据集不断动态变化的特性,提出一种邻域决策粗糙集模型的增量式更新算法。采用由简单到复杂的研究思路,分析了邻域型信息系统论域增加和减少单个对象时,目标近似集与邻域类之间概率的变化规律,进一步地利用这种规律来构造单个对象变化时邻域决策粗糙集模型上下近似集的增量式更新,在单个对象变化的基础上,通过逐步迭代的方式设计了对象批量变化时的增量式更新算法。实验分析表明,所提出的算法具有较高的增量式更新性能,适用于动态数据环境下邻域决策粗糙集模型的动态更新。     

基于混淆矩阵的多目标优化三支决策模型*

鉴于混淆矩阵在机器学习算法性能评价领域的通用性,文中以混淆矩阵为基础构造概率粗糙集三支决策度量系统,给出部分度量指标之间的性质及其证明,提出基于混淆矩阵度量指标体系的多目标优化三支决策阈值求解模型.模型中多目标优化函数被视为不同三支决策度量指标的加权之和,而最优阈值的求解也获得一种新型的语义解释.最后通过实例演示模型如何确定接受与拒绝域阈值,同时对比Pawlak粗糙集方法,表明文中模型获得的三支决策能够更好地平衡决策的准确率与承诺率.     

云平台下基于粗糙集的并行增量知识更新算法

日益复杂和动态变化的海量数据处理,是当前人们普遍关注的问题,其核心内容之一是研究如何利用已有的信息实现快速的知识更新.粒计算是近年来新兴的一个研究领域,是信息处理的一种新的概念和计算范式,主要用于描述和处理不确定的、模糊的、不完整的和海量的信息,以及提供一种基于粒与粒间关系的问题求解方法.作为粒计算理论中的一个重要组成部分,粗糙集是一种处理不确定性和不精确性问题的有效数学工具.根据云计算中的并行模型MapReduce,给出了并行计算粗糙集中等价类、决策类和两者之间相关性的算法;然后,设计了用于处理大规模数据的并行粗糙近似集求解算法.为应对动态变化的海量数据,结合MapReduce模型和增量更新方法,根据不同的增量策略,设计了两种并行增量更新粗糙近似集的算法.实验结果表明,该算法可以有效地快速更新知识;而且数据量越大,效果越明显.     

一种基于粗集理论的增量式学习改进算法

增量式学习中,当向决策表中增加一个新例子时,为了获得极小决策规则集,一般方法是对决策表中的所有数据重新计算。但这种方法显然效率很低,而且也是不必要的。论文从粗集理论出发,提出了一种最小重新计算的标准,并在此基础上,给出了一个增量式学习的改进算法。该算法在一定程度上优于传统的增量式学习算法。     

面向决策分析的多粒度计算模型与方法综述

作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进行展望,以期推动多粒度智能决策的不断发展与创新.     

一种基于概率粗糙集模型的增量式规则学习算法

提出了一种基于概率粗糙集模型的增量式规则学习算法.该算法能够有效地从不一致和含有噪声的决策表中提取带有确定性因子和支持数的决策规则,并且所提取出的规则具有很好的抗噪声能力.同时,算法的动态调整策略可以满足规则的动态更新.最后将该算法应用于一个实例分析中,提取了满足给定参数的决策规则,分析结果验证了该算法在规则提取中的合理性.     

不完备数据中面向特征值更新的增量特征选择方法

实际应用中,数据常常表现出不完备性和动态性的特点。针对动态不完备数据中的特征选择问题,提出了一种基于相容粗糙集模型和信息熵理论的增量式特征选择方法。首先,建立了不完备信息系统中特征值动态更新时论域上条件划分与决策分类的动态更新模式,分析了作为特征重要度评价准则的不完备相容信息熵的增量计算机制,并将该机制引入到启发式最优特征子集搜索过程中特征重要度的迭代计算,进一步设计了不完备数据中面向特征值动态更新的增量式特征选择算法。最后,在标准UCI数据集上从分类精度、决策性能和计算效率3个方面对文中所提出的增量算法的有效性和高效性进行了实验验证。     

基于粗糙集和决策树的增量式规则约简算法

粗糙集方法是一种处理不确定或模糊知识的重要工具。传统的粗糙集模型对最简规则集的研究都是针对静态数据的,对于动态数据却显得无能为力。但在实际应用中,数据库中的数据往往是动态变化的,因此,对规则约简的增量式算法的研究是知识发现领域所急需解决的问题之一。文章给出了一种基于粗糙集和决策树的增量式规则约简算法,并与传统算法和RRIA算法进行了对比分析,实验结果表明该算法的方法和效果更好。     

Three-way decision reduction in neighborhood systems

Rough set reduction has been used as an important preprocessing tool for pattern recognition, machine learning and data mining. As the classical Pawlak rough sets can just be used to evaluate categorical features, a neighborhood rough set model is introduced to deal with numerical data sets. Three-way decision theory proposed by Yao comes from Pawlak rough sets and probability rough sets for trading off different types of classification error in order to obtain a minimum cost ternary classifier. In this paper, we discuss reduction questions based on three-way decisions and neighborhood rough sets. First, the three-way decision reducts of positive region preservation, boundary region preservation and negative region preservation are introduced into the neighborhood rough set model. Second, three condition entropy measures are constructed based on three-way decision regions by considering variants of neighborhood classes. The monotonic principles of entropy measures are proved, from which we can obtain the heuristic reduction algorithms in neighborhood systems. Finally, the experimental results show that the three-way decision reduction approaches are effective feature selection techniques for addressing numerical data sets.     

粗集中的粒计算模型

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,不相容决策表是粗集理论研究的一个重点,而粗集中的等价关系可以用来刻化等价粒.结合粒计算的处理方法给出了决策表信息系统的粒表示、粒运算规则和粒分解算法,同时结合粗集中的属性核计算方法,提出了决策表信息系统在粒表示下属性核的获取方法.