一种基于相对粒度的决策表约简算法

在知识粒度的基础上,针对决策表提出了相对粒度和属性相对重要性的概念,证明了知识的相对粒度随着知识粒度的增大而单调增加的变化规律,在此基础上提出了一种基于相对粒度的启发式约简算法,以弥补基于正区域的约简方法处理不一致决策表时存在的不足.通过理论分析和实例验证表明,该算法是有效的,且其时间复杂度相对较低.     

决策表属性约简的相对划分粒度表示

粗糙集理论认为知识就是分类.本文对知识的分类能力给予了量化,提出利用划分粒度来定量地表示知识的分类能力.在划分粒度概念基础上,针对决策表定义了相对划分粒度并研究了它的性质,相对划分粒度可以定量表示决策表的条件属性子集相对于决策属性的分类能力的强弱;最后证明了对一致决策表的属性约简来说,相对划分粒度表示与Pawlak提出的代数表示是等价的.     

决策表属性约简的相对信息量表示

知识约简是粗糙集理论研究的主要内容之一，该文在信息系统中引入了知识的相对信息量的概念。对一致决策表，证明了其属性约简在代数表示下和相对信息量表示下是等价的，但对不一致决策表，举例说明其属性约简的代数表示不能用相对信息量来等价表示。由此可见，相对信息量表示比代数表示直观，但不能完全代替代数表示方法。     

决策表属性约简的相对信息量表示

知识约简是粗糙集理论研究的主要内容之一,该文在信息系统中引入了知识的相对信息量的概念。对一致决策表,证明了其属性约简在代数表示下和相对信息量表示下是等价的,但对不一致决策表,举例说明其属性约简的代数表示不能用相对信息量来等价表示。由此可见,相对信息量表示比代数表示直观,但不能完全代替代数表示方法。     

不完备决策表中基于相对知识量的属性约简

在不完备决策表中,引入基于相容关系的相对知识量,定义属性的重要度,提出一种启发式属性约简算法。该算法通过在约简过程中不断缩小样本空间的方法,降低算法计算时间。采用UCI数据集进行实验,结果表明该算法可提高不完备决策表的约简效率,适用于大规模数据集的属性约简。     

基于元素约简的决策表属性约简算法

Skowron差别矩阵广泛应用于属性约简及求核运算,但它只适用于相容决策表,对于不相容决策表有时会得到错误的结果。虽然国内多位学者对它进行了改进,但一方面它们仍只适用于相容或部分相容决策表的属性约简,对完全不相容决策表仍得不到正确的结果。另一方面须通过额外的函数来约束差别矩阵的构造过程,增加计算负担。利用等价差别矩阵具有相同属性约简的思想,将元素对象分割成相容对象与矛盾对象,通过对参与构造差别矩阵的行与列元素进行约简,减少了某些重复计算过程,提高了计算效率。以此为基础,给出了一种改进的属性约简算法。数值算例验证了该算法是有效可行的。     

不完备决策表的知识约简算法研究

知识约简是祖糙集理论处理信息系统的重要手段,本文首先给出了不完备信息系统的相关概念和定义,提出了不完备决策表的一种知识约简算法．实例计算结果证明了算法的可行性。     

一种结合概率启发信息和知识粒度的属性约简算法

知识粒度是人工智能领域的一个研究热点。针对粗糙集的不完备决策表,提出一种不需要求出差别矩阵而直接计算属性频率的方法,以此为启发信息改进基数排序算法。在知识粒度领域给出一个快速计算属性约简的启发式算法,其时间复杂度为O(|C|2|U'|)。最后通过实例说明该算法的有效性。     

水平划分多决策表下基于相对粒度的隐私保护属性约简算法*

为了解决分布式环境中多个参与方在不共享各自隐私数据的情况下完成全局属性约简计算的问题,提出了一种水平划分多决策表下基于相对粒度的隐私保护属性约简算法。该算法基于相对粒度约简理论实现了分布式环境下全局属性约简的求解,利用半可信第三方与安全多方基础协议,设计了安全多方计算相对粒度协议,使各参与方在不共享其隐私信息的前提下达到集中式属性约简的效果。分析结果表明,该算法是有效可行的。     

基于模糊知识粒度的混合属性约简算法

现实世界中常常包含着海量的、不完整的、模糊及不精确的数据或对象,使得模糊信息粒化成为近年来研究趋势。利用论域上的模糊等价关系定义了模糊粒度世界的模糊知识粒度,给出了新的属性约简条件和核属性计算方法,以便更好地挖掘出潜在的、有利用价值的信息。针对粗糙集在对连续属性约简的过程中容易造成信息缺失和不能对模糊属性处理的现象,提出了一种基于模糊知识粒度对混合决策系统约简的启发式算法,省去了连续属性离散化过程,减少了计算量,为离散值域和混合值域约简提供了统一的方法。最后通过实例验证了其有效性。     

不相容决策表的属性约简算法

对Skowron可辨识矩阵方法进行分析,并应用反例说明基于Skowron可辨识矩阵的属性约简算法对不相容决策表的属性约简,可能会导致错误的结果。针对这一问题,提出了一种基于改进可辨识矩阵的属性频率约简算法。该算法以改进的可辨识矩阵为基础,以属性频率作为启发信息,同时在算法中加入消除冗余属性二次约简过程。提供了实例分析,验证了该算法能够有效地对相容与不相容的决策表进行属性约简。     

基于依赖度的区间集决策信息表属性约简

区间集决策信息表拓展了经典决策信息表,但其属性约简研究较少.针对区间集决策信息表存在的问题,采用模型正域及相关依赖度提出属性约简及其启发式约简算法.在区间集粗糙集模型中,定义关于决策分类的正域与依赖度,证明粒化单调性等性质.提出基于依赖度的属性约简,设计启发式约简算法.实例分析与数据实验表明,设计的基于依赖度的启发式约简算法是有效的,所得结果有利于依赖学习与特征优化.     

一种基于相对区分表的属性约简算法

属性约简是知识获取中的核心问题之一。为了能较高效率地获得属性约简,在Rough Set理论基础上构造出了相对区分表,将基于相对区分表的属性约简的判定算法(JRA)作为子算法并结合归纳属性约简算法的优点,设计出了基于相对区分表的归纳属性约筒算法(RA)。算例说明该算法具有较高的属性约简效率,并能取得较好的约简结果。     

基于分形维数的非常规决策表的属性约简

属性约简是粗糙集的一个核心研究课题,但经典属性约简及其延伸算法是基于有决策属性的决策表的属性约简算法,它们对无决策属性的非常规决策表的属性约简无能为力。以粗糙集理论为基础,对无决策属性的非常规决策表从分形维数方面进行研究,提出了一种适用于无决策属性的决策表的启发式属性约简算法。该算法在一定程度上能够解决非常规决策表的属性约简问题,进一步扩展了粗糙集理论的应用范围。实例表明该算法是有效可行的。     

一种非相容决策表的属性值与属性约简方法*

针对非相容决策表,本文提出一种新的属性值约简与属性约简方法,与传统数据约简方法不同的是,本文方法考虑属性值约简与属性约简之间的关联,该方法首先进行属性值约简,然后进行属性约简。这种数据约简方法在属性值约简阶段不需要频繁地与引起非相容的个体集比较,在属性约简阶段也不需要频繁地判断非相容性是否是由于非相容性的个体集所引起的,本文所要做的仅仅是执行一次删除操作。本文并证明其正确性,分析了其时间复杂度与空间复杂度,本文方法是有效可行的。     

基于偏序粒的动态决策规则挖掘

针对决策表，引入了偏序粒的概念，提出了一种基于偏序粒的动态决策规则提取算法。该算法利用了偏序粒在粒度表达上的优势，区别于经典粗糙集理论中采用的单一等价关系，对同一决策表从不同的角度和多个层次来研究。实例表明该算法是有效的。     

集值序信息系统的信息熵和知识粒度

针对已有文献中二元优势关系定义过于宽松的不足,在集值序信息系统中结合对象间的不同优势程度,提出δ-优势关系的概念;基于δ-优势关系,将信息熵和知识粒度引入集值序信息系统中进行不确定性的度量。结论表明提出的信息熵和知识粒度可以精确地度量集值序信息系统的不确定性。     

基于包含度的不一致决策表约简新方法

在不一致决策表中,以知识的包含度为基础,将一致和不一致对象分开,定义了一种新的属性重要性;为克服区分矩阵法时间复杂度随系统大小增加而指数增长的缺陷,给出分布约简的数学判定定理,提出了一种求分布约简的启发式方法。实例验证分析表明,新的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简。