二型模糊粗糙属性约简模型

属性约简是粗糙集理论的重要应用之一,其目的是在保持分类能力不变的前提下去掉冗余的属性,从而简化信息系统。由于经典粗糙集等价关系的要求过于严格,为了更好地解决实际问题,将粗糙集与二型模糊集结合,得到二型模糊粗糙集。利用论域和特征空间的积空间上的两个一型模糊集来构造论域的一个二型模糊划分,将模糊粗糙集属性约简的模型推广到二型模糊粗糙集框架中,得到了一个二型模糊粗糙属性约简的模型,并举例说明了用此模型进行属性约简的方法。     

采用粒计算的属性权重确定方法

针对属性值为连续值且无单一决策属性的多属性决策问题,通过宏观和微观的粒计算理论模型的对比分析,提出了一种融合模糊商空间理论和粗糙集理论的属性权重确定方法。首先通过应用模糊商空间理论构建具有分层递阶结构的商空间族,将一系列粒度商空间的样本聚类结果作为相应粒度空间下单一决策属性的分类,然后采用粗糙集理论计算得出所有商空间下各个属性的重要度,综合不同粗细粒度商空间下的属性重要度大小确定了各属性的客观权重。应用实例验证了该方法的合理性、有效性和实用性。     

一种新的模糊决策表属性约简方法

粗糙集理论研究的核心内容之一是属性重要性的度量和属性约简。经典的粗糙集模型基于等价关系,适合于处理离散属性值。模糊粗糙集理论将模糊集和粗糙集理论结合起来,将等价关系扩展为模糊关系,可处理模糊属性值。分析了已有广泛运用的模糊决策表的属性约简算法FRAR存在的三个问题,提出了一种新的约简算法,较好地克服了原算法的问题,能处理规模较大的模糊决策表。     

模糊λ商空间研究

把模糊商空间理论推广为模糊λ商空间理论,证明论域上的一个模糊等价关系一一对应于λ商空间上的一个归一化等腰距离函数;给定一个λ截关系序列,则唯一确定一个模糊等价关系.给出模糊λ商空间的定义,并讨论其性质,引入模糊λ商空间族来求解模糊问题.     

基于α信息熵的模糊粗糙属性约简方法

基于邻域粗糙集以及模糊粗糙集等价关系下的属性约简方法,引入$\alpha $信息熵,建立模糊相似关系下的α信息熵不确定性度量,提出基于$\alpha $信息熵的属性重要度度量,并以此构建混合属性约简算法.利用UCI数据集与几种相关的约简方法进行比较,验证了该方法可以选择较少属性的同时保证较高的分类精确性.实际应用中,对参数α的有效调节,可获得多个约简结果,进而可根据需要选择最佳约简.     

积模糊粗集模型及其模糊知识粒的表示和分解

为处理人工智能中不精确和不确定的数据和知识,Pawlak提出了粗集理论。之后粗集理论被推广,其方法主要有二:一是减弱对等价关系的依赖;二是把研究问题的论域从一个拓展到多个。结合这两种思想,研究基于两个模糊近似空间的积模糊粗集模型及其模糊粗糙集的表示和分解。根据这种思想,可以从论域分解的角度探索降低高维模糊粗糙集计算的复杂度问题。先对模糊近似空间的分层递阶结构———λ-截近似空间进行研究,得到不同层次知识粒的相互关系;然后定义模糊等价关系的积,并研究其性质及算法;最后构建基于积模糊等价关系的积模糊粗集模型,并讨论了该模型中模糊粗糙集的表示及分解问题,分别从λ-截近似空间和一维模糊近似空间的角度去处理,给出了可分解集的上(下)近似的一个刻画,及模糊可分解集的上(下)近似的λ-截集分解算法。     

一种面向连续属性空间的模糊粗糙约简

简要叙述了模糊粗糙集理论中与属性约简相关的几个重要概念,研究了属性模糊化方法,并提出了一种结合遗传算法和模糊粗糙集理论的属性约简算法,它能快速找到完整地保留了原始数据集合的信息的一个属性约简.     

基于模糊邻域粗糙集的启发式属性约简算法

属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中,大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果,首先在已有的模糊邻域粗糙集模型中定义属性依赖度度量,然后根据粒计算理论中知识粒度的概念,在模糊邻域粗糙集模型下提出了模糊邻域粒度度量。由于属性依赖度和知识粒度代表了不同视角的属性评估方法,因此将这两种方法结合起来用于信息系统的属性重要度评估,最后给出一种启发式属性约简算法。实验结果表明,所提出的算法具有较好的属性约简性能。     

模糊层次商空间的快速属性约简算法

针对传统属性约简算法利用等价关系计算过程繁琐,样本集较大时运行时间长的问题,提出一种利用模糊欧氏距离的快速属性约简算法。定义模糊欧氏距离计算属性间距离;应用层次商空间结构构建约简粒层空间;以粒层空间聚类结果作为约简基础,实现样本集属性约简。仿真结果表明,该算法约简速度不受样本集样本数量限制,运算速度较快,能够在不删除样本的情况下实现数据的快速约简,约简后对数据集分类精度影响小,部分数据集分类精度有所提升,为大规模数据集约简提供了新的研究思路。     

基于模糊粗糙依赖度的连续值属性约简

针对传统的离散化技术所造成的信息丢失问题,提出了利用模糊粗糙集理论来进行属性约简的方法。描述了模糊等价关系下的粗糙集模型,定义了正域、依赖度等概念,提出了基于模糊粗糙依赖度的属性约简算法,该方法比传统属性约简方法具有更好的时间复杂性,并用实例证明了该算法的可行性。     

结合粗糙集和模糊聚类方法的属性约简算法

本文针对粗糙集理论的属性约简算法进行了研究。结合模糊聚类方法，提出了一个新的属性约简算法，用户可以根据实际决策需要和领域知识更改阈值λ，从而得到用户满意的属性约简结果。最后利用该文的算法给出了一个实例的约筒结果。     

粗糙集的直觉模糊特殊集表示及其在属性约简中的应用

在近似空间〈U,θ〉的框架下,讨论了直觉模糊特殊集及直觉模糊特殊σ-代数的若干性质,给出了粗糙集的直觉模糊特殊集表示及生成方法.分析了直觉模糊特殊集之间的距离(Hamming距离和Euclidean距离)与决策规则的确定区域之间的关系,并使用Harmming距离或Euclidean距离实现了粗糙集理论中的属性约简.     

模糊λ商空间研究

把模糊商空间理论推广为模糊λ商空间理论,证明论域上的一个模糊等价关系一一对应于λ商空间上的一个归一化等腰距离函数;给定一个λ截关系序列,则唯一确定一个模糊等价关系。给出模糊λ商空间的定义,并讨论其性质,引入模糊λ商空间族来求解模糊问题。     

一种基于信息熵的模糊粗糙集知识获取方法

模糊粗糙集融合了模糊集和粗糙集的思想,是一种新的处理模糊和不确定性知识的软计算工具。针对属性为模糊值的信息系统,提出了一种基于熵的模糊粗糙集知识获取方法:首先通过模糊相似度量计算出各属性下对象的模糊相似值,再根据模糊相似关系构造模糊等价关系,然后根据模糊等价关系建立属性集的信息熵表示,继而使用基于信息熵的决策表属性约简算法获取规则。最后,通过一个实例,分析说明了这种算法的合理有效性。     

模糊决策粗糙集代价敏感属性约简研究

针对决策中普遍存在的代价问题,在模糊理论和决策粗糙集的基础上,对其代价敏感属性约简方法进行了研究。在模糊决策粗糙集属性约简中引入了包含误分类代价和测试代价的总代价。因此约简的目标不再只是考虑正域的大小,而是寻找使得总代价最小的最优属性子集。提出了一种模糊决策粗糙集代价敏感属性约简(COSAR)算法,该算法采用启发式方法搜索最优属性子集。给出了算法的步骤,并将该算法与已有的模糊粗决策粗糙集属性快速约简(QuickReduct)算法进行了性能对比。实验结果表明,COSAR算法比QuickReduct算法具有更强的属性约简能力、更低的分类总代价、更短的运行时间,且随着测试样本的增加,分类总代价差值也越来越大。     

基于模糊包含的粗糙集模型与模糊信任测度

提出基于模糊包含的模糊粗糙集模型,并给出其相关性质。讨论由模糊粗糙集的下、上近似所决定的模糊信任测度、模糊似然测度的性质并将之应用到随机模糊信息系统的属性约简中。     

基于模糊并行约简的模糊概念漂移探测

数据流挖掘是当前数据挖掘研究的一个热点,并且数据流的类型也不尽相同。利用模糊粗糙集和F-粗糙集的基本原理和基本方法,提出了一种对模糊型数据流进行模糊并行约简、删除冗余属性的方法,并运用模糊并行约简中属性重要性的变化探测模糊概念漂移现象。有别于传统方法,该方法利用模糊数据的内部本质特性对模糊概念漂移进行探测,并且通过实例验证其探测模糊概念漂移的可行性和有效性。     

基于直觉模糊粗糙集的属性约简研究

本文针对传统的离散化技术所造成的信息丢失问题,提出了利用直觉模糊粗糙集合理论来进行属性约简的方法。文中描述了直觉模糊等价关系下粗糙集的模型,并在此基础之上定义了正域、依赖度与非依赖度概念,然后详细分析了直觉模糊粗糙集属性约简算法。最后,用实例证明了该算法的可行性,并对算法的优缺点进行了阐述。     

模糊决策表的一种改进的属性约简算法

经典粗糙集对模糊决策表处理能力十分有限。把模糊集和经典粗糙集结合起来,对模糊决策表属性约简算法进行了研究。定义了新的相似度、相似类以及条件属性划分形成的相似类簇;给出了两个定理;提出了一个新的属性约简算法,并用实例进行了验证。     

新的信息熵属性约简

在粗糙集不确定性度量公式中,模糊熵和模糊度是重要的度量方式。根据粗糙集不确定性度量中模糊熵和新的模糊度公式,提出了在决策信息系统中修正条件信息熵和相对模糊熵的概念,并分别用两种方式证明了熵在属性约简过程中的单调性。然后利用向前添加属性算法进行属性约简,约简结果在RIDAS(roughset based intelligent data analysis system)平台上进行识别率测试,通过实验对比分析了两种新的信息熵与条件信息熵的约简结果,为基于信息熵的属性约简提供了参考。