基于区分能力大小的启发式约简算法及其应用

提出了一种能处理噪音的有效约简算法，该算法基于粗集理论认为知识是区分事物的能力的观点，对知识进行量化，证明了量化的合理性，并以量化后的区分能力作为启发式信息，指导约简，提高了约简效率。另外，利用这种启发式信息，提出了一种解决噪音问题的方法。最后，将该算法应用到人机接口中，用于手关节自由度的约简，这对手势识别与合成是很有意义的工作。     

基于区分能力大小的启发式约简算法的研究

通过对徐燕等提出的能有效处理噪音的基于区分能力大小的启发式约简算法的研究，认为所提出的对知识进行量化、证明量化的合理性、给出的算法和实例证明的过程中还有一些不完善的地方，需要进行修正．该文提出了修正方法，并通过实例证明了修正后的算法对知识进行量化、证明量化的合理性、以知识量为启发函数的约简修正是正确的．     

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。     

基于粗糙属性向量树的属性约简新方法

在对区分能力大小研究的基础上建立了一个用于指导信息表的绝对属性约简的粗糙集模型, 同时在对区分能力和分类能力二者关系深入研究的基础上提出了决策依赖区分精度新概念,该概念是用于指导决策表的、相对属性约简的一个新的判据.借助粗糙属性向量树提出了新的求全部属性约简的算法, 通过理论分析说明了新算法的最坏时间复杂度低于经典的"基于差别矩阵求全部属性约简算法"以及它的改进算法.对比实验结果验证了该算法在运算效率上明显高于"基于差别矩阵求全部属性约简算法"的改进算法.     

基于知识划分粒度的信息系统约简算法

粗糙集理论认为知识就是分类。对知识的分类能力给予了量化,提出利用知识的划分粒度来定量地表示知识的分类能力。首先建立了知识与其划分粒度间的关系;其次,基于划分粒度定义了属性的重要性,并以此为启发式信息设计了一个信息系统的约简算法;最后通过实例表明,该算法是高效的。     

广义不完备信息系统的知识约简 *

以同时具有丢失型和遗漏型未知属性值的广义不完备信息系统为研究对象,提出了一种新的二元关 系,并基于此关系讨论了其中的知识约简问题。在广义不完备信息系统中,引入了约简、广义区分矩阵等概念, 并给出了约简的判定定理和知识约简算法。最后,通过一个具体的例子,说明了约简算法在广义不完备信息系 统中处理模糊和不确定性知识是可行、有效的,为从复杂的不完备信息系统中获取知识提供了新的理论基础与 技术手段。     

广义不完备决策表的知识约简和规则提取

以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象,提出了一种新的二元关系并基于此关系讨论了其中的知识约简和规则提取问题。在不完备决策系统中,引入了约简、区分矩阵、广义区分矩阵等概念并给出了约简的判定定理和算法,为从复杂的不完备决策系统中获取知识提供了新的理论基础与技术手段。     

一种基于绝对信息量的知识约简算法

粗糙集理论是一种新的处理模糊和不确定知识的数学工具。知识约简是粗糙集理论研究中的重要内容之一,现已证明寻找信息系统的最小约简是NP-hard问题。该文提出一个基于绝对信息量的知识约简的启发式算法,该算法的时间复杂性为O(｜R｜3｜U｜2)。通过例子分析,表明该算法是有效的。     

基于绝对信息量的知识约简算法

粗糙集理论是一种新的处理模糊和不确定知识的数学工具.知识约简是粗糙集理论研究中的重要内容之一,现已证明寻找信息系统的最小约简是NP-hard 问题.文中提出一个基于绝对信息量的知识约简的启发式算法, 该算法的时间复杂性为 O(|R|3|U|2).通过例子分析,表明该算法是有效的.     

基于粗糙集理论的属性约简算法

粗糙集理论是一种新的数据挖掘方法,其主要思想是保持分类能力不变的情况下,通过属性约简,达到发掘知识并简化知识的目的.从大量数据发现知识时,属性约简是一个关键问题.在理解和分析基于粗糙集理论的数据挖掘算法基础上,提出了一个基于属性依赖度的属性约简算法.实验结果表明,该算法能更有效地对决策系统进行约简.     

一种基于粗糙集的近似质量求取属性约简的决策算法

提出一种基于粗糙集的近似质量求取属性约简的算法。该算法以集合近似的质量为迭代准则，以所有条件属性为初始约简集合，通过逐步缩减来求取约简，保证了所求取的约简对问题的分类量力不会减弱。同时给出了该算法的时间复杂度分析，并举例验证了所提出算法的有效性和实用性。     

A dynamic attribute reduction algorithm based on 0-1 integer programming

Attribute reduction is an important research concept in rough set theory. Many attribute reduction algorithms were designed for the static information system in the past years. However, many real-world data are generated dynamically. Then a new dynamic attribute reduction algorithm based on a 0-1 integer programming is proposed to deal with the dynamic data in this paper. When multiple objects in the information system evolve over time, instead of treating the changed information table as a new one and finding the reduct again like rough set reduction algorithm does, the proposed algorithm just updates the original reduct. Therefore, its computational speed improves greatly. In addition, an approach of constraint preprocessing is also presented in this paper. Numerical experiments on twelve benchmark datasets testify the feasibility and validity of the proposed algorithm.     

概念格中基于粗糙熵的属性约简方法

属性约简是概念格理论的研究重点内容之一。通过将粗糙熵引入概念格理论中,定义了一种粗糙熵约简。首先,基于所有概念外延定义了形式背景的粗糙熵,并分析了它的性质;其次,定义了形式背景的粗糙熵约简,并揭示了粗糙熵约简与概念格约简之间的关系;在此基础上,基于属性重要度设计了计算粗糙熵的启发式算法,并通过实验验证了该算法的有效性。     

一种不完备信息系统的约简方法

提出了一种基于覆盖粗糙集理论,利用最大一致块技术进行不完备信息系统约简的方法。在证明利用最大一致块技术生成的相容类构成论域的最简覆盖基础上,利用覆盖粗糙集理论对已利用最大一致块技术进行属性约简的信息系统进行属性值约简,并提出一种新的约简算法。     

差别矩阵浓缩及其属性约简求解方法

属性约简是粗糙集理论的重要研究内容之一，已出现大量的属性约简算法，其中基于差别矩阵的属性约简算法是高效属性约简算法之一，但这些算法主要针对一致决策表，而对于不一致决策表，某些情况下不能得到属性约简。为此，本文提出改进的差别矩阵及其属性约简求解方法，统一考虑决策表一致和不一致情况两种情况下的属性约简，有效改进经典的基于差别矩阵求解属性约简的不足。同时，为适应大数据集属性约简需要，提出一种新的差别矩阵浓缩策略，以此提高属性约简的效率。     

最优约简在分类问题中的应用

在机器学习和人工智能中,粗糙集是进行属性维约简的重要理论与方法。但是,对于给定的信息系统,可能存在多个不同的约简,而不同的约简将会导致产生不同的知识。因此,选择最适合的约简成为一个关键的问题。以此为研究目标,通过在信息系统上增加额外的信息-偏序关系,利用此关系指导属性约简的过程,求出该偏序关系下的最优约简,并运用该最优约简对原信息系统进行维约简。通过对相关工作进行比较分析,详细设计并证明了求取该最优约简的算法,并将最优约简运用于分类问题,得到了良好的效果。     

一种不完备信息系统的约简方法

提出了一种基于覆盖粗糙集理论，利用最大一致块技术进行不完备信息系统约简的方法。在证明利用最大一致块技术生成的相容类构成论域的最简覆盖基础上，利用覆盖粗糙集理论对已利用最大一致块技术进行属性约简的信息系统进行属性值约简，并提出一种新的约简算法。     

基于粗糙集的非监督快速属性选择算法

针对"大数据"中常见的大规模无监督数据集中特征选择速度难以满足实际应用要求的问题,在经典粗糙集绝对约简增量式算法的基础上提出了一种快速的属性选择算法。首先,将大规模数据集看作一个随机到来的对象序列,并初始化候选约简为空集;然后每次都从大规模数据集中无放回地随机抽取一个对象,并且每次都判断使用当前候选约简能否区分这一对象和当前对象集中所有应当区分的对象,并将该对象放入到当前对象集中,如果不能区分则向候选约简中添加合适的属性;最后,如果连续I次都没有发现无法区分的对象,那么将候选约简作为大规模数据集的约简。在5个非监督大规模数据集上的实验表明,所求得的约简能够区分95%以上的对象对,并且求取该约简所需的时间不到基于区分矩阵的算法和增量式约简算法的1%;在文本主题挖掘的实验中,使用约简后的数据集挖掘出的文本主题同原始数据集挖掘出的主题基本一致。两组实验结果表明该方法能够有效快速对大规模数据集进行属性选择。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。