Tarski代数视角下函数依赖与属性蕴含的关系

研究经典函数依赖与属性蕴含之间的关系.首先介绍Tarski量词消除理论,分别研究Tarski量词消除理论下的函数依赖表示方式和属性蕴含表示方式,得出无量词Tarski代数下函数依赖与属性蕴含表示的统一数学模型;然后,进一步从形式概念分析的角度进行深入研究,得出不同转换背景下函数依赖与属性蕴含两者成立的关系,并从函数的观点分析两者的根本语义差别;最后,基于Armstrong公理的满足性讨论函数依赖与属性蕴含所满足的Armstrong公理,基于Duquenne-Guigues基的满足性得出最小依赖集与Duquenne-Guigues基的关系,并对函数依赖与属性蕴含之间的关系进行全面总结.     

属性依赖理论及其在神经网络中的应用

神经网络的优化方法一般仅局限于学习算法、输入属性方面。由于神经网络拟合的高维映射存在复杂的内在属性依赖关系,而传统的优化方法却没有对其进行分析研究。以函数依赖理论为基础,提出了属性依赖理论,阐述了属性依赖的有关定义,证明了相关定理;并且与径向基函数（RBF）神经网络结合,提出了基于属性依赖理论的RBF神经网络结构优化方法（ADO-RBF）。最后通过实例证明了该方法在实际应用中的可行性。     

k-匿名数据中的数据依赖问题研究

k-匿名隐私保护模型在隐私保护过程中会产生大量k-匿名数据.为研究k-匿名数据中的数据依赖问题,提出一种扩展函数依赖,将经典函数依赖中的被决定属性取值相等这个条件进行扩展,使其取值来自于同一个指定集合.应用结果表明,该扩展函数依赖不仅包括经典函数依赖、垂直函数依赖、水平函数依赖、度量函数依赖的特性,而且可以从数据完整性的角度描述k-匿名数据的约束条件及指导k-匿名隐私保护模型中准标识符的选取.     

关于关系模式主属性判定的一种多项式算法

该文深入分析了主属性在关系模式中的结构特征,提出了化简独立复合环、独立简单环、化简双部属性函数依赖图等概念。在此基础上,给出了一个关系模式主属性判定的多项式算法。     

基于支撑函数的概念格属性约简

依据概念格中一个概念的内涵属性相对于另一个概念的内涵的不同关系,提出了区分属性概念,并研究了其性质;利用区分属性构造出概念格支撑函数.提出并证明了以支撑函数为基础的形式背景属性约简定理,改进了文献[7]中基于辨识函数的属性约简方法.     

一种发现函数依赖集的方法及应用

介绍了一种发现最小函数依赖集的方法.这种方法基于一致集的概念,根据一致集导出最大集及其补集,然后生成最小非平凡函数依赖集.通过使用带状划分数据库减少求一致集的运算次数,使用逐层求精的算法来计算最小非平凡函数依赖集的左部.其结果可用于数据库的重新组织和设计、属性约简、聚类、关联规则提取等知识发现工作中.     

基于近似函数依赖的关系数据属性权重评估方法

在现实应用中,一些关系数据的规范化程度不高,往往存在数据冗余和不一致现象。为了有效评估此类数据 中的属性重要程度,提出了一种基于近似函数依赖的属性权重评估方法。该方法基于一致集的概念导出最大集,生成 最小非平凡函数依赖集,从而找出属性之间的近似函数依赖关系,进而求出近似候选码和近似关键字,在此基础上根 据属性支持度计算属性权重。实验结果和分析表明,提出的属性权重评估方法能够合理地获取关系数据中的属性重 要程度,算法具有较好的稳定性和较高的执行效率。     

含有空值的函数依赖与多值依赖

本文论述了在关系模型中引入空值的必要性与可能性,说明在关系中含有空值能使关系更接近现实世界.在分析了空值的语义内涵后,定义了三类空值,着重研究了关系中含有空值时的函数依赖与多值依赖.改进了Zaniolo.E与Osborn.S认为在含有空值的关系模型中函数依赖与多值依赖的主属性上不能出现空值的概念,他们认为一旦在主属性上出现了空值,则便失去了元组的标识符.本文提出了在一定的条件下,允许在任意属性上出现空值的函数依赖和多值依赖的强、弱保持概念,并论证了此概念的实际背景和理论意义.     

强化属性依赖关系的K阶贝叶斯分类模型

经典K阶贝叶斯分类模型(KDB)进行属性排序时,仅考虑类变量与决策属性间的直接相关,而忽略以决策属性为条件二者之间的条件相关.针对以上问题,在KDB结构的基础上,以充分表达属性间的依赖信息为原则,强化属性间的依赖关系,提升决策属性对分类的决策表达,利用类变量与决策属性间的条件互信息优化属性次序,融合属性约简策略剔除冗余属性,降低模型结构复杂带来的过拟合风险,根据贪婪搜索策略选择最优属性并构建模型结构.在UCI机器学习数据库中数据集的实验结果表明,该模型相比于KDB而言,具有更好的分类精度和突出的鲁棒性.     

一个给定的egd是否等价于某个fd集

本文将用多项式复杂性算法回答了“一个给定的等值依赖是否等价于某个函数依赖集”的问题,并将这个算法扩充到具有相同右侧属性的等值依赖集的情形.     

一种基于知识粒度的启发式属性约简算法

属性约简是粗糙集理论进行知识获取的核心问题之一。根据属性相似度与知识粒度的一致性,通过条件属性与决策属性以及条件属性之间的相似度度量,提出了一种基于知识粒度的启发式属性约简算法。根据条件属性与决策属性的相似度对条件属性进行降序排列,根据条件属性之间的相似度度量选择重要的属性,从而得到约简集合。理论分析与实验结果表明,该算法具有较高的运行效率和较好的约简效果。     

基于属性重要性的粗糙集属性约简方法

信息系统中的属性约简是粗糙集知识发现的一个重要步骤。致力于研究一个信息系统中的特征选择、删除冗余属性。新的算法从属性重要性出发,采用迭代特征选择的标准,使得选择特征属性集不断缩小,获得信息系统的约简。通过实验证明该方法可行,有效。     

属性重要性评分方法的改进

研究信息系统的属性重要性评分方法,通过引入敏感系数构建神经网络模型,提出属性重要性评分算法,将信息系统的各条件属性和决策属性构造一个径向基函数(RBF)神经网络。经训练和学习后,综合考虑各属性间的关系,动态调整RBF网络的拓扑结构,评分各属性的重要性。以红籽西瓜性状数据作为样本数据和测试数据进行实例分析,验证该方法的有效性。     

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。     

基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中的一个核心问题，为了有效获取属性最小相对约简，本文提出了一种基于遗传算法的粗糙集属性约简算法．该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性，能够获得最佳的搜索效果．实验结果证明了该算法能够快速有效的进行属性约简。     

概念格的属性约简与属性特征

主要研究了基于不可约元的概念格的属性约简以及属性约简集的构造。首先给出了概念格中不可约元的判定方法。基于交不可约元,提出了一种概念格的属性约简方法。分析了对概念格的属性约简起不同作用的属性特征,并分别得到了不同类型属性的充分必要条件。最后,利用属性特征讨论了属性约简集的构造。     

基于遗传算法的粗糙集属性约简及其应用

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出一种基于遗传算法的属性约简算法。依据条件属性的重要度,把条件属性加入到相对核属性集中,将相对核加入遗传算法的初始种群中以加快算法收敛。并应用该算法对水上事故模型预测进行分析,做出推理和决策。     

基于免疫原理的粗糙集属性约简

在基于粗糙集理论的知识发现中，属性约简是其中重要的研究内容之一，已经被证明是NP完全问题。基于生物免疫原理，提出了一种新型粗糙集属性约简算法。该算法由记忆细胞获取、克隆选择、超变异和群体更新4种算子构成。算法设计的重点在于将分类精度和约简中所含属性个数集成为一个统一的亲合度成熟目标，并通过抗体更新和抗体相似性抑制来维持群体的多样性，以获得多个符合分类质量要求的属性约简集。实验结果证明了该算法的有效性。     

基于GA-PSO的粗糙集属性约简算法

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出了一种基于GA-PSO的属性约简算法。该算法以条件属性对决策属性的支持度为基础,求解核属性,把所有的条件属性(除去核属性)加入粒子群算法的初始种群中,并用遗传算法对不满足适应度条件的粒子进行交叉变异操作。实验结果表明,该算法在加强局部搜索能力的同时保持了该算法全局寻优的特性,能够快速有效地获得最小相对属性集。     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。