一种基于邻域容差信息熵的组合度量方法

在实际应用中,大多数信息系统中的数据都是混合的,为了度量混合信息系统的不确定性,本文提出了一种组合度量方法.首先在不完备邻域粗糙集中定义了混合近似精度和混合近似粗糙度的概念;接着考虑到这两种单一度量方法对信息系统不确定性评估的不足,然后,进一步引入邻域容差信息熵的概念;最后将混合近似粗糙度和邻域容差信息熵这两种单一度量进行结合提出一种组合度量方法,并且研究了相关性质.UCI实验结果表明,本文所提出的方法在混合信息系统中具有更好的不确定性度量效果,从而验证了该度量方法具有一定的优越性,并且从理论上也证明了该方法的可行性.     

基于邻域粗糙互信息熵的非单调性属性约简

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.     

量化容差关系的程度多粒度粗糙集模型

多粒度粗糙集是一种重要的多粒度数据挖掘模型。为了对不完备信息系统中等价类重叠部分的定量信息进行挖掘,提出一种多阈值的量化容差关系程度多粒度粗糙集模型。首先将描述等价类重叠信息的程度多粒度粗糙集模型与处理不完备信息系统的量化容差关系进行结合,提出量化容差关系的程度多粒度粗糙集模型,然后在该模型的基础上,为每个粒度设定与数据相适应的阈值,提高了量化容差关系程度多粒度粗糙集模型的灵活性,增加多粒度数据挖掘的性能。UCI数据集的实验结果表明,本文所提出的粗糙集模型具有较好的分类效果和理论的可行性。