超约简求解：效率与性能的提升

利用多重约简的结果搭建一个集成分类框架，已被证实可以显著提升后续学习的性能。超约简方法正是借鉴了这一理念，在约简求解的基础上，通过随机添加额外属性以达到获取多重超约简的目的。显然，基本的约简求解将直接影响超约简方法的效果。鉴于此，从兼顾效率和性能的角度出发，在超约简方法中同时引入属性簇和集成选择机制：属性簇用于加速基本约简的求解过程，集成选择则用于在求解过程中找到更为稳健的属性。在20组UCI数据上的实验结果表明，相比4种前沿的集成策略，所提方法不仅能够显著减少约简求解的时间消耗，而且能够提供更好的分类稳定性和准确率。     

基于容差关系的扩展粗集模型中的知识依赖

论文在基于容差关系的扩展粗集模型中,考虑了条件属性子集与决策属性子集间知识依赖和条件属性子集间的知识依赖两种情况,分别给出了这两种情况下知识依赖和部分知识依赖以及依赖度等概念的定义,证明了与这些概念的定义相关的一些重要定理结论,并给出了一些例子加以验证。     

可变粒度粗糙集

分析乐观多粒度粗糙集和悲观多粒度粗糙集的不足之后,提出一种可变粒度粗糙集模型,定义了可变粒度粗 糙集的下、上近似集,研究了可变粒度粗糙集与这两种多粒度粗糙集的性质,证明了可变粒度粗糙集是多粒度粗糙集 的泛化,最后给出几种可变粒度粗糙集的度量因子,研究了变粒度粗糙集与多粒度粗糙集度量之间的关系。     

基于密度峰值聚类的高斯混合模型算法

由于存在大量服从高斯分布的样本数据,采用高斯混合模型(Gaussian Mixture Models,GMM)对这些样本数据进行聚类分析,可以得到比较准确的聚类结果.通常采用EM算法(Expectation Maximization Algorithm)对GMM的参数进行迭代式估计.但传统EM算法存在两点不足:对初始聚类中心的取值比较敏感;迭代式参数估计的迭代终止条件是相邻两次估计参数的距离小于给定的阈值,这不能保证算法收敛于参数的最优值.为了弥补上述不足,提出采用密度峰值聚类(Density Peaks Clustering,DPC)来初始化EM算法,以提高算法的鲁棒性,采用相对熵作为EM算法的迭代终止条件,实现对GMM算法参数值的优化选取.在人工数据集及UCI数据集上的对比实验表明,所提算法不但提高了EM算法的鲁棒性,而且其聚类结果优于传统算法.尤其在服从高斯分布的数据集上的实验结果显示,所提算法大幅提高了聚类精度.     

基于粒计算的多粒度数据分析方法综述

多粒度数据是一种特殊的、有用的数据类型,它通过对论域（研究对象的集合）采用不同的粒化方式使得数据能够在多个粒度空间中进行呈现,在此基础上可以开展数据的多层次知识发现研究。商空间理论、序贯三支决策、多粒度粗糙集、多尺度数据分析模型和多粒度形式概念分析是几种常见的、有效的多粒度数据分析方法,已受到人们的广泛关注。本文对基于粒计算的多粒度数据分析研究工作进行综述,给出每一类多粒度数据分析方法的理论框架、基本概念以及主要研究思想,并指出多粒度数据分析研究中存在的若干问题,为该领域的后续研究提供理论参考。     

多粒度空间中的粗糙隶属度与知识粒度

以一族等价关系所构成的多粒度空间为研究对象,在乐观和悲观多粒度粗糙集模型的基础上,给出两种多粒度粗糙隶属度函数以重构乐观和悲观多粒度粗糙集。从多粒度空间中一族等价关系的交集和并集出发,定义多粒度空间上的两种知识粒度,并将这两种知识粒度作为启发式信息,分别构建启发式算法以删除多粒度空间中的冗余粒空间。     

模糊知识粒度计算与应用

根据自反模糊关系,将知识粒度的概念推广为模糊知识粒度.考虑传统模糊粗糙集的粗糙性度量和相似性度量,忽略了模糊集的粗糙近似处于不同知识粒度背景中这样一个重要因素,结合模糊知识粒度的计算,提出了模糊粗糙集的粗糙性度量和相似性度量的新方法.最后,在一个实际的模糊信息系统中,给出了基于模糊知识粒度的知识约简算法.     

优势关系粗糙集在RoboCup中的决策分析

截球能力是RoboCup(Robot World Cup)仿真比赛中个体智能体的核心技能之一.为提高截球的成功率,将解析法和经验法相结合,提出了一种基于优势关系粗糙集的截球策略.着重讨论了基于优势关系的知识约简和截球决策规则的提取,研究了RoboCup运动模型中截球点的二分法求解.最后进行了仿真平台中的决策分析,验证了该策略的有效性.     

基于多代价的决策粗糙集属性约简

与经典粗糙集相比,传统的决策粗糙集将代价考虑在内,利用代价矩阵生成一对阈值。但决策粗糙集不具备经典粗糙集的单调性,这为粗糙集的属性约简带来了新的挑战。传统的决策粗糙集中的代价矩阵只有一个,没有考虑到代价的变化性。首先介绍了多代价决策粗糙集下的悲观决策规则和乐观决策规则的定义,利用多个代价矩阵来生成阈值,并将其用于属性约简中。在属性约简中,从单独的决策类出发而不是基于全部的决策类提出了启发式的Local属性约简方法,且从相关实验结果中可以得到,相对于基于全部的决策类的属性约简,Local属性约简在乐观条件下比在悲观条件下能获得更多的正域规则。     

面向一致性样本的属性约简

作为粗糙集理论的一个核心内容,属性约简致力于根据给定的约束条件删除数据中的冗余属性。基于贪心策略的启发式算法是求解约简的一种有效手段,这一手段通常使用数据中的全部样本来度量属性的重要度从而进一步得到约简子集。但实际上,不同样本对于属性重要度计算的贡献是不同的,有些样本对重要度贡献不高甚至几乎没有贡献,且当数据中的样本数过大时,利用全部样本进行约简求解会使得时间消耗过大而难以接受。为了解决这一问题,提出了一种基于一致性样本的属性约简策略。具体算法大致由3个步骤组成,首先,将满足一致性原则的样本挑选出来;其次,将这些选中的样本组成新的决策系统;最后,利用启发式框架在新的决策系统中求解约简。实验结果表明:与基于聚类采样的属性约简算法相比,所提方法能够提供更高的分类精度。