基于广义不可区分关系的决策表约简

研究决策表的正域约简及分配约简理论。针对具有自反性的广义不可区分关系,提出了决策表的正域约简及分配约简理论,借助区分函数给出了正域约简及分配约简的计算方法。对Skowron的区分条件进行了改进,在一定意义上为正域约简及分配约简提供了一般理论框架。     

基于模糊相容关系的集值决策表的相对约简

从模糊粗糙集的角度讨论集值决策表的相对约简。首先,基于2个对象取相同值的可能性大小,在集值信息系统中定义了一个模糊相容关系,给出了模糊相容关系的上近似和下近似;其次,通过引入模糊近似质量,定义了集值决策表中条件属性的重要度与相对重要度,进而提出了一种计算相对约简的启发式算法;最后,通过实例说明该算法能够得到集值决策表的相对约简。     

基于相对知识粒度的决策表约简

知识粒度主要应用于信息系统的属性约简。为了把知识粒度拓展到决策表约简领域,在研究知识粒度的基础上,定义了相对知识粒度的概念,证明了对一致决策表约简而言,相对知识粒度表示与Pawlak代数表示的等价性。进一步定义了基于相对知识粒度的属性重要度,提出了两个基于相对知识粒度的启发式决策表约简算法。通过理论分析与实例表明约简算法是有效可行的。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法(NCNPSO-IAR)。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明:该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法（NCNPSO-IAR）。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明：该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

邻域粗糙集的随机集成属性约简

为了解决传统的辨识矩阵空间复杂度高,难以应用于大规模数据的问题,提出了一种基于随机抽样的属性约简算法.首先随机抽取多个小样本子集,以降低辨识矩阵的空间复杂度; 然后分别对每个样本子集进行属性约简,并计算每个属性子集的权重; 最后选择高权重的几个属性子集进行测试,找出精度最高的属性子集.实验结果证明,本文方法比传统辨识矩阵的占用空间降低2～3个数量级,并且精度与其基本相当.     

基于信息量的一种属性约简算法

提出了决策属性集相对于条件属性集的条件信息量的概念，证明了其在属性约简过程中的变化规律是单调递减的，并提出了一种新的属性约简启发式算法，该算法的时间复杂度为O(|C|^3|U|^2)．通过例子分析，表明该算法是有效的．     

区间值决策表的决策风险最小化属性约简

针对目前海量数据分析较多情况下从传统的单条记录转变为一个区间对象,将决策粗糙集中风险的概念引入至区间值决策表中,给出了区间值决策表决策风险的定义,并提出了决策风险最小化的属性约简方法.该方法可以保证所得到的约简集合相对于决策属性具有较强的分类能力,同时保证约简集合的决策风险最小.区间值决策表的决策风险最小化约简使得定义的约简具有更强的理论性和可解释性.     

基于改进辨识矩阵的变精度邻域粗糙集属性约简

提出一种用于变精度邻域粗糙集,可以大幅减少时间复杂度的属性约简算法.该算法基于一种改进的辨识矩阵.首先用辨识矩阵同时记录决策一致和不一致的数据,然后用二进制位运算计算样本的邻域,最后获得可以保持下近似分布不变的属性约简.实验结果证明,本文算法不仅能够大幅减少属性约简时间,而且精度上总体优于NBRS算法和LDNRS算法.     

一种新的基于区别矩阵的决策表属性约简方法

利用反例指出目前基于区别矩阵计算决策表核属性方法的局限性,并指出根本原因是:U/ind(C)中的等价类的A C不相容性.目前,对于决策表的相容性问题的研究都停留在单个对象上,而本文的研究表明,要计算决策表的属性约简以及核属性,关键是要考虑U/ind(C)中的等价类的相容性.给出了基于U/ind(C)的等价类的相容性的属性约简定义和核属性定义,并讨论了一种新的基于区别矩阵的属性约简和核属性计算方法.最后证明本文方法是正确的并用相同实例验证了该方法的有效性.     

一种基于属性-值树的求核与约简方法

为快速计算粗糙集的一个属性约简与核,提出一种基于属性-值树模型的改进约简与求核算法,并证明了算法的完备性．该算法充分利用树型结构,引进树的合并方法,使得计算复杂度从O(|U||C|2)降低为O(|U||C|),提高了计算效率(其中|U|和|C|分别代表对象个数和属性个数)．     

基于不完备信息系统相容关系的分配约简遗传算法

属性约简是粗糙集理论的核心问题之一,也是粗糙集有效算法研究的焦点.本文研究在不完备信息系统下的属性约简算法,在相容关系基础上,提出了一种应用遗传算法来求解分配约简的方法,并通过实例分析说明了该算法的有效性.     

基于鱼群算法的脑功能连接邻域粗糙集特征归约方法

为了有效应对脑功能连接高维小样本性给分类模型构建带来的挑战,得到与脑疾病诊断相关的重要特征,提出基于鱼群算法的脑功能连接邻域粗糙集特征归约方法.该方法建立脑功能连接数据的邻域决策表;依据特征的依赖度将鱼个体初始化为候选的脑功能连接特征子集,并采用综合特征子集依赖度和特征子集长度的适应度函数对鱼个体进行评价;在种群优化过程中,执行觅食、聚集、追尾机制,以及交叉和迁徙2个新机制来不断搜索最优的特征子集.在3种脑疾病功能磁共振脑成像（fMRI）数据集上,将所提方法与多种已有的特征归约方法进行对比实验.结果表明,该方法是有效的脑功能连接特征归约方法,可以有效降低脑功能连接数据的维度,获得分类判别能力较强的脑功能连接特征.     

一种基于决策的数据补全方法

一般来说，在从数据库中获得有用的知识之前，通过采样，收集而取得的原始数据不一定适合于直接运用于知识获取，通常要对原始数据进行加工处理，对有遗漏的信息资料就要补全，文章在对粗糙集理论研究的基础上，运用容差关系对含有决策的数据表进行了遗漏补缺，实例表明此方法是行之有效的。     

基于RS理论的相容及不相容决策表简化对比研究

粗糙集理论是一种具有模糊边界的集合理论，它被广泛应用于相容和不相容有的规则提取中，本文针对RS理论中知识简化和核这两个重要问题进行了研究，提出了一种借助于逻辑推理运算得到的知识约减新方法，并应用具体实例对相容和不相容决策表的规则提取进行了比较。     

基于粗糙逻辑的决策算法之应用

针对条件属性中总是存在若干冗余的属性,粗糙逻辑采用了决策算法进行推理。它通过约简冗余属性及属性值,最终得出极小化决策算法。本文应用粗糙逻辑的知识对决策规则的约简进行了详细的分析,并成功的将之用于了医疗决策系统。