一种使用二进制差别矩阵的属性约简方法

针对区分矩阵属性约简算法中区分矩阵存在空值元素和重复元素等缺点,提出了一种基于二进制差别矩阵的属性约简算法.该算法不仅保证了属性约简的完整性和正确性,同时也降低了运算所需的时间和空间.     

基于区分向量的不完备决策系统属性约简算法

区分矩阵是属性约简的一种有效方法。针对不完备的决策系统,定义了区分矩阵的概念,给出了区分矩阵构造方法,并根据区分矩阵稀疏性的特点,定义了区分向量的概念,在此基础上,给出了一种基于区分向量的不完备决策系统属性约简算法。最后,采用恒星光谱数据,实验验证了该算法的有效性。     

基于粗糙集的不一致决策表约简算法

对传统的区分矩阵法进行分析,提出一种基于等价类的约简算法。该算法的主要思想是将不相容决策表通过等价类划分转化为相容决策表,然后利用已有的区分矩阵方法对其约简。     

基于有序二叉决策图的粗糙集属性约简的符号方法

针对现有属性约简算法主要基于代数表示和信息表示的方法,基于改变属性约简问题的知识表示方法,提出区分矩阵的有序二叉决策图(OBDD)的表示方法。给出了属性约简的区分矩阵模型到OBDD模型的转换方法,得到了信息系统的区分矩阵的OBDD模型,并对区分矩阵表示和OBDD模型的存储空间进行了实验对比。结果表明,OBDD模型具有较好的存储性能,可降低对象数量和属性个数较多的信息系统的属性约简问题的空间复杂度。     

粗糙集中区分矩阵约简方法的优化

基于属性约简的区分矩阵方法的思想,对区分矩阵方法进行了改进,并给予了理论上的证明,同时对优化方法进行了分析与探讨.优化方法不保留区分矩阵方法中的冗余信息,减少了比较次数,从而提高了约简的效率,节省了存储空间.     

基于区分向量的属性约简

决策表的属性约简方法有多种,常用的方法是利用区分矩阵生成区分函数,对区分函数进行化简,进而得到决策表的属性约简。文章提出了决策表的区分向量的概念,并给出了利用区分向量进行属性约简的方法。     

基于区分矩阵与近似的支撑矢量机的医学影像库分类策略

针对医学影像库信息量大、关联信息多、对象复杂等特点,将基于区分矩阵的属性约简算法与一种近似的支撑矢量机算法相结合实现了对医学影像库的正常、异常分类。基于区分矩阵的属性约简算法有效地降低了医学影像库的维度,而非线性的近似支撑矢量机算法则克服了标准支撑矢量机在实际应用中表现出来的算法速度慢、算法过于复杂而难于实现以及检测阶段运算量大等缺陷。实践证明了该方法的确具备简单、快速,高效的特点。     

基于区分矩阵的属性约简算法改进策略

针对大容量数据表构造的区分矩阵过于庞大致使属性约简算法效率低的问题,引入置信度和支持度,提取大型数据库中的高概率事件,重新构造决策数据表,并在构造区分矩阵过程中剔除重复项和包含项,结果使得比较次数减少、存储空间节省、约简效率提高。     

一种基于差别矩阵的新的属性约简方法

在利用粗糙集理论进行数据挖掘得到知识规则时,最重要的一点就是基于粗糙集的属性约简,因此,在区分矩阵的基础上,改进了计算信息系统属性约简的方法,使属性约简计算量大幅度减小,可以快速得到给定要求下的属性约简．     

网络入侵检测系统的新型综合分类器

传统的基于神经网络的入侵检测模型随着数据样本的增多,学习速度开始下降,从而影响系统对攻击事件的反应速度。在分析基于神经网络的入侵检测模型基础上,将其中的综合分类器采用区分矩阵的属性约简算法对输入及隐含层节点进行约简的优化设计。实验测试表明,在保证诊断准确度的情况下,模型明显地提高了反应速度。     

序信息系统下的程度可区分关系研究

在经典粗糙集中通常运用不可区分关系对知识进行粒化。为解决知识粒化过细带来的分类和决策困难,文章在程度不可区分关系的基础上,讨论了各种可区分关系和不可区分关系的演化机制,提出了基于序信息系统的改进程度可区分关系,进一步刻画对象属性值间的差异程度,最后建立了一种基于程度可区分关系的概率粗糙集模型。     

不完备模糊决策信息系统中的知识约简

知识约简是粗糙集理论研究中的一个重要内容,可辨识矩阵是属性约简的一个很重要的方法,本文把这种方法推广到不完备模糊决策信息中,定义了相似关系下的可辨识矩阵,提出了不完备模糊决策信息系统中相似关系的可辨识矩阵属性约简的算法,最后用实例验证了算法的可行性。     

优势关系下的相容约简和下近似约简

定义了决策表在优势关系下的相容约简和下近似约简,优势关系下的相容约简是优势关系下一致决策表约简的推广。证明了优势关系下的下近似协调集是优势关系下的相容协调集。举例说明了优势关系下的相容协调集不是优势关系下的下近似协调集,给出了优势关系下的相容约简和下近似约简的判定定理和可辨识矩阵,由此可以给出它们的约简算法。     

基于布尔差别矩阵逻辑运算的属性约简

针对差别矩阵属性约简存在的不足,首先将决策表简化,并引入布尔差别矩阵定义及其逻辑运算方法;然后给出基于布尔差别矩阵核属性和属性约简的定义,同时证明了该核属性和属性约简与正区域的核属性和属性约简是等价的;接着,设计基于属性布尔差别矩阵逻辑运算的属性约简算法,算法的时间和空间复杂度均为O(|C||U/C|2)。最后,通过实例和实验验证本文算法的正确性和高效性。     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

分类算法中基于差别矩阵的属性约简方法

差别矩阵中会出现大量的重复元素占用大量内存,当数据太稠密时,构成的差别矩阵太大不容易操作且计算代价较高。本文提出了一种基于简化差别矩阵的属性约简算法（SDMAR）,在属性约简之前,通过计算属性相似度,对属性进行了合并操作,得到简化决策表。根据简化决策表构造差别矩阵,计算差别矩阵中出现次数最多的属性并删除包含该属性的元素,当差别矩阵为空时终止操作,以达到对决策表属性约简的目的。通过算法及实例分析得到属性约简过程的时间复杂度有所减小。     

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.     

基于简化差别矩阵的增量式属性约简

新对象添加到决策表后,已有的属性约简将会发生改变,需要对其动态更新.为此,首先给出简化决策表和简化差别矩阵的定义,并证明了基于简化差别矩阵的属性约简与正区域的属性约简是等价的;然后,分析增量对象的不同情况,将增量属性约简映射到简化决策表上来实现,由此设计基于简化差别矩阵的增量式属性约简算法,并对算法进行改进;最后,利用实例和实验验证了所提出算法的正确性和高效性.