基于粗糙集的决策规则约简

粗糙集理论是一个新的数据挖掘方法，正越来越被人们所重视。其主要思想是保持分类能力不变的情况下，利用等价类，通过属性约简和决策规则约简，达到发掘知识并简化知识的目的。但是属性约简是一个NP问题，对属性的约简和决策规则的约简只能通过启发式算法实现。该文针对属性约简和决策规则约简，各提出了一个启发式算法。     

模糊属性信息系统的规则约简

1 引言信息系统的规则约简是机器学习与数据挖掘的重要内容。在研究中,大多数算法都是以离散值为处理对象,而在计算机研究与应用领域所处理的很多都是实值属性数据。实值属性信息系统没有明确的等价关系,也难以用属性值的完全相同来判定规则的一致性。因此,对实值属性信息系统的规则约简研究为研究领域所关注。模糊属性信息系统的属性值     

不完备信息系统中的否定决策规则和知识约简

为了从不完备信息系统中获得否定决策规则,提出了描述子否定支撑集的概念,基于此定义了下、上近似集合,讨论其性质,并给出了如何通过该模型获取确定性和可信性否定决策规则的方法．为了便于应用,给出基于分辨矩阵的否定决策规则约简的方法,实例分析的结果表明了该方法的有效性．     

不完备目标信息系统中基于描述子的知识约简

以具有遗漏型未知属性值的不完备目标信息系统为研究对象,根据描述子的定义和基于描述子的粗糙集模型,讨论了知识约简问题.给出了求得描述子所有约简的具体操作方法.根据描述于的支持集与决策类之间的关系,提出了描述子的下、上近似相对约简概念,并给出这两种约简的判定定理及区分函数,为从不完备信息系统中获取简化的决策规则提供了新的理论基础与操作手段.     

基于证据理论的覆盖决策信息系统的属性约简

覆盖决策信息系统的属性约简是粗糙集理论中的重要研究内容之一.文中讨论决策为覆盖的覆盖决策信息系统的属性约简,针对覆盖决策信息系统的一类约简,利用证据理论中的信任函数和似然函数给出约简的等价刻画.根据决策类的似然函数值定义覆盖的重要度和相对重要度,给出求解约简的算法,并以实例说明算法的有效性.     

互信息的序决策信息系统属性约简研究

优势关系粗糙集理论是粗糙集理论有意义的推广,决策信息系统知识约简是粗糙集理论的核心内容之一.通过在协调序决策信息系统中引入条件熵、互信息概念,给出了基于条件熵、互信息的协调序决策信息系统属性约简算法,并通过学生评价决策信息系统验证了该算法的有效性,使协调序决策信息系统的属性约简得到了扩展.在不协调序决策信息系统中引入限定条件熵、限定互信息概念,并给出基于限定互信息的不协调序决策信息系统属性约简算法,为不协调序决策信息系统的属性约简的应用提供了可行的解决方法.     

基于VPRS的信息系统近似决策规则优化

基于变精度粗糙集模型,在决策信息系统中定义近似协调等价类的一种近似约简;构造相应的区分函数,利用布尔推理理论求取近似协调等价类的近似约简,并由此获取近似决策规则的简化决策规则。利用这个方法得到的简化决策规则,与原系统中的近似决策规则是相容的。     

一种无决策属性的信息系统的属性约简算法

经典属性约简及其延伸算法是基于有决策属性的信息系统的属性约简算法,它们对无决策属性的信息系统的属性约简无能为力.为此,本文以粗集理论为基础,对无决策属性的信息系统从集合论的论域划分方面进行研究,提出了一种适用于无决策属性的信息系统的启发式属性约简算法.该算法在一定程度上能够解决无决策属性的信息系统属性约简问题,进一步扩展了粗集理论的应用范围.实例表明该算法是有效可行的.     

基于二进制可辨矩阵的决策规则约简算法

决策规则的约简是利用决策逻辑分别消去每一条决策规则中的冗余属性值,是粗糙集理论知识约简的重要内容,一般是在属性约简之后采用启发式信息实现决策规则的约简。基于二进制可辨矩阵给出一个简单的直接求取决策规则核的方法,并提出一种决策规则的约简算法。所给算法简单直观,不但适用于相容决策表,也适用于不相容的决策表。     

优势关系下模糊目标信息系统的决策规则优化

利用基于优势关系的模糊粗糙集模型,讨论了模糊决策信息系统中优化序决策规则的获取问题。利用优势关系定义了模糊目标信息系统中对象的三种属性约简。给出了它们的判定定理,构造相应的区分函数,利用布尔推理技术计算对象的属性约简,得到三类新的优化序决策规则。     

基于块集的邻域粗糙集的快速约简算法

δ-邻域计算是邻域粗糙集模型中操作最为频繁和复杂的步骤。针对当前邻域算法的研究现状,根据样本空间的分布,提出了块集的概念,证明了每个样本的邻域只存在于其相邻的块集中。在此基础上,提出了基于块集的邻域粗糙集快速约简算法,降低了计算邻域的时间复杂性,并利用多个UCI标准数据集对该算法进行了验证。结果表明,该算法是有效的、可行的。     

Attribute Reduction Based on Inclusion Degree for Incomplete and Fuzzy Decision Information Systems

The information systems with incomplete attribute values and fuzzy decisions commonly exist in many applications whose knowledge reduction is one of the most important practical significance. Model of incomplete and fuzzy decision information system is firstly constructed. On the basis of the notion of inclusion degree between fuzzy sets, the attribute reduction for incomplete and fuzzy decision information system, which ensures invariable inclusion degree between every tolerance class and fuzzy decision set, is raised. To reduce the complexity of finding attribute reduction, discernibility sets, discernibifity matrixes and the minimal disjunctive normal form of discernibility sets for incomplete and fuzzy decision information system are introduced. Finally, the algorithm and an example are given, and the solution of the example is proved that the approach to attribute reduction based on inclusion degree is valid.     

基于决策的剥离式连续属性离散化算法

针对粗糙集理论只能处理离散数据的局限,提出了基于决策的剥离式连续属性离散化方法,一改传统的候选断点集合的获取方法,直接通过分析连续属性在各决策类的取值范围和计算属性重要度,完成对连续属性的初步离散.此外,本文提出候选断点集的推移原则,可逐步减小候选断点集的范围.由于每次都是针对尚不能明确分类的样本进行细化,因此随着候选断点集的减少和明确分类样本的增加,系统能够迅速收敛,并且离散化后的决策表总是相容的,这与目前很多离散方法不考虑决策相容性相比,能够最大限度地保留系统的有用信息.本文提出的离散化方法是领域独立的,不需要领域知识,可应用于不同领域的连续属性的离散化.     

粗糙集理论中求取最小决策规则的研究

本文探讨了粗糙集理论中最小决策规则的求取方法，提出决策依赖度的定义，尝试从最短的条件属性组合中提取尽可能多的决策规则。只有现有长度的决策规则无法完全覆盖所有样本时，才会考虑增加决策规则的长度。同时提出了3种减少计算复杂性的方案：1）引入跳跃系数λ；2）在计算中只对具有相同决策值的样本进行等价类划分，从而避免了对含有不同决策值的等价类的无用划分；3）设计Remain集合，只针对其中的样本进行等价类的划分，随着Remain中样本数的减少，计算量会大幅下降。此外，本文所提出的基于决策依赖度的跳跃式决策规则求取方法可以直接应用于不完备信息系统，因此具有良好的实用价值。     

连续值属性决策表中的可变精度粗糙集模型及属性约简

属性约简是粗糙集理论研究的一个核心问题.为了有效地处理决策表中连续值属性约简,提出了连续值属性决策表中的可变精度粗糙集模型以及基于此模型的连续值属性约简算法.仿真实验结果表明,该算法可以对连续值属性进行约简,而且比经典粗糙集相关方法在处理连续值属性约简方面更有效.     

一种基于粗糙集理论的规则提取方法

规则提取是实现智能信息系统的重要环节,也是一个难点。针对信息系统中的规则提取问题,提出了一种基于粗糙集的研究方法,并对规则提取涉及到的属性约简、属性值约简等问题进行了研究。根据粗糙集中的不可分辨关系建立了可辫识向量,以利用可辨识向量的加法法则运算求得核属性以及属性重要性,然后以核属性为基础、属性重要性为启发信息,求得信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值来完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效、可行的。     

一种基于粗糙集属性频度约简算法的改进

为了获得有效的属性最小相对约简,在基于属性频度的启发式约简算法的基础上,提出了一种同时满足属性重要性和频度改进的启发式约简算法。该算法的基本思想是：以属性的核为基础,以频度作为选择属性的启发信息,即把属性频度最大的属性添加到核属性中,这样就把分类能力较强的属性添加到约简集合中,从而能够获得较优的约简。