概念格的贴近度及基于贴近度的概念格属性约简算法

概念格的属性约简是概念格理论研究的一个重要内容,本文给出了概念格中贴近度的定义,并基于贴近度给出了保持概念格中概念外延不变的条件下的启发式属性约简算法。     

基于蚁群算法的粗糙集属性约简方法

利用蚁群算法的搜索技术,提出了一种基于蚁群算法的粗糙集属性约简方法。该算法将核引入初始信息素分布中,以加快算法的收敛。同时为提高全局搜索能力,根据蚂蚁在搜索过程中所得解的分布状况动态地调解蚂蚁的路径策略和信息量更新策略。实验证明该算法是有效的,具有较好的收敛速度和稳定性。     

基于粗糙集相关矩阵的属性约简算法

利用粗糙集相关矩阵采用贪婪策略构造了寻找最小属性约简的启发式算法，证明了算法的正确性并作了复杂性分析，通过实例和与基于属性频率重要性算法进行的对比分析，发现该文算法能快速逼近最小约简，且获得的知识容易理解。     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用.利用蚁群算法的搜索技术,可以很好地解决这一难题.它不仅能得到最小约简属性集,而且可以得到很多的约简属性集.本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值.     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用。利用蚁群算法的搜索技术,可以很好地解决这一难题。它不仅能得到最小约简属性集,而且可以得到很多的约简属性集。本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值。     

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。     

蚁群算法融合粗糙集理论的属性约简算法

为了克服属性约简过程中寻找最小属性集算法存在时间复杂度高搜索空间大等不足,把属性抽象为节点,通过蚁群算法搜索得到节点的最少组合,使得其能代替原有的属性节点并保持决策系统的粗糙分类能力.针对蚁群算法初期信息素匮乏,收敛速度慢的问题,将蚁群算法和粗糙集理论融合,采用粗糙集理论的相关算法确定属性核,并将其作为蚁群算法的初始节点.利用蚁群算法的搜索能力,用于最小属性集的搜索.理论分析和实验结果表明,该算法可行有效.     

一种基于粗糙集属性约简的C4.5算法

C4.5算法是通过信息增益率选择相关属性,其约简性能较差,得到的分类结果较复杂,部分数据甚至会因过度拟合形成虚假规则。为了解决这个问题,提出一种新的改进算法RSC4.5,其主要思想是在C4.5的基础上结合粗糙集理论,先对属性进行约简,然后使用C4.5算法中的信息增益率对约简后的数据集进行二次选择后分类。研究结果表明,改进的算法分类准确度提高8.23%,同时分类结果的复杂度明显降低,泛化性能较好,更有利于实际应用。分类结果说明宁夏农村地区日常生活中影响高血压的因素主要是年龄、血脂和日均畜禽肉类食用量,为有效干预高血压疾病的预防治疗提供数据支持。     

基于关联度的粗糙集属性约简新方法

属性约简是粗糙集应用于数据分析中的重要概念。文章提出了一种以属性的关联度作为启发式信息的属性约简方法,并用实例分析说明了该方法是有效的。     

基于粗糙集的基因信号属性约简

为了解决k-mer频率在对DNA片段进行识别的过程中耗时长、效率低等问题,采用粗糙集的属性约简理论对DNA片段中提取的k-mer数字特征进行有效的约简优化,并对30个微生物菌株的全基因组进行了信号约简实验,结果证明本文所用方法能将原始的高维基因信号约简掉72.27%,准确率提升0.62%,运行时间缩短73.3%。     

基于粗集理论的约简算法

在基于属性重要性和基于分辨矩阵两种算法的基础上,提出了一种同时满足属性重要性和频度的启发式约简算法RedFreSigni。该算法的基本思想是:以属性的核为基础,把核和用户偏好集同时作为属性近似约简的一部分,以频度作为选择属性的启发信息可同时生成计算属性的频度信息与不可分辨矩阵,减少了计算时间。在此基础上进而提出了基于规则支持度和置信度的决策挖掘算法,该算法能有效提取出用户感兴趣的规则。     

基于对象扩展的概念格批处理构造算法

大多数概念格批处理构造算法,由于产生大量不满足外延最大扩展性的结点即冗余结点,导致相同内涵的结点重复生成,降低了概念格的构造效率。给出了一种新的基于对象扩展的概念格批处理构造算法（OEBCA）,该算法对每层新生成的结点进行对象扩展,使其满足外延最大扩展性,相同内涵的结点只生成一次,从而避免了冗余结点的产生,提高了概念格的构造效率。实验结果表明,该算法是正确的和有效的。     

基于粗糙集的数据挖掘

粗糙集理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具,文中以实例介绍了粗糙集的基本理论,并通过一个实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取. 该实例说明了基于粗糙集进行规则的挖掘是有效的.     

基于变精度粗糙集决策树的构造算法

在构造决策树的过程中,分离属性选择的标准直接影响分类的效果.基于变精度粗糙集的理论将属性重要度作为选择分离属性的标准.经实验证明,使用该方法构造的决策树与经典ID3决策树算法相比,具有复杂性低,能有效提高分类效果的优点.     

基于粗糙集的数据集预处理研究

针对分类模型在构造过程中存在冗余属性的特点,提出了一种基于粗糙集理论的分类预处理技术,利用其理论的属性约简与分辨矩阵得到属性的约简集.经实例证明,此方法对提高分类模型构造效率有较好的效果.     

基于程度粗糙集的知识约简方法

给出了基于程度粗糙集模型上知识的近似约简及近似相对约简,引入了目标信息系统上的k上(下)近似约简及k上(下)分布约简的概念,并讨论了它们之间的关系,得到了几个重要结论,可为知识发现或数据挖掘技术奠定一些基础.     

集值信息系统基于描述子的优势粗糙集方法

在属性值域具有偏好信息的集值信息系统中提出一种新的知识获取方法。首先,在集值信息系统中提出了向上描述子与向下描述手概念,给出了向上描述子与向下描述子的相对约简,得到了计算相对约简的判断定理与区分函数。其次,给出了集值决策表的决策类的向上并与向下并基于向上描述子与向下描述子的知识近似,并通过粗糙近似得到了优势规则的提取方法。最后,通过一些数字实例对提出的方法进行了验证。     

基于粗糙集的综合评价方法研究

粗糙集特有的属性约简和属性重要度原理能对有限的指标数据进行有效挖掘, 且具有客观性, 能优化综合评价过程.根据这种思路, 提出了基于粗糙集的综合评价流程及各步骤方法, 并通过同行评议专家的科技信用评价验证了该方法的实用性.     

集值信息系统基于描述子的优势粗糙集方法

在属性值域具有偏好信息的集值信息系统中提出一种新的知识获取方法。首先,在集值信息系统中提出了向上描述子与向下描述子概念,给出了向上描述子与向下描述子的相对约简,得到了计算相对约简的判断定理与区分函数。其次,给出了集值决策表的决策类的向上并与向下并基于向上描述子与向下描述子的知识近似,并通过粗糙近似得到了优势规则的提取方法。最后,通过一些数字实例对提出的方法进行了验证。     

基于概念提升的概念格更新构造算法

概念格因其结构生动简洁地表明概念之间的泛化一例化关系,成为一种有效的数据挖掘工具。然而直接从形式背景中直接构造概念格的效率较低,为了提高概念格的构造效率,针对形式背景中的多个属性合并,给出了一种基于概念提升的概念格更新构造算法UCP．该算法充分利用了属性合并之前的概念格,仅对部分概念结点进行更新处理,从而提高了概念格的构造效率。最后,以恒星光谱数据作为形式背景,采用VC＋＋6．0和Oracle9i为开发工具,实验验证了该算法的有效性。