实域粗糙集理论及属性约简

本文引入属性和属性子集广义重要度的概念以及空间中的广义近邻关系,提出广义近邻关系下的实域粗糙集扩展模型. 在实域粗糙集理论中,利用广义近邻关系在全局中划分相容模块,构成集合的下、上近似,避免了Pawlak粗糙集必须量化数据的麻烦. 另外,本文给出了实域粗糙集的属性约简定义和一种贪心算法,分析了约简属性集合的质量. 最后,通过实例验证了本文理论和方法的正确性和有效性.     

一种实域粗糙集模型及属性约简方法

通过对实域区间和决策值的重新划分,对已经存在的属性广义重要度度量准则进行了扩展,构建了对象空间上的广义邻域关系及广义邻域关系下的实域粗糙集模型,并在此基础上提出了实域决策系统中属性约简方法(ARRDDS).对不同数据集的实验测试结果表明,与其他相关方法相比,ARRDDS方法能够较好地处理决策表中实数域属性约简问题.     

基于最优近似粗糙集的属性约简

为了更好地获取由边界域产生的不确定性规则知识,提出最优近似粗糙集的属性约简方法,为此给出了近似空间上粗糙集最优近似集的判定与计算,引入最优近似分布协调集、最优近似分布约简概念.讨论了Pawlak属性约简、分布约简、最优近似分布约简之间关系,得到在协调决策表中它们是等价的,在不协调决策表中最优近似分布约简是分布约简子集.最后通过实例进行了验证与说明     

基于粗糙集的快速属性约简算法研究

通过分析现有相容决策表属性约简算法,找出了计算低效性的根源。新的约简算法从论域的角度出发,采用层次结构,用属性边界域作为度量属性重要性启发函数。该算法使得论域不断缩小的同时,又能选出反映决策表系统特征的重要属性。理论分析和实验表明,该算法保证在分类精度不变的前提下,获得最优或次优的约简属性集。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

基于粗糙集的属性约简算法

本文主要研究基于粗集理论的属性约简算法。提出了一种新的启发式约简算法,即基于加权平均和频度的双向选择约简算法。本文还通过实例验证了该算法的可行性和有效性。     

基于粗糙集理论的属性约简算法

粗糙集理论是一种新的数据挖掘方法,其主要思想是保持分类能力不变的情况下,通过属性约简,达到发掘知识并简化知识的目的.从大量数据发现知识时,属性约简是一个关键问题.在理解和分析基于粗糙集理论的数据挖掘算法基础上,提出了一个基于属性依赖度的属性约简算法.实验结果表明,该算法能更有效地对决策系统进行约简.     

粗糙集属性约简算法的分析与改进

研究应用粗糙集理论对信息系统进行属性约简的方法。在分析粗糙集理论基本概念的基础上,根据属性的依赖度和重要度等性质,提出一种改进的属性约简算法,并运用实例对算法的有效性进行分析和验证。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

基于粗糙集理论的概念格属性约简及算法

粗糙集理论在数据分析中善于解决约简冗余属性与对象、寻求最小属性集等问题,而约简概念格是形式概念知识表示中解决复杂性的重要途径。用粗糙集的方法重新认识形式概念及概念格,并把二者有机地结合起来,为概念格的约简提供了一个新的思路和方法。本文就这些问题做了一些基本的研究。     

基于粗糙集理论的并行约简算法

从粗糙集理论出发,在可分辨关系和对象差异矩阵概念的基础上构造出基于粗糙集理论的并行约简算法。算法首先将原系统划分为多个子系统,然后利用评价指数对划分得到的子系统并行求解,最后以子系统的局部约简结果为基础,求得原系统的约简。算法的时空性能较好,适于处理大规模数据集。     

变精度与程度粗糙集的一种推广

粗糙集理论是一种处理模糊和不确定性知识的数学工具,在人工智能及数据挖掘等众多领域已经得到了广泛的应用。在程度粗糙集和变精度粗糙集的基础上,通过引入误差参数,给出了一种新的程度变精度粗糙集模型并得出了所给模型上、下近似的一些性质。最后,通过一个具体的例子,说明了这种模型在信息系统中处理模糊和不确定性知识的可行性和有效性。     

结合模糊集理论的粗糙集属性约简算法*

结合模糊关系的理论,对粗糙集理论的属性约简算法进行研究,提出了一个新的属性约简算法,并给出了一个应用实例.     

粗集理论中连续属性的广义离散化

提出一种处理区间属性值离散化问题的新方法,其特点是在离散化过程中强调类别可分离性,首先拓展已有的基于断点划分的离散化定义,给出基于类别可分离性的广义离散化定义;然后描述了广义离散化算法并进行时间复杂性分析;最后利用辐射源信号进行了仿真实验．结果表明,该方法能有效离散区问属性决策系统,简化分类器的设计和提高识别率,从而拓展了粗集理论的应用范围．     

邻域粗糙集在属性约简及权重计算中的应用

为了减少航天器特征值属性的冗余性并提高其权重的准确性,提出了一种基于邻域粗糙集的属性约简及权重计算方法。通过对不同重要度下限分类精度的对比分析,给出了确定邻域半径的新规则。在信息观权值最优计算公式的基础上,提出了一种基于信息熵的特征值权重计算方法;给出了代数观和信息观最优组合权值确定方法,解决了代数观和信息观方法的权衡问题。将其应用于某卫星姿控系统特征值分析中,与其他方法的比较表明该方法能有效减少特征值的数目,提高特征值权重的准确性。     

上近似在粗糙集约简中的应用

对粗糙集理论中不相容决策表的约简问题进行了研究.引入关联规则中支持度和置信度的概念,并重新定义了这两个概念.利用粗糙集中上近似概念的特点,提出一种将上近似用于不相容决策表的约简算法.通过一个实例介绍了该算法的基本步骤.算法对各规则能计算出各自的支持度和置信度,能实现对不相容决策表的约简.     

Attribute reduction in decision-theoretic rough set models

Rough set theory can be applied to rule induction. There are two different types of classification rules, positive and boundary rules, leading to different decisions and consequences. They can be distinguished not only from the syntax measures such as confidence, coverage and generality, but also the semantic measures such as decision-monotocity, cost and risk. The classification rules can be evaluated locally for each individual rule, or globally for a set of rules. Both the two types of classification rules can be generated from, and interpreted by, a decision-theoretic model, which is a probabilistic extension of the Pawlak rough set model.As an important concept of rough set theory, an attribute reduct is a subset of attributes that are jointly sufficient and individually necessary for preserving a particular property of the given information table. This paper addresses attribute reduction in decision-theoretic rough set models regarding different classification properties, such as: decision-monotocity, confidence, coverage, generality and cost. It is important to note that many of these properties can be truthfully reflected by a single measure γ in the Pawlak rough set model. On the other hand, they need to be considered separately in probabilistic models. A straightforward extension of the γ measure is unable to evaluate these properties. This study provides a new insight into the problem of attribute reduction.     

加权粗糙集模型

加权粗糙集模型是粗糙集基于变精度模型的一种扩展。加权粗糙集模型不仅考虑了精度变化增强容噪能力，还考虑了不同对象的重要程度，也就是不同对象的加权值。该模型为经验知识的总结归纳提供了有益手段。根据粗糙集的一般概念，在加权粗糙集模型下，重新定义了近似空间内的一些概念，给出了加权粗糙集模型的约简概念。并根据实验分析，验证了加权粗糙集是粗糙集模型的扩展特性，说明了加权粗糙集模型中对象权值对约简的影响。