基于二进制可辨矩阵属性重要度的属性约简算法

粗糙集理论是一个新的数据挖掘方法,是在保持分类能力不变的情况下,利用等价类,通过属性约简和规则约简,达到挖掘知识并简化知识的目的.但属性约简是一个NP难题,需要通过启发式知识实现.文中提出了一种利用二进制可辨矩阵的属性重要度实现属性约简的算法,该算法能快速求最少属性且实现简单,并通过理论和实例证明了其正确性.     

基于主影响因素的城市时用水量预测

针对城市用水量影响因素的多样性、随地域时间多变的特点及与时用水预测时间尺度难匹配的问题,提出基于主影响因素的城市时用水量预测方法.该方法先以改进的灰色关联法对用水量影响因素进行分析讨论,把得到的主影响因素作为算法输入量对预测日用水量做预测;而后针对预测日的时用水特征,在动态模糊聚类中引入聚类中心距离评价函数及非线性约束条件,寻求预测日的各时段水量分配模式,并依据该模式做时用水量的最终预测及合理调度.用萧山南阳镇历史用水量为例,做预测仿真验证,结果表明,该方法能够很好跟踪预测日的时用水量变化,稳定跟踪能力及跟踪精度上远优于传统时间序列预测法,易满足供水系统的调度精度需求.     

基于粗糙集的属性约简算法的改进

属性约简是粗糙集理论研究的关键问题之一,针对Rough Sets理论的属性约简进行了研究.首先,介绍了可辨识矩阵属性约简的基本算法,并根据GENRED属性约简算法提出一种新的基于粗糙集的属性约简算法,证明了该算法在满足约简结果要求的同时,又能够提高算法的运行效率.     

时用水量预测残差中的混沌及其预测研究

利用基于Lyapunov指数的混沌辨识理论,探讨了城市时用水量预测残差序列中混沌的存在及其最大预测尺度问题.针对预测模型中所利用的时用水量序列较短、采用传统Wolf算法计算Lyapunov指数存在结果不稳定的困难,引入了改进的Rosenstein短序列快速算法.鉴于预测残差中混沌成分的存在,提出了基于预测残差混沌预测修正的时用水量复合预测模型.实例结果表明:时用水量观测序列中除通常认为的周期性、趋势性及随机扰动性成分以外,还存在有较为明显的混沌成分;混沌建模预测方法的引入可以提高城市时用水量预测结果的精度.     

信息系统的一种启发式属性约简算法

针对文献[8]中加权平均属性重要度中权值人为确定的不足,提出改进的属性重要度定义,并以实例说明其应用情况.提出约简质量的定义,从属性约简率和近似质量两方面来衡量约简效果.基于改进的属性重要度定义（标准）,构造了两种启发式属性约简算法,并利用UCI数据库中的一些典型算例验证了算法的有效性;说明在某些情况下,提出的属性约简算法在一定程度上能够提高数据的约简质量.     

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.     

基于粗糙集的属性约简算法

针对Rough Sets理论的属性约简进行了研究.引入了决策属性集相对于条件属性集的条件信息量的概念,证明了条件信息量在属性约简过程中的变化规律是单调递减的,并利用其计算属性集中属性间的相关性,其平均值最小的属性集即为最后属性约简的结果,由此,提出了一种新的基于信息量的属性约简算法.     

改进的基于条件信息熵的属性约简算法

针对经典属性约简算法不能有效适应大数据集的问题,通过分析经典属性约简算法的特点,提出了一种改进的基于条件信息熵的属性约简算法.该算法以分类为基础,引入了类分布链表,将条件信息熵和成熟的数据库技术相结合,解决了内存限制问题,优化了算法的结构,同时加快了决策表的运行速度.最后通过实例对算法的有效性和可伸缩性做了分析.实例仿真计算表明,该算法在具有更快的约简速度的同时又不失其准确率.     

基于浓缩布尔矩阵的属性约简算法

属性约简是粗糙集理论研究的核心内容之一,最常用的计算属性约简的方法是基于Skowron可辨识矩阵的方法.为解决该类方法中存在的如应用范围受限、时间及存储空间浪费和效率瓶颈等问题,提出了一种基于浓缩布尔矩阵的属性约简算法:通过提出浓缩布尔矩阵的概念,以布尔代数的形式有效解决了现有可辨识矩阵存储空间大、生成效率低等缺点;利用一种新的用于直接生成分辨函数最小析取范式的算法,有效改善了算法的时间和空间复杂度,从而提高了属性约简算法的效率.     

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.     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

一种改进的粗糙集属性约简启发式算法

作为数据挖掘的重要工具,粗糙集理论被广泛的应用于关系数据库中属性相关性描述、属性集约简、属性重要性度量、规则发现等方面。该文在分析基于信息系统的粗糙集理论的基础上,对基于分辨矩阵的属性约简算法进行了详尽的描述。针对该算法存在的时间和空间性能不理想问题,提出度量单个条件属性对系统概念贡献程度的关联度的概念,以此作为启发式信息对原算法进行改进,得到条件属性的约简。理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率,为粗糙集理论更广泛地应用于具体的实践提供了一种方法。     

基于粗糙集和决策熵的水利工程监理投标风险分析

将粗糙集中的属性约简与关于知识的决策熵结合起来,建立了基于粗糙集和决策熵的投标风险分析评价模型.以水利工程监理投标为研究对象,选取了在同一地区16次投标的17项风险因素作为研究样本,验证了模型在水利工程监理投标风险因素分析应用中的实用价值,为企业投标风险评价理论研究和实践提供了有益的借鉴.     

Study and application of time series forecasting based on rough set and Kernel method

A support vector machine time series forecasting model based on rough set data preprocessing was proposed by combining rough set attribute reduction and support vector machine regression algorithm. First, remove the redundant attribute for forecasting from condition attribute by rough set method; then use the minimum condition attribute set obtained after the reduction and the corresponding initial data, reform a new training sample set which only retain the important attributes influencing the forecasting accuracy; study and train the support vector machine with the training sample obtained after reduction, and then input the reformed testing sample set according to the minimum condition attribute and corresponding initial data. The model was tested and the mapping relation was got between the condition attribute and forecasting variable. Eventually, power supply and demand were forecasted in this model. The average absolute error rates of power consumption of the whole society and yearly maximum load are respectively 14.21% and 13.23%. It shows that RS-SVM time series forecasting model has high forecasting accuracy.     

一种基于属性值状态的指标权重确定方法

针对能力评估问题中指标属性值的不同状态,提出一种基于属性值状态的指标权重确定方法,该方法的优点是引入粗糙集理论和区间数有序相离度概念,根据指标属性值状态,自适应求取指标权重;同时引入调节算子,调节对主客观因素考虑的重视程度.详细地给出了不同状态下指标求取的算法步骤,最后以搜索探测能力为例,说明了该方法的应用.     

一种多属性约简支持向量机混合分类方法

针对属性特别多仅用一种属性约简方法难以实现有效约简的情况,提出了基于双重属性约简的混合支持向量机分类方法.通过引入贡献率和正确率两个概念,首先采用主成分分析算法计算各个条件属性的贡献率,根据贡献率大小和给定的阈值去掉条件属性中贡献率小的成分,提取信息量最大的主要成分;然后再基于粗糙集的属性约简理论,计算这些主要成分对决策变量的正确率,对这些属性进行第二次约简;该方法采用定性定量相结合的方式,可以最大程度地去除属性集中冗余的或不重要的属性,保证将最简的属性样本集输入支持向量机进行建模预测.最后的仿真试验验证了我们所提方法的有效性和正确性.     

基于粗集约简的群智能算法的储层识别

提出了一种基于粗集约简的粒子群储层识别方法,即应用粗糙集进行属性约简,应用粒子群(PSO)聚类算法对约简和正规化后的数据进行处理。实验表明,约简后的PSO聚类较约简前在识别率上有明显的提高。     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.     

一种改进的基于粗集理论的有导师学习方法

属性约简和属性值约简是基于粗集理论进行有导师学习的基础,在分析经典约简算法的基础上,根据粗集理论中属性的依赖度和重要度等性质,提出一种改进的约简方法,以获取简洁的决策规则,从而使有导师学习变得既快捷又准确.并通过实例验证了该算法的正确性和有效性.     

粗粒度多尺度属性约简启发式算法

粗糙集理论(RS)从它出现到现在一直是数据推理方面的一种强有力的工具,而作为数据推理的一个非常重要组成部分——知识的约简也一直是粗糙集理论的研究重点.本文基于信息论中信息熵、相对熵和条件熵的概念和性质,在粗糙集系统中增加了一个粗粒度逼近量,并根据粗粒度逼近量提出了一种多尺度逼近的属性约简或者叫规则提取的新算法.