不完备邻域多粒度决策理论粗糙集与三支决策

多粒度决策理论粗糙集是多粒度视角下三支决策中一种重要的模型。在数值型不完备数据下建立邻域容差关系;在其基础上提出乐观和悲观的邻域多粒度决策理论粗糙集模型。为了弥补这两种模型的局限,提出平均邻域多粒度决策理论粗糙集模型,并分析相关性质以及相互关系。同时为了使所提出的邻域多粒度决策理论粗糙集适用于不完备数据环境,运用区间值的形式表示代价函数,并通过选取不同参数的方式提出一种可变三支决策。实例分析表明,该模型与方法具有一定的合理性与灵活性。     

三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

基于决策粗糙集的广义序贯三支决策方法

三支决策是求解动态不确定性问题的有效方法之一。相比传统的二支决策,序贯三支决策方法在信息不充分或证据不足时能有效平衡决策结果代价和过程代价。在研究多层次的粒结构、多选择的处理对象和多样化的代价结构的基础上,提出了一种基于决策粗糙集的广义序贯三支决策模型。该模型在每一层都考虑了7种不同的对象处理方式。最后,通过实验对比分析了该模型中7种方法的效率和性能。     

基于邻域互信息的三支特征选择

特征选择是机器学习非常重要的预处理步骤,而邻域互信息是一种能直接处理连续型或离散型特征的有效方法。然而基于邻域互信息的特征选择方法一般采用启发式贪婪策略,其特征子集质量难以得到有效保证。基于三支决策的思想,提出了三支邻域互信息特征选择方法（NMI-TWD）。通过扩展三个潜在的候选特征子集,并保持各子集之间的差异性,以获得更高质量的特征子集。对三个差异性的特征子集进行集成学习,构建三支协同决策模型,以进一步提高分类学习性能。UCI实验数据表明,新方法的特征选择结果和分类性能较其他方法更优,说明了其有效性。     

面向不完备邻域系统的三支决策粒计算方法

针对许多应用领域中的数据大多是连续型数值,且由于成本限制和隐私保护等因素导致数据呈现不完备性。为此,提出面向不完备邻域系统的三支决策粒计算方法,引入邻域概念改进非对称相似关系,并通过改进的非对称相似关系计算不完备邻域系统的邻域粒度;在此基础上计算对象属于决策类的最大条件概率,再根据三支决策规则分别将对象划分到各决策类的正域、负域和边界域;通过实验比较和分析,进一步验证了该方法能获得较好的划分准确率和较低的误划分损失,为三支决策对不完备邻域数据的分析和处理提供了一种有效可行的方法。     

基于邻域决策的序贯三支分类方法

如何设计合理的属性子空间区间是序贯三支分类研究的重要内容之一.考虑到实际应用中广泛存在的数值数据,将邻域粗糙集及邻域决策错误率引入序贯三支分类方法中,构建合理的属性子空间区间.借助邻域决策错误率约简,分别定义局部和全局属性子空间,并基于此设计基于邻域决策错误率的序贯三支分类算法.在6组UCI数据集上的实验结果表明,该分类方法不仅压缩了数据的属性空间,而且提高了数据的分类精度,为序贯三支分类方法的研究提供了新的思路.     

基于最优相似度三支决策的模糊粗糙集模型

模糊信息系统中,对象的相似度往往会受噪声影响,且它在模型运算中常常并非全部需要高精度参与计算。文中首先引入阈值对(α,β),提出了一种基于相似度三支决策的模糊粗糙集模型;其次利用模糊集近似的三支决策方法,给出了对象相似度三支决策的错误率、决策代价以及相应的语义解释;然后以总体决策代价最小化为目标,给出了最优(α,β)的计算方法,从而建立了一种基于最优相似度三支决策的模糊粗糙集模型;最后通过实例分析说明了该模型的可行性和合理性。本文建立的三支决策模糊粗糙集模型保留了模糊信息系统的不确定性,一定程度地去除了噪声影响,且能通过计算得到最优阈值(α,β),从而建立基于相似度三支决策的最优模型,这将有益于模糊信息系统的应用。     

基于三支决策的自适应粗糙集近似

讨论基于三支决策的自适应粗糙集近似方法,给出自适应粗糙集近似属性评价函数的算法。为清楚表达在粗糙集近似过程中对象和属性之间的关系,引入描述集的概念,在描述集的意义下根据属性评价函数对目标概念进行自适应粗糙集近似。最后,把自适应粗糙集近似过程与认知过程进行比较,并分析它们的相似性,借助该近似过程的思想,在一定程度上提高人们的认知效率。     

基于多代价的决策粗糙集属性约简

与经典粗糙集相比,传统的决策粗糙集将代价考虑在内,利用代价矩阵生成一对阈值。但决策粗糙集不具备经典粗糙集的单调性,这为粗糙集的属性约简带来了新的挑战。传统的决策粗糙集中的代价矩阵只有一个,没有考虑到代价的变化性。首先介绍了多代价决策粗糙集下的悲观决策规则和乐观决策规则的定义,利用多个代价矩阵来生成阈值,并将其用于属性约简中。在属性约简中,从单独的决策类出发而不是基于全部的决策类提出了启发式的Local属性约简方法,且从相关实验结果中可以得到,相对于基于全部的决策类的属性约简,Local属性约简在乐观条件下比在悲观条件下能获得更多的正域规则。     

基于加权代价的决策粗糙集模型

经典决策粗糙集模型仅仅依据单个代价矩阵进行风险决策,没有考虑到风险代价的多样性和复杂性。为了弥补现有模型的不足,首先,从加权投票机制的角度引入基于多重代价融合的风险分析方法 ,提出一种基于加权代价的决策粗糙集方法。然后,研究基于加权代价的决策粗糙集 模型与其他模型的性质和关系,分析它们之间的度量和代价关系 。最后,通过UCI数据集验证该方法的有效性和鲁棒性。     

一种基于决策粗糙集的自动聚类方法

提出了一种基于决策粗糙集的面向知识的自动聚类方法。在面向知识的聚类算法中,获取初始聚类结果依赖人工阂值的设置。为此,首先根据物理学知识提出了一种差值排序方法来自动得到阂值。另外,讨论了决策粗糙集模型的损失函数,提出了一种聚类评佑方法;通过对聚类结果的评佑来实现自动聚类。实验结果表明新方法是有效的。     

监督机制多粒度决策粗糙集模型及应用

为弥补多粒度决策粗糙集刻画不确定性知识能力的不足,鉴于监督学习能够考虑对象现有或预测的类别标签信息,在多粒度决策粗糙集中引入类内阈值和类间阈值的概念,提出了基于监督机制的多粒度决策粗糙集,给出模型的下、上近似,并对相关性质和结论进行证明。以工地项目建设的实例验证了模型的有效性与可靠性。实验结果表明,通过调整类内阈值和类间阈值,可进一步提高原模型的容错和分类能力。     

基于非对称变邻域粗糙集模型的属性约简

在分析邻域粗糙集模型弊端的基础上,提出了非对称变邻域粗糙集模型,并以全局属性重要度为启发条件,构造了基于非对称变邻域粗糙集模型的属性约简的启发式算法.利用6个UCI标准数据集与现有算法进行了比较分析,结果表明,该模型不仅可以选择较少的属性个数,而且还能保持较高的分类能力.     

三枝决策粗糙集

从贝叶斯理论出发,介绍基于三枝决策粗集理论。首先讨论在期望风险最小决策的语义下决策粗集理论基本模型的构建过程。其次,分析决策粗集三枝决策方法在不同概率区间犯错的可能性,并通过其与二枝决策及Pawlak粗集三枝决策的差异,给出决策粗集三枝决策方法优于其他两种决策方法的成立条件。最后,提供一种利用决策粗集三枝决策解决实际问题的方法。     

基于自适应邻域空间粗糙集模型的直觉模糊熵特征选择

特征选择是数据预处理中一项很重要的技术,主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度,从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中,由于没有考虑数据分布不均的问题,对象的邻域存在一定的缺陷.为了解决这个问题,采用方差来度量数据的分布情况,重新定义二元邻域空间,基于此提出自适应二元邻域空间的粗糙集模型,并将该模型与邻域直觉模糊熵结合作为特征评估的方式,进而构造相应的特征选择算法.UCI实验结果表明：所提出的算法能够选出更小且具有更高分类精度的特征子集,同时算法拥有更少的时间消耗.因此所提的特征选择算法具有更强的优越性.     

邻域系统粗糙集和覆盖粗糙集

邻域系统粗糙集和覆盖粗糙集是经典粗糙集的两种重要扩展。通过分别比较各模型中下(上)近似集之间的包含关系和近似精度之间的大小关系,深入探讨邻域系统粗糙集和6种覆盖粗糙集模型之间的关系,得出了邻域系统粗糙集和6种覆盖粗糙集模型的下(或上)近似集之间的关系是明确的,其要么是可以比较的,要么是不可以比较的,证明了可比较的具有包含甚至等价关系,不可比较的通过反例进行了佐证。对不同扩展粗糙集的对比研究加深了对这些模型的理解,同时也为宏观上学习和认识粗糙集提供了帮助。