基于可变多粒度概率粗糙集的分类模型*

以多粒度粗糙集理论为背景,结合可变多粒度思想与错误分类率思想,提出可变多粒度概率粗糙集(VMGPRS)模型.结合粗糙集理论中的属性约简思想,提出粒度约简算法,发现并解决可变多粒度模型中由于参数设定而引发的约简后粒度冗余问题.将约简前后的数据应用于SVM、KNN、NB等经典分类算法,验证约简对数据的分类能力几乎无影响.将规则与算法结合,设计基于规则的分类算法,并且实验分析VMGPRS模型中的2个调节参数α、 β对分类器分类效果的影响.     

一般二元关系下的近似属性约简算法

属性约简是粗糙集理论重要应用之一.考虑到决策信息系统中的噪声,针对一般二元关系,从知识分类能力角度给出了一种新的属性重要性度量方法,在此基础上提出了一种能够抑制噪声的近似属性约简算法,该算法适用于多种粗糙集扩展模型,摆脱了现有约简算法对特定二元关系的依赖.实验结果表明,近似约简算法通过调节近似参数,可有效增强抗噪性,在有效降低约简属性集规模的同时,提高了约简结果的分类性能.     

参数模块和属性约简的应用服务器优化方法

现实的优化方法与策略往往是优化人员基于服务器厂商所提供的官方技术文档来分析各种参数的实际意义,优化比较漫长,缺少系统性和规律性,很难快速的确定所需调节的关键参数.本文针对常用的应用服务器分析了其性能下降的原因,提出了调节参数模块化思想并结合属性约简算法对参数模块进行属性约简,从实践中定量的找出影响系统性能的主要参数对其进行着重调节快速提高系统性能,提出了一种全新的服务器优化方法.     

基于知识粒度特征的多目标粗糙集属性约简算法

针对多知识粒度粗糙集在条件属性权重计算及约简过程中易忽略单个属性序列产生的等价划分的问题,引入帕累托最优思想,同时考虑基于等价关系的知识依赖分辨度以及属性的重要性程度,将多粒度粗糙集属性约简问题转化为离散多目标优化问题.针对该问题的结构设计具有集群智能优化思想及复杂网络拓扑结构的优化算法,在算法中引入基于个体的非支配解集以平衡局部最优与全局最优的关系,引入基于“均值-方差”的遗传算子增加种群多样性.以UCI中的测试数据集作为算例构建粗糙集决策表进行优化计算,引入多种智能算法进行性能比较,依据约简结果,利用多层感知机对数据集中的对象进行分类,验证约简方法的有效性.研究结果表明:所提出方法具有更强的多目标属性挖掘性能;基于帕累托最优思想的多目标属性约简方法能较好地综合知识分辨度与知识粒度建模方式的优点,提升数据集的分类精度.     

基于混沌离散粒子群的粗糙集属性约简算法

针对粒子群属性约简算法容易早熟、易陷入局部最优解的问题,提出一种融合混沌离散粒子群与粗糙集的属性约简算法(CBPSORS).在该算法中,首先利用混沌序列初始化粒子的位置和速度,得到一个无序的粒子种群.其次改进最优粒子进行混沌变异过程,改进惯性因子和加速因子来提高算法性能.再次用粗糙集理论对生成的属性子集相关性进行评估.最后用K-近邻(KNN)算法生成分类模型在UCI数据集上对该算法进行验证.理论分析与实验结果表明,与基于粗糙集的属性约简算法(RS)、基于粒子群的粗糙集属性约简算法(PSORS)以及基于遗传算法的粗糙集属性约简算法(GARS)相比,文中算法可以在保持决策表知识信息的前提下,约减掉更多的条件属性,提高分类精度.     

粗糙集在客户分类中的应用研究

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。设计了一个基于粗糙集的客户分类模型,并利用粗糙集的知识约简和决策规则提取算法对超市客户进行了分析。通过决策表约简,剔除冗余属性、消除过剩规则。最后得出了属性约简的最小化结果以及决策规则。     

属性约简在高校就业决策分析中的应用

粗糙集理论是一种采用新方式来研究不精确、不确定性知识的数学工具。属性约简的计算是粗糙集理论中的一个重要问题。描述基于粗糙集的属性约简的相关概念,包括核、约简、分类精度;通过分析多种属性约简算法,结合可辨识矩阵和逻辑运算,提出了一种属性约简算法;围绕高校中的管理信息系统,利用该算法抽取与学生就业相关的数据信息,给出了影响学生就业的各条件因素与工作方向之间的依赖关系和约简后的数据表;获取相关规则得出结论,取得了良好的效果。     

基于相对可辨识矩阵的决策表属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出一种基于相对可辨识矩阵的决策表属性约简算法.该算法以核属性为基础,通过建立相对可辨识矩阵,利用条件信息熵作为启发式信息,减少属性约简过程中的搜索空间,逐个添加条件信息熵最大的属性,直到找出最小约简为止,并分析了该算法的时间复杂度.实例分析结果表明,该算法能有效地对决策表属性进行约简.     

基于α信息熵的模糊粗糙属性约简方法

基于邻域粗糙集以及模糊粗糙集等价关系下的属性约简方法,引入$\alpha $信息熵,建立模糊相似关系下的α信息熵不确定性度量,提出基于$\alpha $信息熵的属性重要度度量,并以此构建混合属性约简算法.利用UCI数据集与几种相关的约简方法进行比较,验证了该方法可以选择较少属性的同时保证较高的分类精确性.实际应用中,对参数α的有效调节,可获得多个约简结果,进而可根据需要选择最佳约简.     

基于量子粒子群优化的最小属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出一种基于量子粒子群优化算法的粗糙集属性约简算法。该算法通过引入自适应参数使得算法在保证取得的是一个约简的情况下尽可能地减少所包含的属性数目,并期望能够获得理想的约简结果。试验结果证明该算法能有效地进行属性约简,并取得良好的约简结果。     

一种新的模糊决策表属性约简方法

粗糙集理论研究的核心内容之一是属性重要性的度量和属性约简。经典的粗糙集模型基于等价关系,适合于处理离散属性值。模糊粗糙集理论将模糊集和粗糙集理论结合起来,将等价关系扩展为模糊关系,可处理模糊属性值。分析了已有广泛运用的模糊决策表的属性约简算法FRAR存在的三个问题,提出了一种新的约简算法,较好地克服了原算法的问题,能处理规模较大的模糊决策表。     

一种基于量子遗传算法与粗糙集理论的属性约简法

提出一种基于粗糙集与量子遗传算法理论的属性约简模型.首先,基于粗糙集理论,以条件属性集对决策属性近似分类质量为准则,构造出一种衡量最佳属性子集的适应度函数.以此为基础,结合量子计算原理中量子旋转门调整策略以及量子交叉方法对种群进行更新操作,构造了该模型的属性约简方法.仿真实验结果表明了本文方法的有效性.     

基于动态交叉协同的属性量子进化约简与分类学习级联算法

属性约简与规则分类学习是粗糙集理论研究和应用的重要内容。文中充分利用量子计算加速算法速度和混合蛙跳算法高效协同搜索等优势,提出一种基于动态交叉协同的量子蛙跳属性约简与分类学习的级联算法。该算法用量子态比特进行蛙群个体编码,以动态量子角旋转调整策略实现属性染色体快速约简,并在粗糙熵阈值分类标准内采用量子蛙群混合交叉协同进化机制提取和约简分类规则、组合决策规则链等,最后构造属性约简和分类学习双重功能级联模型。仿真实验验证该算法不仅具有较高的全局优化性能,且属性约简与规则分类学习的精度和效率均超过同类算法。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP-Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,算法将属性核加入遗传算法的初始种群来增加收敛速度,而且在适应度函数中,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

混合值不完备系统的双邻域粗糙集分类方法

针对混合值不完备系统,提出一种基于双邻域粗糙集模型的分类方法.首先,定义一个新的不确定距离度量函数-----联系度距离函数,进而建立基于联系度距离函数的双邻域粗糙集模型;然后,基于所建立的模型讨论该模型的属性约简算法,并给出基于属性约简、覆盖约简的双邻域粗糙集规则学习分类算法;最后,通过多个UCI 数据集进行实证分析,结果表明所提出的分类算法是客观有效的,特别是在缺失值较多的情况下,其优势更加明显.     

基于云模型的决策表规则约简

通过对决策表的转换,将规则映射成为云向量,用云向量数字特征间的相似度来度量决策表规则间的等价关系.基于此,提出了基于云模型的决策表规则约简算法,不仅解决了粗集基于严格属性匹配的等价关系不能区分相似关系,也克服了基于模糊集等价关系依赖专家先验知识、对属性值随机性分布考虑不足的缺点.实验说明了该算法的高效性.     

一种基于有序属性决策系统分类规则提取策略

分类规则的精度取决于分类算法的构造,论文在综合分析基本粗糙集合概念及其约简算法的基础上,阐述了一种基于准则的有序属性决策系统的数据挖掘算法．为此首先介绍了基于有序属性决策系统的集合表达,然后利用有序属性决策系统中准则集与属性集的基本特征构造上下近似扩展模型,得到准则集决策系统的四个相关参数．并进一步提出相应的数据约简与分类规则提取算法。最后给出了用此算法约简有序属性决策系统的算例,实验结果表明此方法挖掘出的规则简练,更具合理性和可靠性。     

基于容差关系的不完备信息系统的属性约简

粗糙集理论是一种处理不确定性知识的有效工具,属性约简是其核心内容之一,然而对于属性值有缺省的不完备信息系统,基于等价关系的经典粗糙集理论已经不再适用。由于容差关系下的不完备信息系统的属性约简的定义与经典粗糙集的属性约简定义相似,可以用容差关系对粗糙集理论进行扩充。文中通过定义容差关系下的可辨识矩阵,运用可辨识方法,得到了一种属性约简算法;接着分析了算法的不足之处,并且在此基础上提出了增加约简效率的改进型算法;最后通过一个数值例子,说明了该算法是合理的和有效的。     

粗糙集理论在Overlay网络服务发现中的应用

提出了基于粗糙集理论的overlay网络服务发现机制。该机制利用粗糙集理论中属性集约简算法以及决策规则集优化算法,有效处理了overlay网络体系中普遍存在的不完备信息。结果表明,通过决策规则优化能够实现用户需求和网络服务之间的模糊匹配,从而克服了传统精确匹配的查全率低、查准率差的缺点,扩展了粗糙集的应用领域。     

一种新的决策粗糙集启发式属性约简算法

属性约简是粗糙集理论中最重要的研究内容之一。在决策粗糙集中,学者提出了多种属性约简的定义,其中包括保持所有对象正决策不变的约简定义。针对该约简定义,为了高效地获取约简集,设计了一种启发式函数 ——决策重要度,这种启发式函数根据每个属性正决策对象集合的大小来定义其重要性,正决策对象集合越大表示重要性越高,由此构造了基于决策重要度的启发式属性约简算法。该算法的优点是通过对属性决策重要度的排序,确定了一个搜索方向,避免了属性的组合计算,减少了计算量,能够找出一个较小的约简集。实验结果表明,该算法是有效的,能够得到较好的约简效果。