基于属性重要性的Rough集属性约简方法

介绍了属性约简的原理,在此基础上提出了基于重要性的约简方法,它是利用属性重要性原理,求取核属性和最简属性约简。并举例与传统的方法进行比较。     

基于属性重要性的属性约简算法

粗糙集理论是一个新的处理不确定性问题的数学工具,属性约简是粗糙集理论的核心问题之一。为了获得决策系统中更好的相对属性约简,提出一种基于属性重要性的属性约简算法。将可辨识矩阵中出现次数多少作为属性重要性的判断依据。算法还考虑了当出现次数相同的情况下属性选择问题,由此定义新的属性重要性,以新的属性重要性为启发信息,分析表明,提出的算法是有效可行的。     

粗糙集属性约简算法研究

粗糙集理论是一个新的处理不确定性问题的数学工具，属性约简是粗糙集理论的核心问题之一。但求解最优约简已被证明是一个NP—hard问题。基于属性重要度的启发式算法在属性约简中应用的较多．文中分别介绍了基于区分矩阵、基于相关矩阵和基于信息量的属性约简算法。对其思想进行了剖析和总结。     

基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合,以属性重要性为迭代准则,通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析,并举例验证了所提出算法的有效性和实用性。     

基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合，以属性重要性为迭代准则，通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析，并举例验证了所提出算法的有效性和实用性。     

基于遗传算法的粗糙集属性约简算法

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，本文提出了一种基于遗传算法的粗糙集属性约简算法．该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性，能够获得最佳的搜索效果．实验结果证明了该算法能够快速有效的进行属性约简。     

基于属性重要性的逐步约简算法

粗糙集理论研究的重要内容之一是知识约简的有效性计算问题，目前求解知识约简的算法主要有两种：一种是利用辨识矩阵构造区分函数，另外一种是基于属性重要性的启发式算法．这两种算法均能求得决策系统的最小或次小约简，但由于计算的复杂度高，所以当数据量增大时这些算法的计算性能是不能令人满意的．本文在对后一种算法充分研究的基础上设计了基于属性重要性的逐步约简算法，利用在决策系统中己获得的正区域逐步缩小数据处理范围，减少求解时间．本文将该算法与基于属性重要性的算法进行了实验比较并对结果进行了分析．     

一种基于属性重要性的变精度粗糙集属性约简算法

结合胡可云算法中对属性重要性的描述,以条件属性在可辩识矩阵中出现的频率作为启发信息,提出一种基于变精度粗糙集模型的属性约简算法.实验证明,该方法能够有效地对决策表进行属性约简,并具有一定的抗噪声能力.     

基于GA-PSO的粗糙集属性约简算法

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出了一种基于GA-PSO的属性约简算法。该算法以条件属性对决策属性的支持度为基础,求解核属性,把所有的条件属性(除去核属性)加入粒子群算法的初始种群中,并用遗传算法对不满足适应度条件的粒子进行交叉变异操作。实验结果表明,该算法在加强局部搜索能力的同时保持了该算法全局寻优的特性,能够快速有效地获得最小相对属性集。     

一种基于粗糙集属性频度约简算法的改进

为了获得有效的属性最小相对约简,在基于属性频度的启发式约简算法的基础上,提出了一种同时满足属性重要性和频度改进的启发式约简算法.该算法的基本思想是:以属性的核为基础,以频度作为选择属性的启发信息,即把属性频度最大的属性添加到核属性中,这样就把分类能力较强的属性添加到约简集合中,从而能够获得较优的约简.     

基于自适应遗传算法的粗糙集属性约简算法

为了获得有效的最小属性约简,提出了一种基于改进遗传算法的粗糙集属性约简算法。该算法将属性的相对核加入遗传算法的初始种群以提高算法的收敛速度。通过采用自适应交叉和变异、修剪相似个体、动态补充新个体等遗传操作,增加了群体的多样性,避免了“早熟”现象。仿真结果表明,算法在约简的效率和准确性方面都取得了较好的结果,是一种行之有效的属性约简算法。     

基于免疫遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中一个重要的研究课题,为了有效获取属性最小相对约简,提出了一种基于免疫遗传算法的粗糙集属性约简算法。该算法将免疫算法和遗传算法结合,并将核引入免疫遗传算法的初始抗体群来提高算法的性能,依照决策属性对条件属性的依赖度,并结合抗体浓度,能维持进化过程中个体的多样性,从而提高了算法的全局搜索能力,避免陷入局部最优。实验证明该算法能够快速得到相对最小约简。     

基于遗传算法的粗糙集属性约简算法

针对粗糙集理论核心内容之一的知识约简问题,提出了一种基于遗传算法的粗糙集属性约简算法。利用条件熵计算属性间的相关性,并将其引入到适值函数中,可以保证所求约简含有较少的属性而且属性间的相关性较小。实验证明,它可以得到比较理想的结果,对UCI机器学习数据集的测试结果也验证了算法的有效性。     

基于互信息和Beam 搜索的粗糙集属性约简算法

从属性集互信息的角度分析了粗糙集理论的属性约筒问题．首先在互信息的基础上定义了一个新的属性子集的冗余性和协同能力度量——属性子集的冗余协同系数；然后将它作为属性约筒度量，提出了基于Beam搜索的粗糙集属性约筒算法．实验表明属性约简算法具有良好的运行效果．     

粗糙集信度一致属性约简

为了消除现有概率粗糙集模型约简过程中出现的诸多约简异常问题,通过引入对象最大信度概念,提出了非参与带参最大决策熵属性约简模型,阐明了带参最大决策熵测度的单调性,给出了带参最大决策熵核和相对不必要属性的定义,并分析了其约简与已有概率粗糙集模型约简的关系。其次将对象置信度引入差别矩阵,构建了带参与非参信度差别矩阵,讨论了其定义与经典差别矩阵对不确定对象刻画的差异性。最后运用实例验证了方法的有效性。     

基于系统熵的粗糙集属性约简新方法

在系统熵的基础上,定义了一种新的属性重要度并提出了一种基于改进系统熵的粗糙集属性约简算法,实验分析表明,该属性重要度为启发式信息进行的属性约简,取得了理想效果。     

粗糙集属性约简的方法

传统粗糙集分类方法过于严格,对噪音过分敏感。针对带不确定因子决策系统,提出一种基于属性依赖度的约简算法,使含不确定信息及数据噪音的系统中的属性得以简化,找到一种具有广泛表达能力的数据隐含格式,删去冗余的规则,并保持系统的原有用途和性能。通过一个例子实现了该算法。     

基于离散差分演化的粗糙集属性约简算法

为了有效地获取属性最小相对约简,提出了一种新的基于离散差分演化算法的粗糙集属性约简算法。利用一种新的区间编码机制将差分演化算法离散化,用于求解最小属性约简问题。提出了一种新的适应度函数计算方法来控制染色体朝着最小约简的方向进化。实验结果表明该算法是有效的,特别是当数据规模较大时收敛速度更快,更加节省计算时间,为属性约简提供了一个新的思路。     

基于遗传算法的粗糙集属性约简及其应用

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出一种基于遗传算法的属性约简算法。依据条件属性的重要度,把条件属性加入到相对核属性集中,将相对核加入遗传算法的初始种群中以加快算法收敛。并应用该算法对水上事故模型预测进行分析,做出推理和决策。