采用粗糙集中可辨识矩阵方法的概念格属性约简

概念格是知识处理与分析中的一个有力工具,对它进行约简可以提高效率简化问题。文章将粗糙集理论的可辨识矩阵方法应用于概念格的约简,方法简单易行,具有很强的规则性。     

基于可辨识矩阵的属性约简算法

属性约简是Rough集理论研究中的一个关键问题,已有的算法大致可以分为增加策略和删除策略2类,都是采用不同的启发式或适应值函数来选择属性。该文提出一种基于属性在可辨识矩阵中出现频率的新算法,以核为基础,不断从可辨识矩阵中选入出现频率最高的属性,直到可辨识矩阵元素集为空。为了得到Pawlak约简,算法增加了反向删除操作。实验分析表明该方法比其他方法快且有效。     

基于标记可辨识矩阵的增量式属性约简算法

针对现有增量式属性约简算法中存在的约简传承性差以及不完备现象,提出基于标记可辨识矩阵的增量式属性约简算法.本文首先定义了标记函数,对样本之间的可辨识性进行分类,并将之引入一个新的可辨识矩阵,在新增样本时,结合标记信息可以快速识别可辨识矩阵元素集的异动,获得强传承性的约简超集,在此基础上,设计与标记可辨识矩阵匹配的必要矩阵,用以快速判断并删除冗余属性,确保约简的完备性. 理论分析以及实验测试表明,本算法具有约简传承性强,约简集完备等特点,具有较强的实用性.     

基于可辨识矩阵的启发式属性约简方法及其应用

在基于可辨识矩阵的属性约简算法的基础上，提出了基于可辨识矩阵的计算属性重要性的方法，并以此作为启发式知识来约简决策表中的冗余属性。这种方法直接源于评审数据，思路清晰，拟合结果表明本约简算法合理、可靠。     

基于可辨识矩阵和逻辑运算的属性约简算法的改进

首先,举例说明文献[1]中基于可辨识矩阵和逻辑运算的属性约简算法用于不相容决策表会产生错误的约简结果;随后,在分析错误产生原因的基础上给出一种改进算法,并借助实例验证了它的有效性;最后,通过分析可辨识矩阵的结构,说明了改进算法与文献[2]基于辨识矩阵的属性约简算法得到的约简结果完全相同,但改进算法具有更高的计算效率.     

区间值信息系统的概念格约简方法

区间值信息系统是属性值取值为区间值形式的一种特殊信息系统。通过把区间值信息系统转化为0-1形式背景,利用概念格属性约简方法,区间值信息系统协调集的判定定理,并引入可辨识属性矩阵,研究区间值信息系统上基于概念格属性约简的理论方法。     

一种求概念格属性约简的方法

概念格是根据数据集中对象与属性之间的二元关系建立的一种概念层次结构,在知识约简方面有着重要的应用。文章给出了概念格不同类型属性的刻画定理,并在此基础上得到了一种求属性约简的方法。     

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.     

基于可辨识矩阵的快速粗糙集属性约简算法

Karno Bozi提出的Core Searching算法在向约简中插入候选属性的时候,根据属性出现次数需要循环查找可辨识矩阵中的所有剩余项,直至矩阵为空,导致计算量较大和结果中冗余属性存在的可能.基于Core Searching算法提出通过给属性设立计数器的基于可辨识矩阵的快速属性约简算法,实例分析表明,该算法与Core Searching算法相比,在计算量减少和循环次数减少的同时能得到更简约的结果,是一种快速、高效的属性约简算法.     

基于差别矩阵的概念格多层次属性约简

给出形式背景新的差别矩阵,利用差别矩阵定义概念与子概念格的特征函数,得到形式背景属性协调集及概念格中存在相似概念的判定定理。采用差别矩阵和特征函数,设计计算概念与子概念格(包括概念格)属性约简的方法,通过实例表明该约简方法的可行性与有效性。     

基于Skowron差别矩阵属性约简的矩阵表示

针对目前基于Skowron差别矩阵的属性约简中缺少矩阵表示的问题,定义一种新的矩阵,并给出基于新矩阵的属性约简定义,证明该定义与基于Skowron差别矩阵的属性约简等价。以矩阵为基础,定义属性的重要性,设计一个基于Skowron差别矩阵的属性约简算法,实例证明了算法的有效性。     

基于动态区分矩阵的属性约简算法

在分析基于静态区分矩阵的属性约简算法基础上,提出一种基于动态区分矩阵的属性约简算法。该算法采用2种不同的区分矩阵调整方案,使其能客观及时地反映出当前的约简以及剩余条件属性对信息系统的影响。实验结果表明,该算法不仅能找到信息系统的属性约简,还能有效减少计算属性约简的计算量,提高计算效率。     

基于区分矩阵的属性约简算法研究及改进

该文重点研究了基于区分矩阵的属性约简算法,提出了简化矩阵的概念,简化区分矩阵不仅节约了矩阵的存储空间,而且节省了决策属性值的比较时间。此外还提出了基于区分矩阵的快速约简算法,核出现的位置越前,该算法节约的时间越多,最差的情况是与一般的约简算法所需的时间相等。     

基于信息观差别矩阵的属性约简算法

提出一种信息观下的差别矩阵,并基于该矩阵设计了一种信息观下决策表的属性约简算法,该算法以信息观下属性核为起点,通过计算信息观下差别矩阵中各属性出现的频率确定属性的重要度,进而根据各个属性的重要度来计算属性约简。实验结果表明,该算法可以求出更有效的信息观下属性约简,且计算约简耗时更少。     

基于区分能力的HU差别矩阵属性约简算法

将决策表属性区分能力大小与HU差别矩阵结合起来,建立起属性区别能力与该属性在HU差别矩阵中出现次数之间的关系.提出与HU差别矩阵属性约简相适应,只依赖于等价类基数计算的属性区分能力计算公式,得到HU差别矩阵约简的属性区分能力判定定理.定义了以属性区分能力为基础的属性相对重要性概念,提出以相对重要性为启发式信息的HU属性约简算法.由于该算法不必构造差别矩阵,只依赖于等价类基数的计算,从而大大提高了算法效率.数值算例和实验结果表明,该算法更有利于最优或次优约简结果的搜索.     

基于区分矩阵与区分函数的同元转换约简算法

针对较大数据集在区分函数范式转换获得约简解集时的困难性,提出一种基于区分矩阵与区分函数的同元转换约简算法.利用区分矩阵保留数据集的全部分类信息,使用区分函数建立分类信息的数学逻辑范式,从低元的合取范式分步转换为析取范式,根据同元转换算法和高元吸收算法,若能够吸收完全则回退,否则再次调用算法进入转换运算.实例演算结果表明,该算法能缩小一次转换规模,灵活地运用递归算法,使得运算简洁有效.     

关于基于分明矩阵的属性约简算法的探讨

该文讨论了基于分明矩阵和近似度的属性约简算法之间的关系。在更为充分的挖掘分明矩阵的信息的条件下,提出一种新的基于分明矩阵的属性约简算法,对某些数据库可以取得更好的效果。     

基于简化差别矩阵的完备属性约简算法

由于基于老差别矩阵的属性约简的定义与基于正区域的属性约简的定义是不一致的,给出一个简化差别矩阵和相应的属性约简的定义,并证明了该定义与基于正区域的属性约简的定义是一致的。由于在简化差别矩阵中,要先求出IND(C),故设计了一个较好的求IND(C)的算法,其复杂度被降为O(｜C‖U｜)。在此基础上设计了一个完备属性约简算法,其时间复杂度和空间复杂度分别被降为max｛O(｜C｜2(｜U′pos‖U/C｜)),O(｜C‖U｜)｝和max｛O(｜U｜),O(｜C｜(｜U′pos‖U/C｜))｝。