一种基于进化算法的连续属性离散化方法

连续属性离散化是知识系统中的一个重要环节,一个好的离散化方法能够起到简化知识和描述和便于对知识系统的处理。而求取连续属性值的最优断点集合是一个NP难题,本文把连续属性值离散化问题作为一种约束优化问题,采用遗传算法来获得最优解,并针对离散化问题设计了相应的编码方式、交叉算子和变异算子。实验结果表明,采用遗传算法求解连续属性值最优断点集合是可行的。     

一种改进的连续属性模糊离散化方法

连续属性离散化是知识系统中的一个重要环节,一个好的离散化方法能够简化知识的描述和便于对知识系统的处理。而求取连续属性值的最优断点集合是一个NP难题。提出一种连续属性模糊离散化的Norm-FD方法：根据正态分布特点采用正态离散化算法（Norm-D算法）,使其离散结果达到需要离散区间数,根据属性值和与其相邻的区间关系将具体属性值用F-Inter算法转化为用隶属度、分区号和偏向系数三个参数表示。     

一种改进的连续属性模糊离散化方法

连续属性离散化是知识系统中的一个重要环节,一个好的离散化方法能够简化知识的描述和便于对知识系统的处理。而求取连续属性值的最优断点集合是一个NP难题。提出一种连续属性模糊离散化的Norm-FD方法:根据正态分布特点采用正态离散化算法(Norm-D算法),使其离散结果达到需要离散区间数,根据属性值和与其相邻的区间关系将具体属性值用F-Inter算法转化为用隶属度、分区号和偏向系数三个参数表示。     

连续属性决策表离散化的图论方法

通过研究粗糙集与图论的关系,提出了以集合为权的加权多重完全多部图的概念,得到了加权完全多部图与连续属性决策表的映射关系,给出了断点重要性和断点效率的一种新的量化定义并得到了相关性质;提出了连续属性决策表信息系统的图论形式和连续属性决策表离散化的图论方法。编程实验结果证明,应用此方法可以确保在离散化后决策表相容的前提下得到无剩余属性值的较小的断点集合。     

基于改进离散粒子群优化的连续属性离散化

为了解决数据挖掘和机器学习领域中连续属性离散化问题,提出一种改进的自适应离散粒子群优化算法。将连续属性的断点集合作为离散粒子群,通过粒子间的相互作用最小化断点子集,同时引入模拟退火算法作为局部搜索策略,提高了粒子群的多样性和寻找全局最优解的能力。利用粗糙集理论中决策属性对条件属性的依赖度来衡量决策表的一致性,从而达到连续属性离散化的目的,最后采用多组数据对此算法的性能进行了检验,并与其他算法做了对比实验,实验结果表明此算法是有效的。     

一种新的粗糙集属性约简方法及其应用

对粗糙集理论中属性约简问题进行研究,借助于离散化获得的断点,提出一种指导属性约简的新方法,并提出一种改进的连续属性值离散化方法.以雷达辐射源用途识别为例.给出了识别实例和计算机仿真实验,并与工程中常用的统计模式识别方法进行比较,结果证明了该算法的正确性和有效性.     

基于粗集理论的数据离散化方法

对后继阶段的机器学习或数据挖掘过程而言，决策系统中连续属性值的离散化具有非常重要的意义。本文系统地研究了基于粗集理论的数据离散化方法：提出一种计算候选断点集合的算法；定义概念“选择概率”来合理、有效地度量和区分候选断点的相对重要性；最后基于这一概念提出一种确定结果断点子集的启发式算法,理论分析及仿真结果表明，算法的综舍性能优于文献报道的同类算法．     

针对Naive Scaler的改进

决策表离散化要求决策表中原有的分类结果不变,而NaiveScaler算法在离散化时,有些根据不可分辨关系应该得到的断点很可能被丢掉,造成决策表信息的丢失.针对这一问题,对其进行了研究并改进.原算法在扫描相同条件属性值而决策值不同的对象时,由于这些对象的排序不同可能造成离散的结果不同.主要是在这里某些断点可能被遗漏,并引进新的冲突.为此,当条件属性值变化时查看其决策属性值,若有不同决策属性值则追加断点以消除断点被丢掉的可能.进而使得到的初始断点集更可靠.最后给出实例表明该算法有效.     

基于粗糙集理论的属性离散化算法

决策系统中连续属性离散化,即将一个连续属性分为若干属性区间并为每个区间确定一个离散型数值,对后继阶段的机器学习具有重要的意义。首先研究了满足决策系统最优划分的一种计算候选断点集合的算法,然后在基于条件属性重要度和贪心算法的基础上提出了一种确定结果断点子集的新启发式算法。所提出的属性离散算法考虑并体现了粗糙集理论的基本特点和优点,并能取得较理想的连续属性离散化结果。     

一种新的粗糙集属性约简方法及其应用

对粗糙集理论中属性约简问题进行研究,借助于离散化获得的断点,提出一种指导属性约简的新方法,并提出一种改进的连续属性值离散化方法.以雷达辐射源用途识别为例,给出了识别实例和计算机仿真实验,并与工程中常用的统计模式识别方法进行比较,结果证明了该算法的正确性和有效性.

     

基于二进制粒子群优化的决策系统属性离散化

为解决连续属性无法直接用于粗糙集理论的问题,依据粗糙集连续属性离散化的根本要求,提出了一种基于二进制粒子群优化算法(Binary Particle Swarm Optimization,BinaryPSO)的属性离散化方法。该方法将二进制粒子视为断点子集,最小化断点集中的断点个数作为优化目标,粗糙集属性分类精度作为约束条件。其中,适应函数的定义保证了在尽量减少决策系统信息损失的前提下,得到简化的决策系统。仿真结果表明,该方法得到的离散结果包含较少的断点个数,并且保持了较高的分类能力。     

基于AHTPSO的连续属性离散化算法

针对粗糙集不能较好地处理连续型属性的问题,结合粗糙集理论和粒子群算法,提出基于自适应混合禁忌搜索粒子群的连续属性离散化算法。首先,该算法通过对参数的自适应更新操作,从而避免了粒子群出现早熟的现象;然后将粒子群当代得到的全局最优粒子送入禁忌算法中进行优化,有效地提升了算法的局部探索能力;在兼顾决策表系统一致性的同时,将划分的断点初始化为一群随机粒子,通过改进后粒子群的自我迭代得到最佳的离散化划分点。实验结果表明,与其他结合粗糙集的离散化算法相比,该算法具有更高的规则分类精度和较少的离散化断点个数,对连续属性的离散化效果较好。     

基于约简属性和阈值分割的决策树构建方法

针对决策树C4.5算法在处理连续值属性过程中时间复杂度较高的问题,提出一种新的决策树构建方法：采用概率论中属性间的相关系数（Pearson）,对数据集中的属性进行约简;结合属性的信息增益率,保留决策属性的最优子集,保证属性子集中没有冗余属性;采用边界点的判定,改进了连续值属性离散化过程中阈值分割方法,对信息增益率的计算进行修正。采用UCI数据库中的数据集,在Pycharm平台上进行一系列对比实验,结果表明：采用改进后C4.5决策树算法,决策树生成效率提高了约50%,准确率提升约2%,比较有效地解决了原C4.5算法属性选择偏连续值属性的问题。     

Consistency of randomized and finite sized decision tree ensembles

Regression via classification (RvC) is a method in which a regression problem is converted into a classification problem. A discretization process is used to covert continuous target value to classes. The discretized data can be used with classifiers as a classification problem. In this paper, we use a discretization method, Extreme Randomized Discretization, in which bin boundaries are created randomly to create ensembles. We present an ensemble method for RvC problems. We show theoretically for a set of problems that if the number of bins is three, the proposed ensembles for RvC perform better than RvC with the equal-width discretization method. We use these results to show that infinite-sized ensembles, consisting of finite-sized decision trees, created by a pure randomized method (split points are created randomly), are not consistent. We also theoretically show, using a set of regression problems, that the performance of these ensembles is dependent on the size of member decision trees.     

A new approach to Lipschitz continuity in state constrained optimal control

For a linear-quadratic state constrained optimal control problem, it is proved in [11] that under an independence condition for the active constraints, the optimal control is Lipschitz continuous. We now give a new proof of this result based on an analysis of the Euler discretization given in [9]. There we exploit the Lipschitz continuity of the control to estimate the error in the Euler discretization. Here we show that the theory developed for the Euler discretization can be used to derive the Lipschitz continuity of the optimal control.     

一种结合二元蚁群和粗糙集的连续属性离散化算法

离散化是一个重要的数据预处理过程,在规则提取、知识发现、分类等研究领域都有广泛的应用。提出一种结合二元蚁群和粗糙集的连续属性离散化算法。该算法在多维连续属性候选断点集空间上构建二元蚁群网络,通过粗糙集近似分类精度建立蚁群算法适宜度评价函数,寻找全局最优离散化断点集。通过UCI数据集验证算法的有效性,实验结果表明,该算法具有较好的离散化性能。     

Digital redesign of uncertain interval systems based on extremal gain/phase margins via a hybrid particle swarm optimizer

In this paper, a hybrid optimizer incorporating particle swarm optimization (PSO) and an enhanced NM simplex search method is proposed to derive an optimal digital controller for uncertain interval systems based on resemblance of extremal gain/phase margins (GM/PM). By combining the uncertain plant and controller, extremal GM/PM of the redesigned digital system and its continuous counterpart can be obtained as the basis for comparison. The design problem is then formulated as an optimization problem of an aggregated error function in terms of deviation on extremal GM/PM between the redesigned digital system having an interval plant and its continuous counterpart, and subsequently optimized by the proposed optimizer to obtain an optimal set of parameters for the digital controller. Thanks to the performance of the proposed hybrid optimizer, frequency-response performances of the redesigned digital system using the digital controller evolutionarily derived by the proposed approach bare a far better resemblance to its continuous-time counter part in comparison to those obtained using existing open-loop discretization methods.