三支决策视角下的属性约简加速方法

Attribution reduction is one of the key topics in the field of rough set theory. Based on such theory, the concept of ensemble attribute reduction has been proposed. The ensemble reduction is to divide the sample into multiple decision systems in terms of the decision categories and then calculate them separately. Although ensemble attribute reduction balances the requirements of various decision classes, the corresponding time of attribute reduction is increased. To solve this problem, an attribute reduction acceleration method based on sequential three-way decisions is proposed. The specific steps are as follows: (1) The importance of the attribute in the decision system is calculated. (2) The attributes are divided into three groups in terms of the significance degree of corresponding attribute. Then, the attributes with maximal significance degree are classified into the positive domain, the attributes with zero significance degree are classified into the negative domain, and other attributes will be classified into the boundary domain. (3) The significance degree of the attributes in the boundary domain is calculated cyclically and the obtained result is divided, until theconstraint is satisfied. 8 UCI data sets are selected to conduct experiments in the traditional attribute reduction and ensemble reduction environments, respectively. The experimental results show that, under the premise of ensuring the classification performance, the proposed method can effectively reduce the time of attribute reduction in such two environments.     

基于Local约简的序贯三支分类器

序贯三支决策是三支决策理论近年发展起来的一种新型决策方法。传统的序贯三支决策方法鲜有针对序贯信息粒的构建和其在分类学习中的应用的研究。针对这两个问题,研究了Local约简与Global约简之间的内在序贯性,并以此构建了具有约简特性的序贯信息粒。在此基础上设计了一种序贯三支分类器。实验结果表明,该序贯三支分类器不仅能很好地在合适信息粒上进行分类,而且较传统的分类算法提高了数据集的分类精度。     

代价敏感的序贯三支决策方法

在现实决策中,代价敏感问题是影响人类决策的重要因素之一,许多研究者致力于降低决策的代价。现阶段,在粗糙集领域中,研究者多基于DTRS模型且仅考虑某一种代价,不够全面。针对以上问题,利用序贯三支决策模型对两种代价的敏感性,通过多层次粒结构可以有效降低决策总代价,且能够更好地模拟人类动态渐进的决策过程。在序贯三支决策模型的基础上,构造了多层次粒结构;将各个属性的测试代价与其分类能力相关联,从信息熵的角度为其设置测试代价;与此同时,将属性约简与序贯三支决策相结合,利用基于代价最小准则的属性约简去除冗余属性及不相关属性对代价的影响。在7个UCI数据集上的实验结果显示,在保证较高准确度的同时,决策的总代价平均下降了26%左右,充分验证了该方法的有效性。     

模糊决策表中基于OWA算子的三支属性约简

在模糊决策表中,基于有序加权平均（Ordered weighted averaging,OWA）算子建立的相容关系中,OWA算子是一个信息集成工具。本文利用OWA算子及其诱导的截集相容关系,分别讨论基于正域、负域与边界域的属性约简。首先,利用OWA算子中的权重给出属性区分对象的贡献度;然后,根据属性贡献度定义每个属性被约简的可能性;从而给出模糊决策表的一种启发式三支属性约简方法,该方法可以减少属性约简的搜索空间并避免属性约简的盲目性;最后,利用实例来分析影响该三支区域属性约简方法的主要因素,并说明该启发式属性约简方法的合理性和有效性。本文提出的属性贡献度度量及启发式三支属性约简方法将减少属性约简的搜索空间,有益于模糊决策表特征选取的应用。     

属性序下基于优势关系灰色信息系统约简

粗糙集和灰色理论在数据挖掘领域各有优点,它们最终目标都是为了发现知识.将粗糙集和灰色系统结合,研究了区间灰色信息系统在优势关系下的约简方法.在现实世界中,属性之间可能存在着一种属性序的关系,将这种属性序关系引入到基于优势关系的灰色信息系统中,给出了两种属性约简的算法:一种基于分辨矩阵的算法,另一种不基于分辨矩阵的算法.较好地适应了不完备信息系统和大数据集信息系统约简.最后通过实例对比,得出两种算法的约简结果是一致的,并分析了各自的适用范围.     

属性序下基于优势关系灰色信息系统约简

粗糙集和灰色理论在数据挖掘领域各有优点,它们最终目标都是为了发现知识。将粗糙集和灰色系统结合,研究了区间灰色信息系统在优势关系下的约简方法。在现实世界中,属性之间可能存在着一种属性序的关系,将这种属性序关系引入到基于优势关系的灰色信息系统中,给出了两种属性约简的算法：一种基于分辨矩阵的算法,另一种不基于分辨矩阵的算法。较好地适应了不完备信息系统和大数据集信息系统约简。最后通过实例对比,得出两种算法的约简结果是一致的,并分析了各自的适用范围。     

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。     

区间序信息系统及其属性约简算法

在不含决策属性的区间序信息系统中,区间偏序关系的不完备性造成信息流失。针对该问题,提出一种新的基于区间模糊数的区间序全序关系,以此建立区间序信息系统,并分析其相关上、下近似的单调性和包含性。采用不可区分函数的方法,给出区间序信息系统的属性约简算法,并通过算例验证了该算法的有效性。     

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.     

互信息的序决策信息系统属性约简研究

优势关系粗糙集理论是粗糙集理论有意义的推广,决策信息系统知识约简是粗糙集理论的核心内容之一.通过在协调序决策信息系统中引入条件熵、互信息概念,给出了基于条件熵、互信息的协调序决策信息系统属性约简算法,并通过学生评价决策信息系统验证了该算法的有效性,使协调序决策信息系统的属性约简得到了扩展.在不协调序决策信息系统中引入限定条件熵、限定互信息概念,并给出基于限定互信息的不协调序决策信息系统属性约简算法,为不协调序决策信息系统的属性约简的应用提供了可行的解决方法.     

优势信息系统的属性约简算法

粗糙集理论是一种新的软计算方法,已成为知识发现和属性约简算法领域的一个研究热点.但经典的粗糙集理论是建立在等价关系基础之上的.从粗糙集理论出发,在优势关系之上给出了优势信息系统中信息量的概念,建立了知识粒度与信息量之间的关系.在此基础上,提出了一种基于信息量的属性约简启发式算法,得到了该算法的时间复杂性为O(|A|3×|U|2).通过实例分析表明该算法是有效的,为进一步研究约简算法提供了一种可行的方法.     

基于三支决策理论的条件属性权重构造方法

针对传统决策过程中权重规则确定的主观性和参数数值计算的不确定性问题,在粗糙集和三支决策理论的基础上,对条件属性权重构造方法进行了研究。重新定义了属性确定度和属性约简度,提出了一种属性权重构造方法,通过实例将该方法与其它条件属性权重构造方法进行了分析比较,证明了其有效性。该方法基于数据本身,不需要先验信息,从客观的角度对属性进行判断,决策者通过该方法可以得到更加合理的权重分配,做出符合实际的决策。该论文对研究属性权重分配问题,具有一定的理论价值。     

优势关系下随机信息系统的属性约简

粗糙集理论与概率论、模糊数学和证据理论等其他处理不确定或不精确问题的理论有很强的互补性。在优势关系的基础上,以证据理论中的mass函数为基本工具,提出了基于优势关系的随机信息系统,研究了优势关系下随机信息系统的属性约简问题。分别考虑了随机信息系统和目标随机信息系统两种情况,并给出了实例说明约简方法的有效性。     

基于测试代价的三支邻域属性约简算法

针对粗糙集属性约简时很少考虑属性自身的测试代价等问题,提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性,并结合属性自身的测试代价来构造性价比指标,以此指导属性的甄选。三支决策方法被用于划分属性集,为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验,结果表明,该算法可得到比对比算法更小的属性约简集合,在分类精度不降低的情况下,该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。     

不完备不协调序决策系统的属性约简与规则提取

针对不完备不协调序决策系统,提出了广义优势决策函数的概念,给出了基于广义优势决策函数的区分矩阵属性约简算法,并获得了提取序决策规则的方法。最后,实例说明了所提出算法的有效性。     

一种基于序贯三支决策的图像识别方法

基于序贯三支决策的图像识别方法仅考虑测试样本与支持向量机(SVM)分离超平面的符号距离,忽略了已有粒度层的信息,图像识别性能有待提高。提出一种新的置信度评价(dual confidence score and ensembling, DCE),将符号距离结合测试样本与特征空间中每一类训练样本中心的距离作为基本置信度,用于序贯三支决策时,将较粗粒度层无法识别图像的置信度与当前粒度层的置信度合并进行评价,有效地利用已有信息,提高识别准确度,在粒度层较粗时也能进行决策,提升了识别效率。在Caltech-101和Caltech-256数据集上使用两个经典预训练模型进行验证,与现有三支决策图像识别方法相比,实验结果表明该方法能有效提升识别的准确度和效率。     

Wrapper特征选择下的序贯三支分类方法

序贯三支决策是近年来发展起来的一种新兴粒计算模型,由于其在处理代价敏感问题上的明显优势,已被广泛的应用于诸多领域.为了降低传统静态分类器的分类成本,本文将序贯三支决策的思想引入分类过程中,利用三分而治的动态分类策略和多粒度的静态分类器对样本进行差异化处理,进一步考虑粒化过程中虑冗余属性和属性添加顺序对分类结果的影响...     

基于序贯三支决策的多粒度情感分类方法

如何对评论数据进行正确的情感分类是情感分析中的重要研究内容。从粒计算和认知学角度,提出了一种基于序贯三支决策的多粒度中文评论情感分类方法。首先,基于评论数据集的特点,根据评论中情感信息量的多少,提出一种由粗到细的多粒度情感信息表示方法;然后,结合序贯三支决策的思想在不同粒度依据情感信息进行逐步计算,对边界域评论序贯地进行三支决策;最后,根据不同粒度的决策阈值和成本对评论做出最终的情感分类。对比实验结果表明,该方法在3个经典评论数据集上获得了更好的结果,具有更高的分类正确率和更强的鲁棒性。