基于粗糙熵的不相容大气质量系统的预测

对不相容大气质量系统进行预测,并做出正确的决策是目前一个重要的研究课题.粗糙熵是在粗糙集理论基础之上的、处理不确定性问题的一种度量.从粗糙熵的角度来研究不相容信息系统的属性约简,并在此基础上研究基于粗糙熵约简的算法.给出基于该算法进行大气质量系统预测的基本步骤,通过具体的示例说明该算法的可行性和有效性.     

基于熵规则的信息滤波SLAM算法

信息滤波同时定位与构图(IFSLAM)算法如何获得稀疏化的信息矩阵是解决滤波性能的关键因素.通过对稀疏扩展信息滤波深入分析,发现其稀疏化结果难以保证关联性最弱的环境主动特征被稀疏掉;为了改进这一缺陷,提出一种基于熵稀疏规则的改进SLAM算法,该算法利用熵性质、综合当前以及下一观测时刻来选择与位姿关联性最弱的环境特征作为稀疏特征点;有效提高了算法的稀疏性能.在Mat-lab上对改进算法进行仿真,验证改进算法的有效性.     

不相容决策表的属性约简与规则提取算法

决策表属性约简与规则提取是粗糙集理论中的重要问题。本文引入一种改进的决策表广义信息表的方法来求解属性核与相对约简,并在此基础上提出一种不相容决策表的规则提取算法。     

不相容决策系统中的规则提取方法研究

现有规则提取方法大多数只能在相容决策系统中提取规则,并且提取出的规则冗余度高、用户不易理解。针对该问题,提出一种基于对象集覆盖的规则提取方法,利用粗糙集理论将对象集划分为相应的等价类,根据属性特征值的一致性程度和相似程度产生有效性规则,通过等价类划分和对象集覆盖解决不相容决策系统的规则提取问题。算例分析结果表明,该方法提取出的规则简单可靠,具有较好的鲁棒性。     

基于可信度的异常规则修正法

在这个信息时代,信息系统中的异常信息同那些＂正常＂信息同样重要。论文在总结了许多异常规则处理算法不足的基础上,提出了一种基于可信度的异常规则修正法。该方法根据设定的可信度阈值,来判断信息系统中的不相容规则是否是异常规则。论文结合一个实例阐明了该方法的基本思路。     

基于决策熵的决策树规则提取方法

在决策表中,决策规则的可信度和对象覆盖度是衡量决策能力的重要指标。以知识粗糙熵为基础,提出决策熵的概念,并定义其属性重要性;然后以条件属性子集的决策熵来度量其对决策分类的重要性,自顶向下递归构造决策树;最后遍历决策树,简化所获得的决策规则。该方法的优点在于构造决策树及提取规则前不进行属性约简,计算直观,时间复杂度较低。实例分析的结果表明,该方法能获得更为简化有效的决策规则。     

基于修正熵权算法的信息披露质量评价

基于信息披露质量与信息披露违规的对偶关系,从违规行为直接评价与违规影响间接评价两个方面,构建了三级层次的信息披露质量评价指标体系,并利用建立在一般熵权算法基础上的修正熵权算法,评价了深交所1 385家上市公司的信息披露质量。实证计算、t检验及Wilcoxon检验的结果表明,修正熵权算法既保证评价结果无显著性差异,也比一般熵权算法更具适用性和有效性。     

基于决策熵的决策树规则提取方法

在决策表中,决策规则的可信度和对象覆盖度是衡量决策能力的重要指标。以知识粗糙熵为基础,提出决策熵的概念,并定义其属性重要性;然后以条件属性子集的决策熵来度量其对决策分类的重要性,自顶向下递归构造决策树;最后遍历决策树,简化所获得的决策规则。该方法的优点在于构造决策树及提取规则前不进行属性约简,计算直观,时间复杂度较低。实例分析的结果表明,该方法能获得更为简化有效的决策规则。     

基于属性互信息熵的量化关联规则挖掘

在量化关联规则挖掘中存在量化属性及其取值区间的组合爆炸问题,影响算法效率。提出算法BMIQAR,通过考察量化属性间互信息熵,找到具有强信息关系的属性集,从中得到频繁项集以产生规则。实验表明,由于在属性层进行了剪枝,因此缩减了搜索空间,提高了算法的性能,且能得到绝大多数置信度较高的规则。     

不相容决策表分解的若干性质

本文指出文献[2]中一个提取不相容决策表决策规则的分解处理方法存在的错误，并且分析错误产生的原因．在此基础上，本文进一步对这种分解方法进行考察，给出了原始不相容决策表和分解后的子决策表之间有关核属性和属性约简等方面的若干关系和性质。     

基于极小熵的模糊产生式规则权重获取

加权模糊产生式规则是不确定性知识表示的一种最基本的最常用的形式。一般权重调整的准则是依据于训练精度的提高,但该方法容易引起过度拟合。为了克服传统方法的不足,增强模糊规则的泛化能力,文章提出了使用极小熵定理作为权重调整的新准则,给出了依据极小熵定理求解权重的数学模型,指出了可采用遗传算法求解该数学模型。实验结果表明,训练精度和测试精度随着训练集的模糊熵的减小而增大,同时根据数学模型抽取的权重能够增强模糊规则的泛化能力。     

一种基于熵的聚类算法

给出了一种以Reny熵为评价准则的聚类算法,通过非参数估计法估计密度函数,再利用类内熵和类间熵进行聚类和确定聚类的数目。这种算法不需要用户输入与聚类有关的参数,能根据由数据的分布的特性自动获取要聚类的数目,并能发现任意形状和任意大小的聚类。实验结果显示了算法的有效性和优越性。     

基于关联规则与聚类算法的查询扩展算法

针对信息检索中查询关键词与文档用词不匹配的问题,提出一种基于关联规则与聚类算法的查询扩展算法。该算法在第1阶段对初始查询结果的前N篇文档进行关联规则挖掘,提取含有初始查询项的关联规则构建规则库,并从中选取与查询用词关联度最大的置个词作为扩展词,与初始查询组成新查询后再次查询,在第2阶段将新查询结果进行聚类分析并计算结果中每篇文档的最终相关度,按最终相关度大小重新排序。实验结果表明,该算法比单独使用关联规则算法或是单独使用聚类算法均有更优的检索性能。     

基于近邻熵的主动学习算法

在主动学习中,采用近邻熵(NeighborhoodEntropy)作为样例的挑选标准,熵值最大的样例体现基于近邻分类规则,最无法确定该样例的类标。而标注不确定性高的样例可用尽量少的样例获得较高的分类性能。文中提出一种基于近邻熵的主动学习算法。该算法首先计算未标注样例的近邻样例类别熵,然后挑选熵值最大样例的进行标注。实验表明,基于近邻熵挑选样例进行标注,较基于最大距离(MaximalDistance)挑选和随机样例挑选可获得更高的分类性能。     

基于隐私保护的关联规则挖掘算法

基于隐私保护的关联规则挖掘在挖掘项集之间的相关联系的同时,可以保护数据提供者的隐私。基于数据变换法,提出使用高效数据结构即倒排文件的隐私保护关联规则挖掘算法IFB-PPARM。针对特定的敏感规则以及给定的最小支持度和置信度,得到所需要修改的敏感事务并对其做适当的处理。算法只需对事务数据库做一次扫描,并且所有对事务的处理操作都在事务数据库映射成的倒排文件中进行。分析表明,该算法具有较好的隐私性和高效性。     

基于遗传算法的易于理解的分类规则构造

提出了一种分类规则易于理解性的新的定义，并给出了应用属性信息增益计算分类规则可理解性的方法。分析了遗传算法发现分类规则的过程。乳腺癌统计数据上的实验表明，它可以发现准确和易于理解的分类规则。     

基于关联规则的约简算法

该文研究了症状间的关联规则,并由它提出了一种约简算法。这种约简算法可以用于处理病案数据库中的数据,从而简化了数据库中的病案数据。