多粒度粗糙集模型下的矩阵属性约简算法

随着网络和通信技术的快速的发展,社会进入了大数据时代。如何能够快速地从海量大数据中找到属性约简是目前研究的一个热点。由于传统属性约简的方法在计算大数据属性约简时,需要消耗巨大的计算时间,不能有效地处理日益积累的大数据属性约简的问题。为了提高传统属性约简算法的效率,针对较大决策信息系统属性约简更新问题,利用多粒度粗糙集理论,提出了基于多粒度粗糙集模型的矩阵属性约简算法,通过2组UCI数据集对所提出的多粒度矩阵属性约简算法的性能进行测试,结果验证了该多粒度矩阵属性约简算法是合理且有效的。     

基于可变多粒度概率粗糙集的分类模型*

以多粒度粗糙集理论为背景,结合可变多粒度思想与错误分类率思想,提出可变多粒度概率粗糙集(VMGPRS)模型.结合粗糙集理论中的属性约简思想,提出粒度约简算法,发现并解决可变多粒度模型中由于参数设定而引发的约简后粒度冗余问题.将约简前后的数据应用于SVM、KNN、NB等经典分类算法,验证约简对数据的分类能力几乎无影响.将规则与算法结合,设计基于规则的分类算法,并且实验分析VMGPRS模型中的2个调节参数α、 β对分类器分类效果的影响.     

基于下近似分布粒度熵的变精度悲观多粒度粗糙集粒度约简

将下近似分布约简引入变精度悲观多粒度粗糙集,定义了变精度悲观多粒度粗糙集的下近似分布粒度熵,基于下近似分布粒度熵定义了变精度悲观多粒度粗糙集粒度的重要度,并设计了基于下近似分布粒度熵的悲观多粒度粗糙集启发式粒度约简算法,通过实例验证了算法的有效性。     

多粒度粗糙集的双层绝对约简*

多粒度粗糙集本质上是异构的,但是目前尚未运用于异构数据处理.从绝对约简的角度出发,提出多粒度粗糙集的双层绝对约简——多粒度绝对约简和多粒度绝对粒度约简.分析多粒度双层绝对约简的性质,特别是从异构数据约简的角度探究多粒度双层绝对约简的特性,提出多粒度双层绝对约简算法.理论分析和实例表明多粒度双层绝对约简算法的可行性.     

一种新的基于粒度重要度的三支决策模型

粒度重要度是多粒度粗糙集中的一项重要研究内容。针对现有粒度重要度只考虑单个粒度对决策的直接影响而忽略了其他粒度对决策综合影响的问题,结合多粒度粗糙集近似质量的概念,通过研究粒度重要度的构造方法,提出了一种新的多粒度间的粒度重要度的计算方法,并给出了基于该方法的粒度约简算法。同时,为减少冗余决策信息,将约简集与三支决策理论相结合,构建了基于粒度重要度的三支决策模型,给出了决策规则。最后通过实例证明,新的粒度约简算法可以获得具有更高区分度的数据,且缩小了延迟域范围,使最终决策更合理。     

全粒度粗糙集属性约简

全粒度粗糙集是一种动静结合的粗糙集模型,在一定程度上可以表示人类认识的复杂性、多样性和不确定性.文中定义概念的全粒度属性约简,完善全粒度粗糙集属性约简的定义.探索概念的全粒度属性约简、全粒度绝对约简及全粒度Pawlak约简的性质,指明这些属性约简之间的关系,有助于全粒度属性约简的实际应用及启发式算法的产生.     

一种悲观多粒度粗糙集中的粒度约简算法

多粒度粗糙集方法是近年来粗糙集理论的一个发展方向,它是一种基于多个粒空间的粗糙数据建模方法。 文中针对悲观多粒度粗糙集模型,引入分布约简的概念,分析多个粒空间中的粒度选择问题。基于给出的粒度重要度提出悲观多粒度粗糙集中的粒度约简算法,并通过实例验证该方法的有效性。结论表明该方法得到的结果更加符合实际决策。     

多粒度决策系统属性约简的最优粒度选择

粒计算理论从多个角度、多个不同的粒度层次出发,对不确定、不精确或复杂的问题进行求解,现已成为人工智能领域研究的一种重要方法。针对决策系统属性约简与高效决策的粒度选择问题,分析了多粒度决策系统中信息粒与粒度划分的概念,定义了粒化度量和粒结构关于对象的粒化粗糙度,能够准确地反映决策系统中不同粒结构下的知识粒度大小。为弥补传统决策系统约简往往只考虑基于论域属性约简的缺陷,讨论了基于对象的局部约简方法,提出了基于论域和对象的决策系统最优粒度选择约简算法,并结合实例验证了该算法的有效性。     

多粒度粗糙集粒度约简的高效算法

针对已有多粒度粗糙集粒度约简算法效率较低的问题,提出一种多粒度粗糙集粒度约简的高效算法（EAGRMRS）。首先,以决策信息系统为对象,定义决策类下近似布尔矩阵,该矩阵能够将粒度约简过程中过多且有重复的集合运算转换为布尔运算,基于该矩阵给出计算决策类下近似算法和计算粒度重要度算法。然后,针对计算粒度重要度时存在冗余计算的问题,提出粒度动态增加时快速计算粒度重要度的算法,并在此基础上,提出EAGRMRS,该算法的时间复杂度为O（|A|·|U|²+|A|²·|U|）,其中|A|表示粒度集合大小,|U|表示决策信息系统中实例数。在UCI数据集上的实验结果验证了所提算法的有效性和高效性,并且随着数据集的增大,EAGRMRS相较于多粒度粗糙集粒度约简的启发式算法（HAGSS）效率优势更加明显。     

多粒度覆盖信息系统的属性约简方法比较

为拓展覆盖粗糙集模型,用多粒度方法研究了张燕兰等提出的广义覆盖决策信息系统模型,定义了多粒度意义下的覆盖上下近似,提出了多粒度属性约简算法。用实例对多粒度覆盖粗糙集属性约简方法和胡清华等提出的单粒度方法进行了比较。     

基于粗糙集的高校学生实践能力因素研究

学生实践能力是衡量一个高校学生综合能力的重要指标,但是由于影响学生实践能力的因素很多,没有统一的标准去衡量一个高校学生实践能力的好坏。因此,高校师生也无法采取针对性措施提高高校学生的实践能力。为了准确分析影响高校学生实践能力的因素,设计了影响高校学生实践能力的问卷,向大一至大四学生发放,采集数据,然后采用粗糙集理论中基于信息熵的启发式属性约简算法计算各个属性的属性重要度,找出影响高校学生学习实践能力的关键因素。再采用粗糙集理论中基于分辨矩阵的属性值约简算法,挖掘出影响高校学生实践能力的关键因素,导出规则集。通过实验验证了该规则集的有效性。研究成果可以对高校教学工作的开展提供参考,继而提高学生的实践能力。     

基于粗糙集的影响大学生心理健康的研究

大学生心理健康是影响大学生未来发展的最主要因素之一。由于影响大学生心理健康的因素复杂而且难以预估,导致高校在改善大学生心理健康的过程中存在盲目性。为了及时准确地帮助心理健康存在隐患的学生,首先通过向本校本科生分发调查问卷,然后利用粗糙集理论中基于信息熵的属性约简算法找出影响因子,利用粗糙集理论中基于决策树的规则提取算法提取出具有支持度、置信度高的规则集,最后利用评估规则集准确度的一般方法验证了规则集的有效性。该研究成果可以指导高校制定出具有针对性的改善大学生心理健康的政策,从而及时准确地帮助存在心理健康隐患的大学生。     

高校一卡通内潜在贫困生数据研究

目前,高校贫困生资助体系虽然已经建立,但贫困生的判定存在着短板和不足。高校一卡通内存在着大量宝贵的潜在数据,通过SQL Server数据库和Excel的结合,可以从高校一卡通里探寻有价值的数据信息,帮助评定潜在贫困生的程序更加完善。该文为学校管理人员提供一种可靠的数据分析途径。     

决策树算法在大学生心理健康测评系统中的应用

决策树是非常流行的数据挖掘方法.介绍了决策树的理论,分析了决策树的构造,讨论了C5.0算法的思想及其优缺点,同时为深入了解影响大学生心理健康的主要心理症状及因素,将C5.0算法应用于大学生心理健康测评数据,根据挖掘结果可以更深入的了解学生心理健康问题,为高校开展好大学生心理健康教育有着现实的意义.     

大学生创新能力评价系统的实现

设计了多级综合加权评价算法,实现了大学生创新能力考核评价系统。从评价因素中提取大量数据进行统计、存储、计算,并给出了考核分数进行量化,可以对大学生创新能力进行综合、客观的评价,有效地减少了人为因素的干扰。     

改进随机森林算法在人才培养质量评价中的应用

高校毕业生质量直接关系到高校的社会声誉与发展. 为了准确的评价高校的毕业生质量, 本文基于某高校计算机类毕业生的历史数据, 采用一种改进的随机森林算法构建人才培养质量评价模型. 在训练分类器之前, 利用RF Ranking方法来度量特征重要性并选取75%的特征进行降维处理, 以此改善训练样本的非平衡现象; 通过对基分类器的训练, 测试各个分类器的性能, 依据性能的强弱对单个分类器作加权处理, 以此降低性能较差的分类器对结果的影响. 实践结果表明, 该算法提高了人才培养质量评价的准确率和精确度, 可以在高校人才培养方面起到指导作用.     

You Are How You Behave-Spatiotemporal Representation Learning for College Student Academic Achievement

Scholarships are a reflection of academic achievement for college students.The traditional scholarship assignment is strictly based on final grades and cannot recognize students whose performance trend improves or declines during the semester.This paper develops the Trajectory Mining on Clustering for Scholarship Assignment and Academic Warning(TMS)approach to identify the factors that affect the academic achievement of college students and to provide decision support to help low-performing students attain better performance.Specifically,we first conduct feature engineering to generate a set of features to characterize the lifestyles patterns,learning patterns,and Internet usage patterns of students.We then apply the objective and subjective combined weighted k-means(Wosk-means)algorithm to perform clustering analysis to identify the characteristics of different student groups.Considering the difficulty in obtaining the real global positioning system(GPS)records of students,we apply manually generated spatiotemporal trajectories data to quantify the direction of trajectory deviation with the assistance of the PrefixSpan algorithm to identify low-performing students.The experimental results show that the silhouette coefficient and Calinski-Harabasz index of the Wosk-means algorithm are both approximately 1.5 times to that of the best baseline algorithm,and the sum of the squared error of the Wosk-means algorithm is only the half of the best baseline algorithm.     

勤工助学管理系统的设计与实现

随着高校运行体制的改革,学费也在逐年提高,就出现了有些贫困家庭学生交不起学费的现象。因此国家通过制定助学贷款、奖学金、助学金和勤工俭学等各项政策资助家庭这些学生完成学业。为了更好的实施国家这些政策,本文设计并实现勤工助学管理系统,该系统完成勤工俭学学生信息、考勤、考核和助学金工资发放等功能。