基于幂图的属性约简

针对粗糙集理论中基于差别矩阵的属性约简方法存在的不足,提出一种基于幂图的属性约简算法.首先通过修改样本决策属性值将不相容决策表转化为简化的相容决策表;然后将样本对概念与幂图概念相结合,将基于修正差别矩阵的不相容决策表的属性约简转化为幂图的搜索问题;最后通过实例和实验验证了所提出算法的有效性.     

基于粒计算的属性约简算法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,不相容决策表是粗糙集理论研究的一个重点。利用粗糙集中的等价关系来构建粒子,给出了决策表系统的粒子分解方法及在粒表示下以属性重要性作为启发信息的属性约简算法。实验结果表明该算法不仅具有高效性,而且能处理大型决策表。     

基于属性重要性的逐步约简算法

粗糙集理论研究的重要内容之一是知识约简的有效性计算问题，目前求解知识约简的算法主要有两种：一种是利用辨识矩阵构造区分函数，另外一种是基于属性重要性的启发式算法．这两种算法均能求得决策系统的最小或次小约简，但由于计算的复杂度高，所以当数据量增大时这些算法的计算性能是不能令人满意的．本文在对后一种算法充分研究的基础上设计了基于属性重要性的逐步约简算法，利用在决策系统中己获得的正区域逐步缩小数据处理范围，减少求解时间．本文将该算法与基于属性重要性的算法进行了实验比较并对结果进行了分析．     

基于Tabu搜索的粗糙集属性约简算法

粗糙集理论中属性约简算法在保证解质量的情况下,效率比较低.针对这个问题提出一种基于记忆的启发式禁忌搜索算法,该算法称为TSAR(Tabu Search Attribute Reduction),是一个长期记忆的高性能TS算法.TSAR在利用邻域搜索方法的同时,又采用了广泛性和集中性模式,通过调用三个过程来产生及约简候选解,多参数智能化控制迭代次数,增大获得全局最优的机会,避免过早地陷入局部最优.TSAR和文献中算法相比,在解的质量上表现优异,而且计算的开销也很低.     

基于粒计算的属性约简改进算法

粒计算是基于问题求解、模式分类及信息处理的多层次粒结构分析方法,它是粗糙集、模糊集、数据挖掘以及人工智能等多领域交叉的一门新学科。在讨论知识粒度的基本概念和性质后,介绍了通过计算属性对约简核的重要度SigCore(A)(a)来进行信息系统约简的方法。考虑到有的信息系统没有约简核,提出了基于粒计算的约简算法的改进。改进后的算法既可以用于有约简核的系统,也可以用于没有约简核的系统。数值实验证实了算法的有效性。     

基于粗糙集的属性约简研究进展

粗糙集理论是一种用于处理不确定、不精确、不完整知识的数学工具,已被广泛应用于人工智能、模式识别、数据挖掘和智能决策等领域。属性约简是粗糙集理论的一个核心问题,近年来已经成为粗集研究的热点。本文综述了当前国内外关于属性约简算法的若干最新研究进展,重在对属性约简的主流方法和前沿进展进行概括和分析,最后简要探讨了今后研究发展的方向。     

粒矩阵属性约简的启发式算法

属性约简是粗糙集理论一个重要的研究问题.在粗糙集理论上,利用粒计算的思想构建了粒矩阵,提出并定义了粒矩阵相与运算,建立了基于粒矩阵的知识粒化方法,并且给出了粒矩阵属性约简的启发式算法.采用粒矩阵进行属性约简选择最小属性集,跳出了传统属性约简的先求解属性核,再求解最优属性集的方法.理论分析表明了新的算法是可靠有效的,给粒计算属性约简提供一个新的思路,为进一步研究粒计算提供可行的方法.     

基于属性重要性的属性约简算法

粗糙集理论是一个新的处理不确定性问题的数学工具,属性约简是粗糙集理论的核心问题之一。为了获得决策系统中更好的相对属性约简,提出一种基于属性重要性的属性约简算法。将可辨识矩阵中出现次数多少作为属性重要性的判断依据。算法还考虑了当出现次数相同的情况下属性选择问题,由此定义新的属性重要性,以新的属性重要性为启发信息,分析表明,提出的算法是有效可行的。     

基于粗糙集的属性约简算法

本文主要研究基于粗糙集理论的属性约简算法.提出了一种同时适合于相容信息表和不相容信息表的启发式约简算法,并通过算例验证了该算法的可行性和有效性.     

一种基于粒计算属性约简算法的改进及应用

本文介绍了粒计算及粗糙集的基本概念,通过对粒计算下的粗糙集模型中两种属性约简算法分析对比,提出结合两种属性约简方法,即用差别矩阵求得核属性后,将属性重要性作为启发信息继续进行属性约简,可取得合理的属性组合,并将该方法应用于农业气象数据,挖掘出了合理的可进行预测的规则集。     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

基于粗糙集理论的属性约简新算法

以属性在可分辨矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。引入二进制可辨识矩阵,利用二进制可辨识矩阵求出相对核。以相对核为基础,依次加入属性重要度大的属性,直到不能再加。     

基于互信息变化率的属性约简算法

属性约简是粗糙集理论中的基本内容之一,但获得决策系统的最小相对约简是一个NP问题。文章从信息论的角度,结合微积分中的变化率思想,定义了一种基于互信息变化率的属性重要性度量方法,然后在此基础上提出了两种相对属性约简的启发式算法。最后,通过实验结果证明该方法能有效地对决策系统进行约简。     

一种基于差别矩阵属性约简的完备算法

为获取一个较优的属性约简集,在对粗糙集中基于差别矩阵的属性约简算法研究的基础上,文中提出了一种新的属性约简算法.该算法对由差别矩阵得到的属性差别集进行运算,得到一种集合内元素之间没有包含关系的新集合,在分析该集合性质的基础上,给出针对该集合的一个较优属性约简集.最后对时间复杂度进行了分析,并给出了完备性证明.     

不确定信息系统中基于粒细度的属性约简

针对不确定信息系统属性约简问题,提出一种基于颗粒细度的属性约简方法。给出一个以粒细度为属性重要性的概念,并用此重要性作为启发信息进行属性的约简。从原始的不确定信息系统出发,定义一个利用粗糙集中的等价关系构建相容的粒度空间,从而缩减原始系统所占用的空间,避免计算时对象的重复。实现计算量的降低。     

基于粗糙集理论的属性约简新算法

以属性在可分辨矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。引入二进制可辨识矩阵,利用二进制可辨识矩阵求出相对核。以相对核为基础,依次加入属性重要度大的属性,直到不能再加。     

一种基于知识量的约简算法

提出一种新的属性约简算法,该算法基于粗糙集理论认为知识是区分事物的能力的观点,对知识进行了新的量化,并以量化后的区分能力作为启发式信息进行约简,提高了约简效率,理论分析与实例证明该算法是有效的.