基于改进辨识矩阵的变精度邻域粗糙集属性约简

提出一种用于变精度邻域粗糙集,可以大幅减少时间复杂度的属性约简算法.该算法基于一种改进的辨识矩阵.首先用辨识矩阵同时记录决策一致和不一致的数据,然后用二进制位运算计算样本的邻域,最后获得可以保持下近似分布不变的属性约简.实验结果证明,本文算法不仅能够大幅减少属性约简时间,而且精度上总体优于NBRS算法和LDNRS算法.     

基于信息熵的属性约简算法及应用

阐述了粗糙集理论和信息熵的概念,在此基础上提出了一种基于信息熵的属性约简算法。该算法从相对核的角度出发,将信息熵、条件信息熵和属性的重要度结合运用,优化了算法的结构,同时加快了决策表的运行速度。用CTR和Wine数据集对提出的算法进行了实验验证。结果表明,该算法能获得决策系统的最优属性约简,同时加快了运行速度。     

基于信息熵的属性约简算法的研究与实现

属性约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余属性.为了获得决策系统中属性最小相对约简,本文将信息论应用于决策信息系统属性约简中,与遗传算法相结合,并采用加权平均的属性重要度和知识量作为启发式信息指导约简,提出了一种改进的基于核子集的属性约简算法.     

改进的基于条件信息熵的属性约简算法

针对经典属性约简算法不能有效适应大数据集的问题,通过分析经典属性约简算法的特点,提出了一种改进的基于条件信息熵的属性约简算法.该算法以分类为基础,引入了类分布链表,将条件信息熵和成熟的数据库技术相结合,解决了内存限制问题,优化了算法的结构,同时加快了决策表的运行速度.最后通过实例对算法的有效性和可伸缩性做了分析.实例仿真计算表明,该算法在具有更快的约简速度的同时又不失其准确率.     

基于信息增益的属性约简算法

以信息增益作为属性重要性的度量方法，提出了一种基于信息增益的属性约简算法．该算法总是优先考虑对于决策更为重要的属性，用条件属性对决策属性的信息增益作为条件属性的属性重要性度量，并以此度量作为启发式信息，算法从空集开始逐步将重要的属性加入到选择属性集，直到决策表达到一致分类时结束．并通过实例分析验证了该算法能有效地对属性进行约简，同时可以得到简单规则集．     

模糊信息表决策规则获取与属性约简方法

将粗糙集方法用于模糊信息表上的规则获取和属性约简, 在包含度概念的基础上, 定义了齐次包含度.对两类模糊信息值的信息表, 条件属性是离散值，而决策属性是模糊的模糊决策信息表和条件属性与决策属性均为模糊的模糊信息表, 采用齐次包含度研究了条件属性在决策属性中的包含关系, 得到了包含度意义下模糊决策信息表的属性约简判定定理和决策规则获取方法. 给出了模糊条件属性的所有可能组合, 研究了模糊组合属性在模糊决策属性中的包含关系, 提出了最大属性协调集的概念，建立了在最大协调属性集下的模糊信息表属性约简和决策规则获取的算法步骤, 并通过算例演示了模糊决策规则获取和属性约简的过程, 从而为模糊信息表决策规则获取与属性约简提供了一类算法.     

一种基于互信息增益率的新属性约简算法

为了获得决策系统中更好的相对属性约简，提出了一种基于互信息增益率的属性约简算法.该算法考虑了所选择条件属性与决策属性的互信息，还考虑了所选择属性的值的分布情况，从信息论角度定义了基于互信息增益率的属性重要性度量方法，并以此度量为启发式信息，算法从空集开始逐步将最重要的条件属性加入到选择属性集，直到所选择的条件属性集与决策属性集的互信息等于整个条件属性集与决策属性集的互信息时，算法停止.结果表明，算法能更有效地对决策系统进行约简，同时约简后的对象数目较少.     

基于粗糙集和信息熵的场站航材股评价研究

将粗糙集理论引入航材股评价过程,结合信息熵理论,实现对航材股定量打分排序,区分航材股的优劣。针对粗糙集理论无法处理决策属性缺失系统的缺陷,利用信息熵,选取权重值最大的条件属性作为决策属性,完善航材股评价信息系统,拓展粗糙集理论的应用。采用改进的贪心算法离散属性值,约简冗余属性,提升信息系统的运行效率。实例分析表明,该模型可以完成对航材股的评价打分,验证了该模型的可行性与正确性。     

基于信息量的一种属性约简算法

提出了决策属性集相对于条件属性集的条件信息量的概念，证明了其在属性约简过程中的变化规律是单调递减的，并提出了一种新的属性约简启发式算法，该算法的时间复杂度为O(|C|^3|U|^2)．通过例子分析，表明该算法是有效的．     

遗传算法信息熵结合属性约简算法研究

为了获得决策系统中属性最小相对约简,将信息论角度定义的属性重要性度量作为启发式信息引入遗传算法,提出了一种启发式遗传算法,通过构造一个新的算子来引入启发式信息,使得选择的属性子集的分类能力不变.该算子体现了一种利用启发式信息的局部搜索技术,使得算法既保持整体优化特性,又具有较快的收敛速度,从理论上对算法作了分析,对新算子所能选择属性子集的分类能力不变作了证明,最后的实例表明,该算法能有效地对决策系统进行最大程度的约简.     

Extension of information entropy-based measures in incomplete information systems

Rough set theory[1, 2], developed by professorPawlak, was conceived as a valid mathematical theoryto deal with inexact, uncertain or vague knowledge inmany applicants such as data mining, machine learningand decision support.Although rough set theory, using the concept of in-discernibility relation as its basic principle, provides aformal theoretical mechanism and a series of tools onknowledge reduction and knowledge acquisition throughset algebra, researchers realize that rough set theory isd…     

离散模糊变量的条件熵及其性质

为了度量给定一个模糊变量条件下另一个模糊变量的不确定性,本文在可信性理论的基础上,给出离散模糊变量的条件熵的定义,并研究了它的下界,上界,同时得到独立简单模糊变量条件熵取上界的充分必要条件。     

基于不完备混合序信息系统的增量式属性约简

由于大数据环境下数据呈现出动态更新的特征,因此增量式属性约简已成为粗糙集理论的重点研究方向。本文针对不完备混合型有序信息系统,利用邻域优势条件熵提出一种对象更新情形下的增量式属性约简算法。首先,针对不完备混合型有序信息系统提出一种新的邻域优势粗糙集模型,同时在其基础上定义了邻域优势条件熵,并设计出一种不完备混合型有序信息系统的非增量式属性约简算法;然后,针对不完备混合型有序信息系统对象的动态性,分别研究了邻域优势条件熵随信息系统对象增加和对象减少时的增量式更新;最后,利用邻域优势条件熵作为启发式函数提出了不完备混合型有序信息系统对象增加和对象减少时属性约简的增量式更新算法。实验结果表明,所提出的增量式算法无论在属性约简结果和属性约简效率上均比非增量式算法具有更高的性能。     

入侵数据特征并行选择算法

用知识的条件粗糙熵定义了特征的相对重要性,提出了一种基于条件粗糙熵的入侵数据特征并行选择算法。算法首先将入侵数据决策表划分成多个子表,然后利用特征的相对重要性对各子表并行求解,最后以子表选出的局部特征为基础求得原决策表的约简。实验表明,该算法适用于大规模的入侵数据集,选出的特征属性不仅可以大大减少数据在存储、分析以及各组件共享中的代价,还能够保持并提高入侵分类的准确性。     

有限非齐次马氏链的随和条件熵与Shannon定理的一个推广

本文引进有限非齐次马氏链随机条件熵的概念,研究了这个概念和相对熵密度的关系,并利用数列绝对平均收敛的概念给出了有限非齐次马氏链{X_n}的相对熵密度及其平均随机条件熵 a.e.收敛于常数以及{X_n}的熵率存在的条件,推广了Shannon 的一个定理.     

自适应非线性滤波技术在导航接收机的应用

针对典型海域干扰噪声表现为大气噪声和随机窄带干扰叠加的特点,提出了直接序列扩频体制的无线电导航接收机中窄带干扰抑制的方法,即在解扩前通过自适应非线性滤波技术来预测干扰信号的频率,从而衰减窄带干扰.将近似条件均值滤波函数应用于自适应非线性滤波的干扰预测中,描述了该系统的状态空间模型并对导航接收机输出信噪比进行计算.计算机仿真对比表明,该方法比传统的扩频接收机更优,不仅提高了导航接收机的输出信噪比,而且提高了系统的稳定性.     

基于小波包变换与近似熵的储集层识别

通常不同地层特征对应的地震波复杂程度均有差异.近似熵是一种反映信号复杂程度的特征量,对储层特征有一定反映.但是,地震波是有一定带宽的信号,在此带宽内,可能某一部分频段对油气层较为敏感,而其他频段的信号则对油气层的反应不够敏感,如果直接进行近似熵的计算,其结果往往不能很好地反映储层特征.鉴于这种情况,对小波包变换和近似熵结合进行储集层预测的方法进行研究,即对小波包分解的结果进行近似熵计算.实际资料计算结果表明,结合小波包分解和近似熵的储层识别方法,能够精确刻画储层形态.     

递归图法在径流时间序列非线性分析中的应用

为有效利用径流数据的非线性特征来对径流作分类识别,提出采用递归图和近似熵获取原始时间序列的动力学行为的方法.在计算随机、正弦和Logistic映射3种典型时间序列的递归图的基础上,采用递归图分析获取不同时间尺度的径流时间序列的动力学行为的方法,进行确定性检验,定性的判断径流序列的非线性和原动力系统的确定性.在递归图算法的基础上,定量地将近似熵用于序列的复杂度描述,对4组径流序列的递归图和近似熵进行比较,得出混沌递归分析是一种流型识别的有效辅助诊断工具.     

Characteristics Extraction of Vehicle State Information Based on Entropy Calculation

A method of extracting and detecting vehicle stability state characteristics based on entropy is proposed. The vehicle’s longitudinal and lateral dynamics models are established for complex driving and maneuver conditions. The corresponding state observer is designed by adopting the moving horizon estimation algorithm, which realizes the observation of the vehicle stability state considering the global state information. Meanwhile, the Shannon entropy is modified to approximate entropy, and the approximate entropy value of the observed vehicle state is calculated. Furthermore, the optimal controller is designed to further validate the reliability of the entropy value as the reference of control system. Simulation results demonstrate that this method can quickly detect the instability state of the system during the process of vehicle driving, which provides a reference for risk prediction and active control.     

Heuristic Reduction Algorithm Based on Pairwise Positive Region

To guarantee the optimal reduct set, a heuristic reduction algorithm is proposed, which considers the distinguishing information between the members of each pair decision classes. Firstly the pairwise positive region is defined, based on which the pairwise significance measure is calculated between the members of each pair classes. Finally the weighted pairwise significance of attribute is used as the attribute reduction criterion, which indicates the necessity of attributes very well. By introducing the noise tolerance factor, the new algorithm can tolerate noise to some extent. Experimental results show the advantages of our novel heuristic reduction algorithm over the traditional attribute dependency based algorithm.