一种基于浓缩树结构的属性约简算法

属性约筒是粗糙集理论的重要研究内容之一,以浓缩树结构存储区分矩阵中的非空数据项,对IReductBtree算法进行了一些改进.它是根据树结构特点结合特殊的启发式策略,删除树中结点,直到树空最后得到信息系统的一个约简.最后,通过一个实例完整演示了该方法证实其有效性.     

基于浓缩树结构的启发式属性约简算法

属性约简是粗糙集理论的重要研究内容之一,对浓缩树结构中属性出现的频率进行加权,以属性频率的权重作为启发,以核为基础,从树中删除属性重要性最大的属性结点,直到树为空;为了找到信息系统的最优约简,在此基础上加了一个逆向消除的过程,直到不能再删为止。最后通过一个实例完整演示了该方法,证实其有效性。     

基于加权浓缩树的粗糙集属性约简算法

针对基于分辨矩阵约简算法中存在冗余元素,从而导致空间存储代价高的问题,提出一种基于加权浓缩树的属性约简算法。该算法可以进一步剔除冗余元素,压缩存储分辨矩阵中的信息,并且在构建树结构的过程当中考虑了属性重要度的影响。实验结果与C-Tree及差别信息树算法进行比较,提出的算法可以获得更优的属性约简结果,有效地降低了空间复杂度。     

一种基于二进制区分矩阵的属性约简算法

提出一种基于二进制区分矩阵的属性约简算法,将传统的区分矩阵以二进制形式表现出来,并且针对这个区分矩阵的特点,从两个不同的层次考察属性的重要性,引导求解过程趋于最优化．采用多个数据库进行试验,并与其它两种约简算法进行比较．实验结果表明,该算法是正确且高效的．     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一。粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则。文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法。该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程。通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程。     

一种基于区分矩阵的属性约简算法

属性约简是粗糙集理论研究的关键问题之一。文章以属性在区分矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。它是以核为基础,加入属性重要性最大的属性,直到不能再加。为了能找到信息系统的最优约简,在此基础上加了一个反向消除过程,直到不能再删为止。最后通过一个实例完整演示了该方法,证实其有效性。     

一种基于区分矩阵的属性约简算法

以属性在区分矩阵中出现的频率作为启发,对HORAFA算法做了一些改进.它是以核为基础,加入属性重要性最大的属性,直到不能再加.为了能找到信息系统的最优约简,在此基础上加了一个反向消除过程,直到不能再删为止.最后通过一个实例完整演示了本方法,证实其有效性.     

一种改进的基于差别矩阵的属性约简方法

粗糙集理论作为一种新型的软计算方法，在数据挖掘方面的应用越来越被人们所重视。利用粗糙集理论进行数据挖掘，得到知识规则，最重要的一点就是基于粗糙集的属性约简。文中在区分矩阵的基础上，改进了计算信息系统属性约简的方法，使属性约简计算量大幅度减小，可以快速得到给定要求下的属性约简。     

一种改进的区分矩阵属性约简算法

属性约简是粗糙集理论研究的关键问题之一。文章以属性在区分矩阵中出现的频率作为启发,对HORAFA算法做了一些改进。提出了HORAFA-AFVDM(HORAFA base on Attribute frequency value of dis- cernbility matrix)算法。它是以核为基础,加入属性重要性最大的属性,直到不能再加。为了能找到信息系统的最优约简,在此基础上加了一个反向消除过程,直到不能再删为止。最后在MATLAB环境下进行了实验,通过比较改进前后两种算法,表明HORAFA-AFVDM算法在属性约简情况和算法运行时间上都比HORAFA算法有明显的改进。     

一种改进的基于差别矩阵的属性约简方法

粗糙集理论作为一种新型的软计算方法,在数据挖掘方面的应用越来越被人们所重视。利用粗糙集理论进行数据挖掘,得到知识规则,最重要的一点就是基于粗糙集的属性约简。文中在区分矩阵的基础上,改进了计算信息系统属性约简的方法,使属性约简计算量大幅度减小,可以快速得到给定要求下的属性约简。     

决策系统属性约简优化算法研究

属性约简是粗糙集理论研究的关键问题,针对求取决策系统所有约简的NP问题,基于差别矩阵提出一种决策系统属性约简优化算法.通过改进差别矩阵得到差别集,在获得核与约简候选信息基础上,以属性频度作为启发式信息,快速有效地求取决策系统的所有约简.分析表明了该算法的可行性与有效性.     

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。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

一种改进的基于属性频率的约简算法

分析HORAFA算法和HORAFA-A算法的不足,给出一种获得最优约简的启发式算法.算法以核属性为初始约简集,以属性频率为启发式信息,选择必要的属性加入约简集.该算法不仅适用于相容决策表系统,也适用于不相容决策表系统;同时,改进了反向消除方法,可以更快速地删除多余条件属性.实验表明,该算法是正确的,并且效率优于HORAFA-A算法.     

基于粒化单调的不完备混合型数据增量式属性约简算法

增量式属性约简是一种针对动态数据集的新型属性约简方法.然而目前的增量式属性约简很少有对不完备混合型的信息系统进行研究.针对这类问题提出一种属性增加时的增量式属性约简算法.在不完备混合型信息系统下引入邻域容差关系.基于邻域容差关系的粒化单调性,提出信息系统属性增加时邻域容差条件熵的增量式更新方法,并提出了不完备混合型信息...     

基于分辨能力指数的属性约简算法

在粗糙集理论研究的诸多方面中,属性约简是其核心问题之一.为寻求高效、快捷的属性约简算法,从粗糙集理论出发,在可分辨关系和对象差异矩阵概念的基础上,构造出"基于分辨能力指数的启发式约简算法".算法采用自底向上的方法,以属性集的核作为求解约简的基础,利用分辨能力指数信息作为属性选取的依据.算法简化了计算,无需生成中间结果,没有增加系统的时空开销.最后,UCI数据集的测试结果表明,启发式约简算法有效、可行.     

一种基于粗集理论的增量式属性约简算法

增量式学习中,当信息系统的对象和决策属性不变而不断增加条件属性时,为了获得该系统的约简属性,一般方法是对决策表中的所有数据重新计算,但这种方法显然效率很低且不必要.在粗集理论的基础上,给出相对区分矩阵和绝对区分矩阵的定义,提出一种新的增量式属性约简算法.通过实例得知:由该算法得到的属性约简与传统算法得到的属性约简结果相同,但该算法不仅降低了时间复杂度而且其分类质量一般要优于原来的分类质量,所以该属性约简具有一定的实用价值.     

一种新的基于二进制分辨矩阵的属性约简方法

对基于二进制分辨矩阵的属性约简算法进行深入研究,分析对比几种典型的属性约简算法的性能。在此基础上提出一种基于二进制分辨矩阵的启发式算法。该算法以矩阵的行与列两个方向的特征作为度量属性重要性的依据,更有可能获得决策表的一个最优约简。实验结果表明,该算法有效地提高了约简性能和识别率。     

基于粒度计算的属性约简算法研究

从粒度计算的角度对粗糙集理论的属性约简进行研究,分别基于代数方法和信息论方法定义了粒度差和粒度熵的概念,并在此基础上提出了两种新的属性约简算法.实验分析表明,这两种可靠有效的粒度计算方法都能得到信息表的最小约简,为进一步研究知识的粒度计算提供了可行的方法.