基于Rough Set理论的一种属性值约简算法

属性值的约简是Rough Set理论的核心内容之一。它的口的就是在保持规则集的分类能力的条件下,删除多余属性值,进一步简化规则集。从而,得到最小的知识库。本文针对Rough Set理论中值约简这个重要问题进行了研究,提出了一种利用决策规则质量的属性值约简算法。该算法比现有的值约简算法更简化,并用实验证明了其有效性。     

基于精集理论的决策系统简化方法

决策系统的约简是Rough集理论的核心内容之一,本文提出了一种决策表约简的算法。该算法通过构造一个差异表,不需要对决策表中的记录进行逐条考察,在从差异表中选出重要属性同时也抽取该属性的对对象分类起决定作用的属性值,最后得到原决策系统的简化形式。与传统的约简算法相比,具有更低的复杂性。     

不一致决策表的值约简方法

对目前求不一致决策表最简规则方法存在的问题进行了分析,提出了一种构造区分矩阵的方法,能更好地适用于多决策属性存在的决策表中.借助区分矩阵进行值约简,提出了一种新的规则提取算法.利用属性的重要度来描述条件属性所提供的知识对决策表的影响程度,引入规则准确度来衡量算法是否造成决策表的新的不一致规则.该算法不会破坏决策系统中一致规则和不一致规则所蕴含的信息量,保持约简前后规则的准确度不变.     

新的决策表约简模型下的一种增量算法

新的约简模型将满足平均决策强度条件的最简规则集作为最终的约简结果,解决了不相容决策表约简结果不一致的问题。当前迫切需要解决的问题是,面对动态变化的决策表,如何高效地调整决策表的约简结果。文章提出了一种在新的约简模型下增量算法,该算法能根据决策表新增样本与原有的最简规则集的关系,快速推出新决策表的满足平均决策强度条件的最简规则集。     

一种基于辨识矩阵的启发式属性值约简新算法

属性值约简是Rough Sets知识约简的核心内容之一.针对经典算法存在的不足,对属性值约简的本质及过程进行了深入研究,在此基础上构造辨识矩阵,提出了一种启发式的属性值约简新算法,并对其正确性进行了分析和证明.实验表明该算法有效可行,不仅可以得到更加简练的决策规则,而且不破坏决策系统中不一致规则所蕴含的信息量,弥补了经典算法的不足.     

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。     

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。     

基于数据库系统的Rough集模型的扩展

针对基于数据库系统的Rough集模型中的知识约简算法对一致决策表适用,而对不一致决策表不适用的局限性,给出了将不一致决策表转换为一致决策表的算法,证明该算法能保持核和约简集合不变,并分析了该算法的时间复杂度,在此基础上,利用数据库系统的集合操作和SQL语言描述转换算法,将基于数据库系统的Rough集模型中的知识约筒算法扩展到不一致决策表．理论分析和实验结果表明,扩展后的算法仍是高效的．     

基于Rough Set的属性值约简算法研究

从逻辑的角度分析了属性值约简的本质及过程,在此基础上构造辨识矩阵,提出了一种基于Rough set的属性值约简新算法,并对此进行了证明。该算法比以往的算法更简便、直观,易于编程实现,也更易从本质上理解属性值约简的实质及过程,并且算法不破坏决策系统中的不一致规则所蕴含的信息量。实例分析表明该算法是有效可行的。     

基于Rough sets和Fuzzy sets理论的约简算法

对决策表约简的一些rough sets和fuzzy sets相关概念进行了阐述.在应用Rough集对决策系统进行约简的基础上,结合模糊聚类分析方法,论述了这一可行的决策表约简算法.该算法以属性核与属性重要性的代数定义形式为基础,利用聚类分析的模糊处理方法,解决了约简过程.并给出了对一电器公司全国连锁销售数据约简处理结果,得出了能帮助不同级别决策者进行决策的辅助性的规则知识.     

一种新的决策粗糙集启发式属性约简算法

属性约简是粗糙集理论中最重要的研究内容之一。在决策粗糙集中,学者提出了多种属性约简的定义,其中包括保持所有对象正决策不变的约简定义。针对该约简定义,为了高效地获取约简集,设计了一种启发式函数 ——决策重要度,这种启发式函数根据每个属性正决策对象集合的大小来定义其重要性,正决策对象集合越大表示重要性越高,由此构造了基于决策重要度的启发式属性约简算法。该算法的优点是通过对属性决策重要度的排序,确定了一个搜索方向,避免了属性的组合计算,减少了计算量,能够找出一个较小的约简集。实验结果表明,该算法是有效的,能够得到较好的约简效果。     

基于包含度的决策表属性约简算法的研究

粗糙集理论是一种有效的信息处理工具,决策表属性约简是粗糙集理论研究的一个核心内容。利用RoughSet理论的相关知识,提出了一种基于包含度的决策表属性约简算法。与现有的决策表属性约简算法进行比较,它具有较低的复杂度和较强的可使用性。最后对UCI机器学习数据库中的例子进行约简的实验结果证明,它可以取得比较满意的效果。     

基于可辨识布尔矩阵的协调决策表的属性约简

将条件属性分成核心属性、相对必要属性和绝对不必要属性,给出协调决策表的快速属性约简算法。提出协调决策表的可辨识布尔矩阵和布尔矩阵的初等行变换的概念,建立属性约简的数学模型。用布尔矩阵的初等行变换把可辨识布尔矩阵化为最简矩阵,给出通过可辨识布尔矩阵和最简矩阵判定3种条件属性的3个充分必要条件以及一种新的属性约简算法。     

一个关于特殊决策表的处理方法

在实际情况中,为了体现对象的模糊性和在决策中的重要性,往往给每个对象赋以隶属度和权重,这类对象就构成了一个特殊的决策表。对此类决策表进行了研究,给出了相关的粗糙集模型、定义、定理,并在此基础上提出了一个属性约简算法。最后用实例验证了所给粗糙集模型以及属性约简算法的可行性。     

基于改进的Wap算法的Web序列模式的研究

基于不完备决策表的属性约简定义有多种,现研究基于知识粒度的属性约简。研究发现,差别矩阵是一种较好的设计属性约简算法的方法。为此,定义了一种粒度差别矩阵和基于该差别矩阵的属性约简,并证明了该差别矩阵的属性约简定义与基于知识粒度的属性约简定义等价。在此基础上,设计了一个新的基于信息量的不完备决策表的属性约简算法,其时间复杂度得以降低。     

基于粗糙集的一种属性值约简算法及其应用

阐述粗糙集理论的基本概念,并且对属性约简和值约简算法进行研究,提出了一种基于粗糙集的属性值约简算法.通过实例介绍该算法的应用.研究表明,该算法不仅能得到最佳的决策规则,而且能够大大降低信息系统所需的存储空间,该算法可以解决各种有关的实际问题.     

基于数组的增量式属性约简研究*

为了在动态变化的决策表中,快速方便地获得新的属性约简,利用数组元素对差别矩阵中的属性组合进行计数,提出一种基于数组的增量式属性约简更新算法。当决策表动态变化时,根据数组元素的取值变化,获得差别矩阵中增加和减少的元素,依据这些元素更新原属性约简,快速得到新的最小属性约简。理论分析及实例验证了提出的算法是有效的。     

基于扩展的信息熵的决策表属性约简算法

从一种扩展的信息观的角度出发,讨论了Rough集理论的信息论观点。提出了一种基于扩展的信息熵的决策表核属性计算算法．并设计了以属性重要性为启发信息的自下而上的决策表属性约简算法EIEAAR。同时针对不一致表,将属性对不相客对象的包含值作为第二标准选择属性以加快约简速度。EIEAAR算法能处理一致和不一致决策表,并将核属性计算和非核属性约简统一起来。最后,对算法进行复杂度分析并用实例验证算法的有效性。实验表明该算法能有效得到决策表的最小约简。     

扩展正区域的属性约简方法

扩展了Rough集正区域和边界的定义,在得到信息系统最大正区域的前提下,给出了认知正区域、认知属性核和认知属性约简的定义,并给出了从经典属性约简到认知属性约简转换的高效算法。此外,在认知正区域的定义下,由于决策表的不相容性,在变精度模型下实现属性约简的增量处理是相当困难的,结合提出的高效算法,解决了这一问题。最后,仿真实验说明了算法的有效性。     

一种快速的Rough集属性约简遗传算法

遗传算法适合复杂问题的处理因此可用于属性约简的求解.目前利用遗传算法进行属性约简的主要不足是:适应度函数计算复杂,效率不高.尤其在处理大型决策表时,计算时间将大量聚集在适应度函数的计算上,从而导致算法性能下降.为了更快的计算适应度函数,在研究基于正区域的区分对象对集的基础上,设计了一种计算适应度函数的快速方法.利用启发信息设计了一种快速的属性约简遗传算法.通过实例分析和算法实验表明该算法能够高效求出决策表的属性约简并且适合处理大型决策表.