非完备信息系统的相容类快速计算

经典粗糙集理论是建立在完备信息基础上的,然而现实中,由于各种原因,很多信息系统是非完备的。相容关系是非完备信息系统的核心概念之一,如何高效地计算相容类对提高各相关算法的性能至关重要。针对非完备信息系统中求解相容类计算耗时过大的缺陷,提出了一种求解相容类的快速计算方法。实验结果也进一步表明,该方法能够有效地降低计算耗时,在效率上较现有方法有显著提高。     

不完备文本信息系统的集对分析聚类算法

考虑到实验数据的大规模性及不完备性等特点,根据集对分析理论,提出一种新超图模型不完备文本系统的聚类算法,即在超图边的权重中引入了集对的同异反联系度和集对的相似联系度并建立了超图模型,最后应用超图分隔法进行聚类.该算法克服了传统聚类算法的缺陷,更有效地降低了文本空间的维数,提高了不完备文本信息系统聚类的精度和速度.最后的实例说明了该算法的可行性和有效性.     

基于容差计算的非完备信息系统属性约简算法

对于有缺损值的非完备信息系统约简,多数算法利用容差关系求信息量,但此类算法需消耗大量时间计算容差,导致属性约简质量、消耗的时间及空间复杂度均不理想。为了有效提高求容差类计算效率,引入一个与相容类信息量等价的计算公式。以此为基础,提出一种属性约简算法,使时间复杂度降为O(|C|~2|U|),空间降为O(|C||U|)。最后,通过实例和实验分析并验证了算法的有效性和可行性。     

基于正交非负矩阵分解的K-means聚类算法研究

为提高K-means聚类算法在高维数据下的聚类效果,提出了一种基于正交非负矩阵分解的K-means聚类算法。该算法对原始数据进行非负矩阵分解,并分别通过改进的Gram-Schmidt正交化和Householder正交化加入了正交约束,以保证低维特征的非负性,增加数据原型矩阵的正交性,然后进行K-means聚类。实验结果表明,基于IGS-ONMF和H-ONMF的K-means聚类算法在处理高维数据上具有更好的聚类效果。     

基于不完备标签数据的半监督聚类算法

针对seeded-K-means和constrained-K-means算法要求标签数据类别完备的限制,本文提出了基于不完备标签数据的半监督K-means聚类算法,重点讨论了未标签类别初始聚类中心的选取问题.首先给出了未标签类别聚类中心最优候选集的定义,然后提出了一种新的朱标签类别初始聚类中心选取方法,即采用K-mea...     

基于光谱空间结合的非负稀疏保持嵌入的谱聚类

为了解决高光谱遥感影像的特征融合问题,针对高光谱数据的维数高、信息量繁杂冗余、非线性而且数据量庞大特点,利用图谱理论非负稀疏保持嵌入的降维方法,提出基于光谱空间结合的非负稀疏保持嵌入的谱聚类进行样本的标记算法,有效地利用空间信息和原有光谱信息,提高分类的精度.该算法在引入非负稀疏表示的同时,利用样本的光谱与空间相关信息构建Laplacian图,嵌入投影到低维的子空间,然后再用经典的K均值聚类算法进行分类.算法能够有效保持样本的几何稀疏结构,而且光谱空间信息的结合使得图像的边界像素点得到了更好的分类.     

CIS：一种基于迭代扩张的微阵列数据聚类算法

DNA微阵列技术使同时监测成千上万的基因表达水平成为可能.直接把传统聚类算法用于高维基因表达数据分析会受到＂维难＂的困扰.特征转换和特征选择是两种常用的降维方式,但前者产生的新特征难以用原来的领域知识解释,后者通常会丢失信息.另外,传统的聚类算法通常由用户指定聚类参数,参数设置不同对聚类结果有很大的影响.针对上述问题,本文提出了一种新的基于迭代扩张的微阵列数据聚类算法-CIS.它不采用特征转换和特征选择的方式,并自动确定聚类参数.CIS反复用最新得到的样本聚簇得到新的聚类基因,然后以新的基因聚簇为特征重新聚类样本,逐步求精,最终的结果容易解释且避免了信息的丢失.该方法降低了由于用户缺少领域知识引起的实验误差.CIS算法被应用于两个真实的微阵列数据集,实验结果证实了算法的有效性.     

基于高性能特征选择函数的Web文档聚类算法*

目前常用向量空间模型 VSM(vector space model)表示文档,造成的高维问题制约了其实际应用的效果。采用了一种高性能特征选择函数,在构建VSM时选取对区分类别贡献较大的特征词,因此有效地降低了特征空间的纬度,大大提高了系统的效率,改善了聚类的效果。通过真实数据集上的实验,证明其性能优于传统方法。     

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。     

基于情感倾向特征的文本情感聚类

利用领域本体对产品评论文本中的特征及其评价词进行抽取,并将特征评价词的情感倾向与特征所在句子的情感倾向进行特征表示,得到文本特征矩阵,在此基础上,利用K-means算法实现了文本的情感聚类。为了验证该方法的有效性,在真实汽车评论文本数据上进行实验,结果表明,基于特征的情感倾向表示的权重相比布尔权重和LDA特征权重的聚类结果,在聚类的纯度和F值上有明显提高。     

基于不完备信息系统的粗糙分类研究

基于传统的不分明关系的粗糙集理论是无法处理不完备信息系统的。针对不完备的信息,研究了基于不完备信息系统的粗糙分类的方法,通过实例,有效地分析、处理了含有缺省数据和不精确数据的信息系统。     

基于属性集值不完备信息系统的Rough集方法

论文使用基于一般关系的Rough集理论和方法,研究了具有“属性集值”的不完备信息系统。通过研究由属性集值产生的不完备信息系统上的三种基本关系相容关系、非对称相似关系和拟序关系,建立了相应Rough近似集合的某种“单调”关系。在此基础上,讨论了系统属性约简及其实现算法。     

信息量的不完备信息系统属性约简方法

针对不完备信息系统,提出一种基于信息量属性约简的新方法.该方法对传统的容差关系计算方法进行了改进,并在此基础之上给出了一种新的求核属性的方法.通过判断可以直接得到核属性,这样在计算的过程中大大的降低了属性约简算法的时间复杂度.最后设计了一个新的基于不完备信息系统信息量属性约简算法,通过实例验证了该算法的正确性、高效性.     

基于决策树的不完备信息系统的规则提取方法

规则提取是RST中一个重要的研究方向,本文提出了不完备信息系统的相对正域的概念,通过简单的集合运算就可以求得相对正域;利用相对正域选择决策树的结点,构造一棵决策树,完成对不完备信息系统的规则提取。     

高效的不完备信息系统知识约简算法研究

文章基于粒度和粒度计算的方法,对不完备信息系统的属性重要度和相对于决策属性的重要度做了定义,在此基础上形成了基于粒度方法的不完备信息系统知识约简算法,通过实例证明了这种方法的有效性。文章分析了算法的时间复杂度,并同粗糙集算法进行了对比。     

基于凝聚式信息瓶颈的加权层次聚类算法

提出一种针对面向对象软件架构恢复的基于凝聚式信息瓶颈的加权层次聚类算法(ABWHC)。该算法采用信息丢失度作为相似度度量标准,扩充聚类特征和权值,利用面向对象软件的特性,为实体或簇生成用以描述其含义的标签组。实验结果表明,ABWHC算法不仅能改善聚类的性能,还能恢复面向对象软件的架构。     

基于信息熵的空间对象群聚类算法

针对利用空间关系建立空间对象群聚类的问题,提出一种基于信息熵的空间对象群聚类算法ESOGC。该算法考虑空间数据的复杂性和数据之间的联系,根据邻域范围内信息熵的变化情况,捡起或放下当前空间对象群,从而实现对空间对象群的聚类。实验结果表明,该算法能解决空间对象群中对象类型、对象属性值和对象数量不一致性的问题。     

不完备信息系统的粒计算方法

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．不完备信息系统的直接处理也是粗集研究的一个重要内容．本文结合粒计算的处理方法给出了不完备信息系统的粒表示、粒运算规则和粒分解算法，同时结合粗集中的属性约简问题，提出了不完备信息系统在粒表示下属性必要性的判定条件，并给出了严格的证明．     

基于多阶近邻融合的不完整多视图聚类算法

在实际应用中,聚类多视图数据是一项重要的数据挖掘任务.样本缺失所导致的多视图不完整给聚类任务带来了巨大的挑战.大部分已有的不完整多视图聚类方法主要基于浅层图结构信息,易受到噪声及缺失数据的影响,且难以准确刻画并兼容所有视图的潜在结构,从而降低了聚类性能.为此,提出了一种更为鲁棒和灵活的基于多阶近邻扩散融合的不完整多视图...     

基于近似度的不完备信息系统属性约简

在容差关系下,针对属性集P在分类中的不同个体贡献,引入粗糙集的近似度概念,结合属于/不属于集合Rp(x)的元素贡献的不确定性,定义一种新的知识熵,从而实现基于近似度的不完备信息系统属性约简算法。仿真结果表明,与IEARA算法相比,该算法具有较高的约简效率。