基于信息论的连续属性离散化

使用信息论的方法进行连续属性的离散化．引入Hellinger差HD（Hellinger Divergence)作为每个区间对决策的信息量度量，从而定义切分点的信息熵，最终的离散化结果是使各区间的信息量尽可能平均．分析了HD度量在两种离散化方法中的作用，说明它在划分算法中运用比较理想，而在归并算法中则有局限．     

连续属性值的整体离散化

给出一种基于超立方体聚类的连续性值整体离散化方法。该方法先对训练例子进行超立方聚类,然后通过聚类区域在每个连续属性轴上的必要投影区间推导出每个连续属的离散化划分点。实验表明本方法不有显著减少散化划分点和归纳规则数,而且能提高分类精度。     

用于连续属性离散化的RSE-Chi2方法

为解决基于卡方统计量离散化方法在处理未知数据特性时的参数难确定问题，提出了一种基于粗糙集方法的自动离散化方法.该方法根据粗糙集理论对知识不确定性和属性重要性的分析，利用粗糙集方法处理数据不需要先验知识的特点，以基于最小描述长度原理的决策系统信息熵作为离散化过程的评价函数，并由属性断点平均重要性确定多连续属性的离散化顺序，构建了自动的离散化方法RSE Chi2.实例测试表明，该方法性能良好，能根据样本数据本身的特性，自动协调拟合和预报精度，不需要先验设定显著性水平和不一致率等参数，离散化结果更为精简,所建决策树分类模型具有较好的预报性能.     

基于信息熵的粗糙集连续属性多变量离散化算法

属性离散化能够降低问题的复杂度,得到更加简短、精确且易于理解的规则。针对现有离散化方法在选择断点时没有考虑属性间和属性内断点的互斥性且不能保证保持决策表的不可分辨关系,本研究提出一种新的基于信息熵的粗糙集连续属性多变量离散化算法(PAD)。它以信息熵作为选择断点的衡量标准,以不可分辨关系为停止标准并引入5条断点预选确选策略。实验结果表明,引入断点预选、确选策略的PAD算法与Ros-tta软件中的5个离散化算法相比,具有较高的预测精度和较少的断点数目。     

粗糙集理论中基于属性重要性的离散化方法

连续属性离散化一直是机器学习领域中亟待解决的关键问题之一。目前已有许多离散化方法,存在的主要问题是断点集的选取带有很大的主观性,导致大多数的离散化算法难以得到较满意的离散效果。分析了当前研究中常用的离散化方法,提出了一种基于属性重要性的离散化方法,利用遗传算法,把最小断点集作为优化目标,利用遗传算法,以属性重要性构造适应度函数,保证了原决策系统的不可分辨关系,避免了决策表信息的损失,所得结果相对来说比较客观。     

基于分区和分区重组的多不良数据辨识

在电力系统状态估计中,存在多个相关不良数据时,对不良数据的辨识就会比较困难,本文通过对电网分区,对不良数据进行了检测,对于存在不良数据的区域,通过区域的重组对不良数据进行了辨识。解决了存在多不良数据时的不良数据辨识问题,使得存在多个不良数据时不良数据辨识及状态估计结果的可靠性大大提高。     

基于离散数据的等高线绘制

通过对常用的4种DTM(Digital Terrain Model)建模方法进行分析,选取不规则三角网方法对离散数据进行建模。具体方法是距离最短和角度最大原理,以此保证不规则三角网的正确性和唯一性。在形成不规则三角网的基础上,根据等高线的高程值,对不规则三角网进行遍历,确定等高线穿过的三角形,并且确定等高线在所穿过三角形中的位置,用多点直线依次进行连接,形成等高线,并利用VC 进行程序实现。     

粗糙集理论中一种属性离散化算法

针对定量属性离散化制约粗糙集理论应用这一关键问题，利用分级聚类法和粗糙集理论中依赖度的概念，提出了一种对决策系统中条件属性进行离散化的增类减类算法，实现了决策系统的属性约简。该算法易于理解，计算简单，以实例说明了算法的合理性和有效性。     

离散化的 Newton-Moser 型方法的单调收敛性

文中给出Ｎｅｗｔｏｎ－Ｍｏｓｅｒ型方法的修正格式。     

离散化Newton—Moser型方法的单调收敛

本文给出Ｎｅｗｔｏｎ－Ｍｏｓｅｒ型方法的修正格式。     

Heuristic Genetic Algorithm for Discretization of Continuous Attributes in Rough Set Theory

1 Introduction Intelligent information processing is a research hotspot in information science. However, knowledge acquisition is a bottleneck in intelligent systems. Pro- posed by Pawlak in 1982[1], the rough set theory (RS theory) is based on a classification mechanism and regards knowledge as partition over data using equi- valence relationships in a given domain. The RS is a tool to deal with expressing, studying and reasoning of incomplete data and imprecise knowledge, which has been wi…     

一个机器学习定量属性的定性方法TCIN

提出一个连续属性离散化方法ＴＣＩＮ，它首先使用自然划分法对区间进行划分，然后使用ＫＮ－近邻估计，利用基于最小错误率的Ｂａｙｅｓ决策寻找划分点进一步离散化连续属性，该方法获得了很好的结果，本文最后给出了ＴＣＩＮ与另一连续属性离散化ＭＤＬＰＣ的比较结果，实验结果表明了ＴＣＩＮ的精确度高于ＭＤＬＰＣ。     

连续非线性制导律离散实现的二分寻优法

研究了非线性制导律离散实现的二分寻优法，用该方法获得的离散制导律适合于导弹在大气层外飞行。     

连续变量函数全局优化列队竞争算法

采用确定型计算策略,提出了一种新的群体搜索算法列队竞争算法,用该算法解典型的测试函数时结果表明该算法具有在复杂搜索空间内迅速搜索到最优解的能力,表现出了极其优秀的特性.     

一种非线性非仿射输入连续系统离散方法

针对非线性非仿射输入连续系统提出了一种离散方法,该方法基于泰勒级数、scaling andsquaring技术（SST）和一阶保持假设。对提出的非线性系统离散方法的数学结构进行了研究。在此基础上,利用该方法可得到非线性连续系统的离散模型。当采样周期增加时,为得到足够精确的离散模型,泰勒级数的阶数必须相应增加。但增加泰勒级数的阶数将大大增加解算的负担。通过利用SST技术推荐的离散方法可在大采样周期的情况下,在不过大增加计算负担的基础上,取得好的离散结果。针对典型非线性系统的仿真被用于验证该离散方法的有效性。     

粗糙集中离散化算法的研究

对目前粗糙集的离散化算法进行了分类讨论,重点分析了基于信息熵的离散化算法的理论基础以及实现步骤,并就该算法对于同一属性在不同样本数据集上的应用情况进行了分析.实验表明,该算法对于部分属性具有数据敏感性,当选择这些属性作为依据时会影响系统的决策能力.     

基于模拟退火的全局优化算法

针对优化问题中的多极值的现象 ,提出了基于有记忆模拟退火的全局优化算法。并针对不同的设计变量 ,采用了不同的邻域产生方法。在分析算法性能的基础上 ,分别对连续变量和离散变量优化问题的工程实例进行了求优 ,结果表明该算法具有较高的计算精度和适应性。     

基于案例的自主式水下机器人全局路径规划的学习算法

首次讨论了基于案例的学习方法在自主式水下机器人全局路径规划中的应用问题,基于案例的学习方法是一种增量式的学习过程,它根据过去的经验进行学习及问题求解。本文对基于案例的学习方法在自主式水下机器人的全局路径规划中的应用框架进行了初步研究,对案例属性的提取、案例的匹配和择优以及案例库的更新等问题提出了相应的算法,最后给出了几组仿真结果。     

一种全局最优的多基阵声纳数据融合方法

优化分布式检测系统性能的方法和算法很多,但是,这些方法或是优化传感器的判决规则或是优化融合中心的融合规则,而不是两同时优化。本提出了一种同时优化传感器判决 融合中心融合规则的全局优化算法,它扫描所有可能的解,找出在Ｎｅｙｍａｎ－Ｐｅａｒｓｏｎ意义上的最优解,该算法应用于具有三部声纳的分布式检测系统,获得了满意的检测性能证明了算法的有效性。