基于信息熵的粗糙集连续属性离散化算法

该文提出了一种新的粗糙集连续属性离散化算法．首先对每一个候选断点定义了信息熵，以此作为对断点重要性的量度，在此基础上给出了断点选择的粗糙集连续属性离散化算法．最后采用多组数据对此算法的性能进行了检验，并与其它算法做了对比实验．实验结果表明此算法是有效的，而且当候选断点个数增多时仍有很高的计算效率．     

用粗糙集理论建立决策树的一种方法

在数据挖掘中，分期是一个很重要的问题，有很多流行的分类器可以创建决策树木产生类模型。本文介绍了通过信息增益或熵的比较来构造一棵决策树的数桩挖掘算法思想，给出了用粗糙集理论构造决策树的一种方法，并用曲面造型方面的实例说明了决策树的生成过程。通过与ID3方法的比较，该种方法可以降低决策树的复杂性，优化决策树的结构，能挖掘较好的规则信息。     

基于粗糙集和神经网络的联合模式识别系统

提出了一种划分属性离散区间的新方法．针对这种划分，提出一种约简和去噪的方法．随后，建立了粗糙集和LVQ神经网络的联合模式识别系统．最后，比较了用该系统和仅用神经网络进行识别的效果，证明了该方法的有效性．     

加入信息增益比的矿井塌方风险决策模型仿真

矿井各区域会发生结构承压改变,区域差异较大,对塌方的贡献程度也不同,不同局部对塌方的贡献很难准确量化.当前的压力监测模型多是采用同一压力阀值系数进行监测,没有考虑矿井下不同区域承压给塌方风险带来的正向影响和区域之间的承压关联性,很难形成科学的决策.为解决上述问题,提出了一种加入信息增益比的矿井塌方风险监测技术,分析了矿井中不同区域承压数据的产生与处理,使用信息增益比做为决策树属性分裂的衡量指标,对传统的模型进行优化.实验证明,改进方法能够将传统矿井塌方风险监测的准确率大幅度提高,对实际的矿石开采提供有效指导.     

基于改进AdaBoost的快速人脸检测算法

针对传统AdaBoost用于人脸检测时需要的特征数目多,检测速度慢的问题,提出一种基于改进AdaBoost的快速人脸检测算法。一方面,提出使用双阈值的弱分类器代替传统的单阈值弱分类器,提高单个特征的分类能力;另一方面,引入信息熵作为特征相关度的度量方法,在特征选择时每一轮循环中只选择与已选出特征相关度较低的特征,从而减少特征之间的冗余信息。实验结果表明,相对于传统AdaBoost人脸检测算法,该方法使用较少的特征即可达到较高的检测准确率,检测速度得到显著提高。     

基于网格和信息熵的多密度聚类算法

虽然现有的很多聚类算法能发现任意形状、任意大小的类,但用于多密度的数据集时却难以取得令人满意的结果。为提高对多密度数据集的聚类效果,提出了一种基于网格和信息熵的多密度聚类算法,它通过不同密度的网格所携带的信息熵,自动计算出密度阈值,找出在多密度数据集中不同的类。实验证明,该算法能有效的去处噪声,发现多密度的类,具有较好的聚类效果。     

一种非线性新相关信息熵定义及其性质、应用

在研究了相关信息熵和HPal熵的基础上,提出一种以特征值代替事件发生的概率且以e为底的指数函数形式的改进的非线性新相关信息熵概念.在对有限集最大划分的条件下,推导并从理论上证明了该信息熵的若干性质,这些性质满足香农熵的基本性质.新相关信息熵是一种度量多变量、非线性系统的相关性程度大小的标准.作为多变量之间相关关系的不确定性度量,变量问的相关程度越大,对应的新相关信息熵值越小.新相关信息熵的提出有助于信息融合并为相关分析理论的研究提供了一种新方法和新思路.新相关信息熵和相关信息熵的应用实例结果对比说明新相关信息熵是一种有效且有用的度量非线性系统不确定性的方法.     

基于信息熵的抽样特性曲线性能评价

抽样特性分析是质量检验中的一个重要组成部分,现行质量检验方法体系中,缺乏对质量特性曲线优劣的定量评价指标,只能进行抽样方案的单因素比较.本文提出了一种抽样特性曲线的评价指标--信息熵评价指标.将计数一次型抽样特性的信息熵评价方法进行了仿真实现,仿真结果表明了基于信息熵的抽样特性评价方法是有效可行的,它使得定量度量抽样特性的灵敏性成为可能,并可对抽样方案进行多变量的联合定量评价.     

相容RS理论中的属性约简算法

1.引言 Skowron等提出的相容RS理论是经典的RS理论的推广,它用相容关系(tolerance)代替原来的不可分辨关系(indiscernibility),可以发现属性值之间的相似性、滤除属性值之间的微小偏差,提高系统决策的鲁棒性和决策效率。Duntsch、Gediga等从信息论的角度建立了粗糙集理论中的知识与信