基于权重阈值寻优的案例推理分类器特征约简

为提高案例推(case-based reasoning,CBR)分类器的分类准确率并降低时间复杂度,本文提出了一种基于权重阈值寻优的特征约简策略.首先通过基于数据驱动的方法对特征权重进行分配,得到每个特征的权重结果;其次,设计特征权重重要度阈值的适应度函数,并利用遗传算法对该重要度阈值进行优化搜索,最后根据得到的优化阈值与特征的权重分配情况,删除权重小于该阈值的特征从而完成特征的约简过程.通过对比实验,本文所提策略能够有效提高CBR分类器的分类准确率并降低时间复杂度,表明了权重阈值寻优约简策略的可行性与优越性.验证了本文方法不仅可以降低CBR分类器的时间复杂度,而且能够提高CBR的决策与学习能力.     

基于冲突对象集的决策系统分配约简算法

目前对不一致不完备决策系统的粗糙集属性分配约简研究较少,研究不一致不完备决策系统的分配约简更具有实际应用价值。基于此,提出一种基于冲突对象集的不一致不完备决策系统分配约简方法。通过定义冲突对象集的概念,给出计算核属性集和属性重要性的方法;在此基础上,给出求解不一致不完备决策系统分配约简的算法。理论分析和实例结果表明,该方法显著降低了分配约简求解的空间复杂度,更加适合大规模数据库。     

基于统计占优分析的变异测试

为数众多的变异体产生的高昂测试代价严重影响了变异测试技术在实际程序中的应用.为了大幅度减少弱变异测试中变异体的数量,提出基于统计占优分析的变异体约简方法.该方法首先利用变异前后的语句构造变异分支,并将所有变异分支集成到原程序中,形成新的被测程序;然后,通过统计测试用例对各个变异分支的覆盖信息,确定变异分支之间的占优关系;最后得到非被占优分支集,其对应的变异体就是约简后的变异体.将该方法用于8个程序的测试,结果表明:该方法能够约简平均90%的变异体,从而显著提高了变异测试的效率.     

无线传感器网络中APIT-HR定位算法

针对无线传感器网络(WSNs)中近似四面体内点(APIT)质心定位算法计算复杂度高、定位精度差的问题,提出一种基于RSSI值折半的APIT (APIT-HR)质心定位算法.该算法以未知节点与三角形中的两个锚节点同时感知第三个锚节点的RSSI值进行比较并确定未知节点的存在区域,再以该区域质心作为定位结果.以面积规则和圆交域质心法改善APIT算法中存在的一些缺陷.仿真实验表明:相对于原始的APIT质心定位算法,APIT-HR算法降低了计算复杂度,提高了定位覆盖率和定位精度,定位误差缩小了22.8％.     

一种面向混合数据的模糊等价关系构造约简

基于模糊粗糙集模型构建模糊等价关系是混合数据分析的有效方法之一。针对属性类别多样性的混合型信息系统,提出一种带权的对象间相似性度量方法 ,该方法建立每类属性对应的相似性度量函数,再通过归并确立带权的模糊相似矩阵。在转化为模糊等价关系的基础上,采用加入蕴含专家领域知识及用户需求的约简算法。通过数据库中几个数据集样本对属性约简后的数目、精度进行对比,验证了方法的有效性和可行性。     

基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

影响装配可靠性关键故障源提取方法*

针对产品在装配过程中可靠性低,产品故障频发及故障源多样性的问题,引入信息熵理论,首次提出“可靠度熵”的概念,对影响装配过程可靠性的故障源进行定量分析。建立可靠度熵的综合评判矩阵,结合专家打分法对可靠度熵综合权重进行评价和排序,同时结合客观性强的粗糙集对故障源进行属性约简,提取出影响装配过程可靠性的关键故障源。采取预防及改进措施减少故障源的发生,从而保证装配过程可靠性。以数控磨床的砂轮架为例,验证了上述方法的可行性和正确性。     

基于粒计算与区分能力的属性约简算法?

传统的属性约简方法将整个数据集一次性装入内存,很难适应大数据背景下的数据分析。为此文中提出基于粒计算与区分能力的属性约简算法。该算法运用统计学中的分层抽样技术,拆分原始大数据集为多个样本子集(粒),在每个粒上运用属性的区分能力进行属性约简,最后将各粒约简结果进行加权融合,得到原始大数据集的属性约简结果。实验表明该算法对海量数据集进行属性约简的可行性和高效性。     

基于FRS与GA-ELM的煤与瓦斯突出预测研究

针对煤与瓦斯突出发生内在机理复杂性、致突因素与突出事件之间模糊性导致预测精度不高这一问题,提出将模糊粗糙集理论（FRS）结合改进的极端学习机（ELM）进行煤与瓦斯突出预测。通过FRS信息约简理论降低致突因素原始数据属性维度,提取出致突辅助因素,与主要因素共同作为ELM网络神经元输入,利用遗传算法（GA）对极端学习机网络输入权值、隐含层阈值进行优化,建立GA-ELM预测模型,模型输出为煤与瓦斯突出强度预测结果。经过模型训练和试验验证,该模型泛化能力强、预测精度高、收敛速度明显加快。     

基于经典粗糙集的近似集动态获取方法

信息系统中的数据是动态变化的,根据动态变化的信息系统获取有用的信息,成为数据处理中的关键问题。针对该问题,分别讨论了信息系统中属性增加和减少时,近似集的动态获取方法。通过对信息系统中原有的等价类进行划分,避免了对论域的重新划分,提高了动态更新近似集的效率,通过讨论等价类与原有近似集之间的关系,给出了信息系统动获取之后的近似集与原来近似集之间的相关定理,提出了在经典粗糙集模型中,属性增减时近似集动态获取方法。实验结果验证了该方法的正确性和有效性,而且效率优于原始的方法。