基于粗糙集理论的多标记数据互补决策约简加速算法

互补决策约简是一种多标记数据属性约简方法,当数据规模较大时,其启发式算法的计算耗时较大。基于粗糙集理论,对互补决策约简启发式算法的加速算法进行了研究。当粒度由粗变细时,在逐步去掉正域的数据集上,首先研究互补决策约简中属性外部重要度的保序性质;基于此,通过逐步缩小数据规模来降低计算约简的耗时,提出了互补决策约简加速算法。加速算法不仅减少了属性约简的计算时间,而且能够保持原始算法的约简结果。     

直觉模糊目标信息系统的正域约简

经典的粗糙集理论对直觉模糊目标信息系统不能直接进行知识约简.为此,首先在直觉模糊目标信息系统中引入优势关系,给出了基于优势关系的直觉模糊粗糙集定义;然后将经典粗糙集理论中的相对正域、属性依赖度以及属性重要性等概念推广至直觉模糊环境中,同时证明了直觉模糊目标信息系统的相对正域具有单调性的特征;结合属性的不同特征以及正域约简的定义给出了正域约简的判定定理,从而设计出以属性重要性为启发式信息的正域约简算法,并给出算法的复杂度分析;最后通过数据实验验证了算法的有效性.     

决策信息系统协调性的关系矩阵表示

从矩阵视角研究不完备信息系统的知识表示和属性约简.首先,引入关系矩阵,基于容差关系提出不完备决策信息系统协调性判定方法.其次,利用关系矩阵求正域,并提出属性协调集的矩阵判定定理,从而给出一种保持正域不变的约简的新方法.最后,基于上述框架,给出属性重要性度,进一步提出一种属性约简的启发式算法,并通过分析和实例证明该方法的有效性.     

基于邻域粗糙集的不完整决策系统特征选择算法

针对不完整决策系统属性约简算法时间复杂度较高问题,基于正域不变条件下,决策系统分类能力保持不变原则,提出不完整决策系统前向顺序特征选择算法.该算法从约简集为空集开始,根据在约简集合中加入各属性后对正域影响程度大小将属性降序排列,采用顺序前向搜索,选择当前最佳特征加入特征约简集合,确定最佳特征子集.将该算法扩展到基于邻域...     

区间直觉模糊粗糙集的启发式属性约简方法

属性约简是数据挖掘之中最核心的问题,是任何一个部门决策知识获取的关键技术。基于深入研究模糊粗糙理论、直觉模糊粗糙集理论在属性约简知识方面的研究成果,通过定义区间模糊粗糙集的正域、依赖度与非依赖度等相关概念,提出一种启发式区间直觉模糊粗糙集属性约简方法。结果表明：该方法在知识约简中是可行的,并且相比差别矩阵方法,能有效降低空间和时间复杂度。     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型，然而，该模型目前还未有三支决策方面的相关研究。针对这一问题，提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念，然后以贝叶斯决策最小化代价为基础，推导出了双论域模糊概率关系下决策区域的三元划分，即三支决策模型，最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

融合正域及边界质量的实域属性约简方法

基于邻域关系提出一种综合考虑正域和边界数据的属性约简方法.该方法利用邻域关系对数据进行离散化处理,通过定义基于邻域的正域属性重要度、边界属性重要度和邻域综合属性重要度概念,设计一种新的启发式属性简约算法.该算法从空约简集出发,利用邻域属性重要度启发式搜索属性空间以扩展约简属性集,理论分析和实验表明该算法有效可行.     

多决策模糊信息系统的属性约简

模糊粗糙集是对传统粗糙集的推广,用于处理模糊的数据.将模糊决策信息系统中以划分刻画的决策属性推广到以覆盖刻画.通过利用特征函数将模糊决策信息系统中的以覆盖刻画的决策转化为由0和1组成的形式背景,从而给出多决策模糊信息系统的定义,并且研究了在此框架下属性约简问题.提出了保持正域不变的约简方法,构造了相应的辨识矩阵,并给出了相关判定定理,同时举例子说明了该属性约简方法的合理性和有效性.     

决策粗糙集属性约简:一种局部视角方法

比较于经典粗糙集,决策粗糙集模型将代价问题考虑在内,为粗糙集的属性约简问题带来了新的挑战。尽管已有针对决策粗糙集的一些属性约简方法被提出,但这些约简标准都是基于所有决策类的,约束条件较为严格。为解决这一问题,从局部视角出发,针对单独的决策类提出了Local约简的思想。基于启发式算法求解约简的实验结果表明,相比于面向所有决策类的约简,Local约简可以获得更多的正域规则,同时也能够进一步降低约简中的属性数量。     

基于邻域粗糙集的连续值分布式数据属性约简

为了去除系统中的冗余属性,保持系统的分类能力,研究了连续值分布式数据的属性约简.给出了连续值分布式决策信息系统中邻域粗糙集的定义,讨论了分布式连续值决策信息系统中正域计算的可分解性.以保持分布式决策信息系统的正域不变为前提,探讨了分布式决策信息系统中属性的可约性,提出了分布式连续值决策信息系统的属性约简算法.为了验证该算法的有效性,在7份数据集上进行了3组实验.实验使用提出的算法对分布式数据进行属性约简,进而采用加权集成的方式进行分类测试.实验结果表明,该算法能够有效去除连续值分布式数据中的冗余属性,使得约简后的连续值分布式数据的集成分类能力与约简前相差不大.甚至更高.     

基于属性分辨度的不完备决策表属性约简算法

针对现有不完备决策表属性约简算法复杂度较高的问题,提出了基于属性分辨度的属性约简算法.文中分析了不完备决策表中条件属性相对于决策重要性的外在表现,提出了属性分辨度的概念,并给出了属性分辨度随着约简属性集的变化而动态更新的计算方法.该算法在属性约简过程中会不断删除已经属于正域的对象或不影响正域计算的相容块,通过降低样本数据的规模来减少计算耗时,加速属性约简.理论分析和仿真实验表明,文中算法是有效的,并且算法复杂度优于现有的不完备决策表属性约简算法.     

基于优化模型的直觉模糊三支群决策方法

针对直觉模糊三支群决策模型的概率阈值难以确定的问题,基于优化模型,提出一种确定直觉模糊三支群决策模型概率阈值的新方法,进而获得直觉模糊三支群决策知识.首先根据经典三支决策模型概率阈值的实践语义,分别构建两个线性规划模型,并通过KKT(Karush-Kuhn-Tucker)条件导出模型的最优解,其解表明:通过构建优化模型确定经典三支决策概率阈值的方法是可行有效的.进一步,将此方法拓展到直觉模糊三支群决策模型的概率阈值确定中,建立两个非线性优化模型,并证明了模型最优解的存在性.然后,采用LINGO软件对模型进行求解,并获得直觉模糊三支群决策模型的概率阈值及其决策知识,在此基础上提出一种基于优化模型的直觉模糊三支群决策方法.最后,通过算例分析说明所提出方法的可行性和有效性.     

基于粗糙集的分布式集值数据属性约简

有许多文献针对集中式集值决策信息系统进行了研究,但还没有针对分布式集值决策信息系统方面的研究。主要讨论了分布式环境下集值决策信息系统的属性约简问题。从概率角度给出了集值对象的相似性度量,定义了分布式集值决策信息系统中的粗糙集模型;以保持系统正域不变为准则,分析了分布式集值决策信息系统中子决策表和属性的可约性;随后,给出了分布式集值决策信息系统中属性对于系统可约的2个判定条件,并采用后向搜索策略提出了相应的属性约简算法;为了验证该方法的有效性,在5份数据集上进行了50组实验。实验结果表明,提出的方法可以在保持分布式集值决策信息系统分类能力基本不变的情况下约简掉冗余的属性。。     

区间值序决策表的条件熵属性约简

由于数据自身的不确定性和观测条件有限，现实问题中许多数据以区间值形式呈现。其中，优势关系下的区间值信息表研究对于多属性决策问题有重要意义。目前针对该系统的属性约简方法主要是辨识矩阵法或基于互信息的增量式约简，但前者计算效率较低，而后者没有利用到决策信息。文章探讨了条件熵作为不确定性度量在该系统下的性质，通过比较不同属性缺失时信息系统的条件熵变化，引入了属性重要度概念，基于此提出启发式属性约简算法。最后，通过对比实验验证了本算法具有低冗余的特点，在约简率上比基于粗糙熵和正域不变等序信息系统的启发式约简。     

基于模糊粗糙集和蜂群算法的属性约简

为获取连续属性数据集的最小属性子集,提出一种基于模糊粗糙集和人工蜂群算法的约简方法。首先由边缘蕴含算子和t-模给出集合的模糊粗糙近似,以下近似构建模糊粗糙正域,并据此确定决策属性对条件属性集的依赖度,然后通过依赖度和约简率构建能够反映属性集大小和重要性的目标函数,将属性约简问题转化为优化问题,最后以目标函数为迭代准则,利用人工蜂群优化算法完成数据集的属性约简。仿真结果表明:该方法在不降低分类正确率的同时,可以有效降低属性维数。     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

区间值决策系统的特定类β分布约简

属性约简是粗糙集理论的重要研究方向之一,区间值决策系统的β分布约简保持约简前后对应的β分布不变。在实际需求中,属性约简通常只需要关注某一决策类而非所有的决策类,本文在区间值决策系统中的β分布约简基础上提出了基于特定类的β分布约简理论框架。首先,定义了特定类的β分布约简基本概念,然后构造了特定类的β分布约简差别矩阵,最后提出基于差别矩阵的特定类β分布约简算法。在实验中,采用6组UCI数据集分别在全类算法和特定类算法进行约简结果和约简效率的比较。结果表明,本算法约简结果能保持关于特定类对应的β分布约简前后不变,特定类算法的约简长度小于等于全类算法的约简长度,且算法效率高于全类算法效率。     

基于改进扩展正域的属性核与属性约简方法

指出了不相容决策表中存在的正域扩展方法的不足,基于决策表局部最小确定性与条件属性对决策的最小确定性程度,构建了一种改进的扩展正域方法。基于改进的扩展正域方法,提出了计算不相容决策表中认知属性核和认知属性约简的算法。实验结果表明了本文方法的有效性。     

基于优化模拟退火算法的智能决策模型

决策理论在工业生产、管理决策、安全生产等越来越多的领域得到广泛应用,已经成为越来越多的研究者研究的重要课题。三支决策粗糙集模型作为一个重要的概率型粗糙集模型,在给定损失函数情况下可以导出多种概率型粗糙集模型,针对决策粗糙集模型构建的最优化问题,考虑到决策成本最小化,提出一个优化的模拟退火算法和启发式算法,从而得到代价最小的属性约简集,研究阐明了一种将粗粒度并行优化方法和启发式学习方法结合,解决粗糙集决策优化问题。实验证明提出的模拟退火的优化DTRS模型算法具有良好的有效性,运行时间也短于自适应算法,而且学习到的阈值能够得到较小的决策风险代价。研究揭示了优化表示带来的一些新的见解,对决策粗糙集模型的研究提供了新的思路。     

基于决策表的粗糙集属性约简算法改进及应用

针对决策属性集合中只存在两个决策集合的情况,为简化决策属性的表达和计算复杂度,提高约简效率,提出一种改进粗糙集决策表的属性约简算法。该算法以条件属性对决策属性的支持度为基础,采用新的约简规则,基于可分辨矩阵的启发式算法,根据属性重要度改进属性约简算法。以高新技术企业智力资本测量指标体系为例,得到了高新技术企业智力资本的最小约简集。结果表明,该约简算法能够得到一个完备的最小约简集,并能显著提高求解约简集的效率。