基于区分矩阵求决策算法的约简

利用区分矩阵的特点，给出了另一种求决策表的属性约简与属性核、决策规则的约简与核的方法，进而给出了一种求决策算法约简的方法，这种方法简单易行，尤其在求决策规则约简时更体现了它的优越性。     

一种基于反区分矩阵的多维关联规则挖掘方法

针对多维数据集的关联规则挖掘,提出了一种基于反区分矩阵的方法.首先由数据集同步得出区分矩阵和反区分矩阵,然后根据区分矩阵进行属性约简,再根据反区分矩阵找出约简后的频繁项集,最后给出关联规则.通过区分矩阵和反区分矩阵将属性约简和关联规则挖掘联系起来,减少了计算步骤,且算法只需扫描数据集一次,避免了繁琐的连接操作.应用实例表明该算法是一种合理有效的关联规则挖掘方法.     

基于区分向量的不完备决策系统属性约简算法

区分矩阵是属性约简的一种有效方法.针对不完备的决策系统,定义了区分矩阵的概念,给出了区分矩阵构造方法,并根据区分矩阵稀疏性的特点,定义了区分向量的概念,在此基础上,给出了一种基于区分向量的不完备决策系统属性约简算法.最后,采用恒星光谱数据,实验验证了该算法的有效性.     

基于区分矩阵的属性约简算法

知识约简是粗糙集理论研究的核心内容之一，在构造区分矩阵过程中，利用命题演算中的吸收法律去掉了在区分函数中不起作用的重复元素，提出了一种属性约简的改进算法ARDM，从而提高了属性约简的效率．     

基于区分矩阵的最小规则挖掘算法

从区分矩阵的概念出发，分析了区分矩阵与属性约简的关系，并在此基础上设计了一种基于对区分矩阵进行缩减的规则挖掘算法。该算法使得规则提取过程相对清晰和简单，当数据量很大时，该算法降低了计算的复杂性．通过实例验证了该算法的有效性．     

一种改进的基于区分矩阵的属性约简算法

根据粗糙集理论讨论了属性约简问题,基于传统的区分矩阵属性约简算法提出了一种改进的约简算法:首先,根据决策表构造区分矩阵;然后,删除区分矩阵中包含核和伪核的项;最后,化简区分矩阵中剩余项得到约简结果.通过对某发动机故障数据进行处理验证了算法的有效性.     

基于粗集理论的教学评估体系优化方法

在教学评估过程中,采用粗集理论的属性约简算法可以优化指标评价体系,剔出冗余指标。该方法根据区分矩阵原理构建属性频率函数,进而分析出关键性指标。算例结果显示,根据选出的5个指标依然有很高的分类质量和分类精度,证明了该方法是可行的。     

不完备信息系统下的一种概率属性约简算法

不完备信息系统中的属性约简一直是粗糙集研究领域的一个难点．在不完备信息系统中，用以往的属性约简算法得到的约简结果中，某一属性要么属于该约简，要么不属于该约简．但在实际生活中，当属性以比较大的概率可区分两对象时，这就表明该属性可能以某一概率属于约简结果．基于这种想法，文中通过构造概率区分矩阵，并在此基础上给出相应的区分函数，提出了一种概率属性约简算法，分析了算法正确性．从该算法得到的约简，可以看出各属性属于约简的可能性．最后用实例表明该算法是有效和可行的．     

一种基于区分矩阵的实值属性约简算法

通过粗糙集理论对一种实值属性约简算法进行了研究,给出了实值决策系统属性约简的算法,并采用UCI中的数据集进行分析,实验结果表明:该约简方法可以选择较少的属性而保持或改善分类能力.     

基于区分矩阵的属性约简算法改进策略

针对大容量数据表构造的区分矩阵过于庞大致使属性约简算法效率低的问题,引入置信度和支持度,提取大型数据库中的高概率事件,重新构造决策数据表,并在构造区分矩阵过程中剔除重复项和包含项,结果使得比较次数减少、存储空间节省、约简效率提高。     

A Method for Data Classification Based on Discernibility Matrix and Discernibility Function

0 IntroductionDiantga .cl Dasesciifsiicoanti otrneies r aengr ie smspioornta,n Bta yperosibalnem claisnsi dfiactaati omnin&-Bayesian network, decision tree[1], neural network andSVM[2 ,3]are the technologies of data classificationin commonnow. They have extensively appliedin machine learning,ex-pert systemandstatistics etc .Inthese methods ,the most tra-ditional method is C4 .5[1]based on information entropy,which had extensively applied in practical problems . But themain problemof this me…     

基于扩展可辨识矩阵的混合决策系统属性约简

经典粗糙集理论的研究对象只能是完备的离散决策系统。为了直接对不完备混合决策系统进行属性约简,因此通过引入邻域关系和限制容差关系的概念对可辨识矩阵的定义进行了扩展,提出了一种基于扩展可辨识矩阵的属性约简算法;该算法可以兼容处理完备与不完备混合决策系统。通过UCI数据集的仿真实验证明了该算法的有效性,最后讨论了扩展可辨识矩阵中的邻域阈值选择对属性约简结果的影响。     

基于差别矩阵的增量式属性约简完备算法

为了解决基于差别矩阵的属性约简完备算法得不到最小约简的问题，提出了一种改进的属性约简方法．该方法将信息论定义的属性重要性作为启发式信息，并通过构造一个条件信息熵算子对差别集合进行运算，同时利用算子来计算候选属性的剔除次序，采用宽度优先搜索策略使约简集合中含有最重要的属性，这样就解决了完备算法约简率低的问题．结合该方法并在分析对象集增量与差别矩阵关系的基础上，证明了增量约简定理，由此提出了一种增量式约简完备算法（CAIR），当新数据加入决策表时，算法可增量构造差别集合．实验结果表明，所提CAIR在大大缩短计算差别集合时间的同时，约简率比非完备算法提高了20．3％，是同条件下完备算法执行效率的13．2倍．     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类，挖掘效率低．为此，本文引入相容关联规则和决策关联规则的概念，提出基于关联规则的缺省规则挖掘算法——DRMBAR，该算法借助FP-tree存储结构挖掘出决策关联规则，并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率，且克服了传统算法依赖于主存的限制，为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。     

基于链表的不完备决策表属性约简算法

差别矩阵作为决策信息系统属性约简的方法是有效的;但空间利用率不高。通过对算法空间利用率及时间效率进行研究,提出基于链表的改进算法;并引入链表的基本运算。该算法通过使用链表的节点存储基于限制容差关系下有效的差别矩阵元素,并在约简过程中通过不断删除不必要的节点以节省时间。通过理论与实例证明其有效性和正确性。     

基于AE-概念格的决策形式背景属性约简

针对AE-概念格, 在属性三支协调下, 提出了保持非冗余规则信息不丢失的属性约简理论。 首先讨论了子背景下的相关性质, 其次定义了属性三支协调决策形式背景中的非冗余规则协调集, 并获得了该协调集的判定定理, 最后给出利用差别矩阵和差别函数得到相应约简的方法。     

基于Skowron分明矩阵的有效属性约简算法

为降低基于Skowron分明矩阵属性约简算法的复杂度,提出了简化分明矩阵及其相应属性约简的定义,并证明了基于简化分明矩阵的属性约简与基于原分明矩阵的属性约简等价.在简化决策表的基础上,定义了一个函数,该函数能度量条件属性在简化分明矩阵中出现的频率,并给出了计算该函数的快速算法,其时间和空间复杂度均为O(|U/C|).用该函数设计了一个有效的基于原分明矩阵属性约简算法,算法的时间复杂度降为O(|C||U|)+O(|C|2|U/C|),空间复杂度降为O(|U|);并用实例证明了算法的有效性.     

不相容决策表属性约简计算的一个可辨识矩阵方法

基于Skowron可辨识矩阵求属性约简的分辨函数方法只适合于相容的决策表,对于不相容的决策表,该方法可能产生错误的结果.对Skowron方法进行改进,提出一个计算不相容决策表属性约简的可辨识矩阵方法,并给出方法正确性的证明.     

基于差别矩阵属性约简算法的改进

利用差别矩阵计算约简的算法,具有直观、易理解和完备性的特点,但也存在一定缺点,差别矩阵中存在大量冗余元素,这类元素的生成和存储将造成时空上的浪费.文章给出的算法在生成差别矩阵时,判断其元素是否冗余,若是冗余立即约去它,从而提高属性的约简效率.实例表明,该算法是正确和有效的。