基于冲突域渐减的属性约简算法

针对因决策表中存在不一致对象造成的约简求解错误,同时为了进一步提高约简算法求解效率, 首先,给出简化决策表的定义,并证明了简化决策表的核属性和属性约简与原始决策表的核属性和属性约简是等价的. 然后,提出冲突域的概念,分析冲突域的性质,以冲突域中冲突对象个数的变化为度量依据, 研究核属性和属性重要性的性质,同时设计相应的核属性和属性重要性求解算法;在此基础上, 设计基于冲突域渐减式属性约简算法,算法的时间和空间复杂度分别为O(|C|²|U/C|)和O(|U|). 最后的实例和实验结果表明该方法是正确的,高效的.     

一种基于新的条件信息量的属性约简算法

为了获得决策系统中更好的相对约简,讨论了属性约简与条件信息量的关系,提出了新的条件信息量,由此定义新的属性重要性。统一了一致决策表和不一致决策表属性约简方法,以新的属性重要性为启发信息,给出了计算新的条件信息量的高效算法。理论分析和实验结果表明,与现有的基于条件信息量的约简算法相比,该算法时间复杂度较低,同时约简后的属性数目更少。     

基于距离图的决策表简化方法

首先给出知识表达系统及决策表的距离图的概念 ;随后 ,借助距离图的性质 ,得到一种知识表达系统相容性判定与求核的方法 .特别地 ,这种方法可用于决策表相容性判定及条件属性核的求解 .最后 ,建立了一个利用约简决策表的距离图求决策规则的核值及最小决策算法的算法框架 .     

一种新的决策表属性约简算法

结合模糊聚类技术与粗糙集中属性重要性思想,对同时含有连续、离散、序数型条件属性的决策表,提出一种属性约简算法,并对算法的时间复杂度进行了分析.该方法首先利用聚类技术将决策表的对象按条件属性进行分类,然后对去掉某属性后的决策表采用同样的方法进行聚类,再结合粗糙集理论进行属性约简.实例说明了该方法的合理性和有效性.     

基于信息量的不完备信息系统属性约简

通过引入信息量和条件信息量,对不完备信息系统中属性的重要性进行了定义;针对不完备数据表和不完备决策表提出了一种基于信息量和条件信息量的属性约简启发式算法,该算法的时间复杂度是多项式的.通过实例说明,该算法能得到信息表的约简和决策表的相对约简.     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.     

基于区分矩阵与强等价集的启发式知识约简法

提出了基于区分矩阵与强等价集的启发式知识约简方法。在决策表的相对约简过程中采用区分矩阵来表达知识,并利用区分矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。同时利用属性加权频率和强等价集概念化简区分矩阵,既减小了计算复杂度又提高了约简效率。现已证明,寻找决策表中最小相对约简问题是典型的问题,采用该算法在大多数情况下能够找到最小约简,即使在未找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速、有效的方法.     

有约束指导的粗集决策表属性约简算法

粗集理论通过对原始决策表的约简获取规则知识,其核心部分是属性约简.本文在结合两种基本属性约简算法优点的基础上提出了有约束指导的属性约简算法,并给出了算法的详细步骤.该算法通过专家经验的约束指导避免了对属性之间随机组合情况的搜索,可以提高求解速度.仿真试验验证了该方法的有效性和优越性.应用该算法处理一组生产调度数据以获取调度规则,结果显示能较好的与生产实际相吻合,这进一步验证了算法的实用性.     

一种基于条件熵的增量核求解方法

分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理. 并在此基础上提出了一种新的增量核求解算法. 该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核. 实例证明了该算法的有效性.     

一种基于分明矩阵的启发式知识约简方法

提出了基于分明矩阵的启发式知识约简方法。在决策表的相对约简过程中采用分明矩阵来表达知识,并利用分明矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。现已证明,寻找决策表中最小相对约简问题是典型的NP hard问题。所提供的算法在大多数情况下能够找到最小约简,即使在没找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速有效的方法     

含冲突的决策表中的决策规则发现

基于Rough集理论中的可辨识矩阵，讨论包含冲突样本的决策表中的决策规则及其可信度和支持度因子，提出决策规则的发现算法，算法通过删除决策表的核属性来引入新的冲突,以获取具有更高适应度的决策原则，最后用实验结果证明算法的可行性。     

基于可变精度粗糙集的多决策表分析方法

针对可能存在分类误差缺失信息的群体分类决策问题,提出了一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。该方法通过控制决策者的分类误差率,群体分类一致率及反对率,将多个决策表中符合条件的信息汇集,形成群体分类模式表,然后根据每种分类模式在不同分类误差率和群体一致率下得到支持和反对的频数,得到群体分类模式集合的下近似,即群体分类偏好。给出了应用该方法的具体步骤,算例验证了该方法的有效性。     

不一致决策表中规则提取的矩阵算法

由于数据采集能力不足等原因,决策表通常都不是一致的。如果将不一致的对象完全删除,则丢失了大量隐含在这些对象中的信息。针对不一致决策表,在分配约简、分布约简和最大分布约简的定义基础上,通过定义相应的决策矩阵并比较它们与条件属性矩阵的关系,得到提取信息系统的所有分配规则、分布规则和最大分布规则的矩阵方法。该方法的优点是直观有效,能获得所有规则,并同时得到相应的约简。     

粗集在数据开采中的应用

从数据库或数据仓库开采有用的知识，是辅助决策的有效手段，粗集作为一种新的软计算方法，是处理不确定、不完全数据的有效方法，它可以克服其他软计算方法的不足，并且和它们具有较强的亲和力，所以粗集理论得到了广泛的应用，尤其是数据开采领域巳成为研究的热点，论文就粗集在数据开采中的几个重要问题进行论述，包括决策表的约简、不完全决策表的处理，连续值的离散化、基于粗集数据开采的递增算法以及粗集与其他软计算方法的集成等几个前沿问题，同时指出了问题之所在，提出粗集进一步可能的发展方向。     

Uniformization of multigranular linguistic labels and their application to group decision making

In multiple attribute group decision making (MAGDM) problems based on linguistic information, the granularities of linguistic label sets are usually different due to the differences of thinking modes and habits among decision makers. In order to deal with this inconvenience, the transformation relationships among multigranular linguistic labels (TRMLLs), which are applied to unify linguistic labels with different granularities into a certain linguistic label set with fixed granularity, are presented in this paper. Furthermore, the reference tables are made according to TRMLLs so that the interrelated calculation will be less complicated, and the method of how to use them is explained in detail. At length, the TRMLLs are illustrated through an application example.     

决策表的属性重要性与离散化

运用 Rough集理论处理决策表时 ,要求决策表中的值用离散数据表达。文中形式化描述了离散化问题 ,研究了决策表的属性重要性 ,提出计算条件属性重要性的新方法 ,然后给出基于属性重要性的决策表离散化算法。该算法按照属性重要性从小到大的顺序对每个属性进行离散化 :从可辨别矩阵中得到冲突样本 ,将冲突样本的属性值作为断点的上下界 ,用所有这样的断点化简后得到的断点集对该属性进行离散化处理。     

A Method of Problem Situation Decomposing to Support Goal Finding

ＡＭｅｔｈｏｄｏｆＰｒｏｂｌｅｍＳｉｔｕａｔｉｏｎＤｅｃｏｍｐｏｓｉｎｇｔｏＳｕｐｐｏｒｔＧｏａｌＦｉｎｄｉｎｇＤＩＮＧＲｏｎｇｇｕｉ；ＨＡＮＷｅｎｘｉｕ（ＩｎｓｔｉｔｕｔｅｏｆＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙ...     

不完全信息下的粗集拓展

在复杂的决策环境下，不完全信息是不可避免的，在此情况一，专家往往也能给出满意的决策，因此从不完全的案例中提取有用的模式，用于增强智能系统的知识库，是具有实际意义的，粗集是处理不确定信息的有效方法，但它通常适用于完全决策者，论文对粗集理论在不完全信息下进行了初步的拓展，这给从不完全决策表中挖掘知识提供了理论基础。     

基于主元分析和免疫聚类的双向特征数据压缩方法

针对诊断特征数据中的重复或相似事例样本和特征参量之间可能存在的相关性，提出并实现了一种有效的特征数据双向压缩预处理方法，从而在不损失数据隐含的特征知识的前提下，有效降低学习机器的学习负担。在进行样本参量的降维处理时，采用基于主元分析的横向数据压缩方法，有效地去除了各特征参量之间的相关性。在压缩样本数量时，综述和比较了现有的各种聚类算法，基于竞争和自组织原理，对借鉴生物体的自然免疫系统中克隆选择以及免疫网络自稳定等有关机理的常规免疫聚类压缩算法，作了重要改进，提出了基于主元核相似度的亲和力定义方法，增加了抗原数据归一化、近似样本直接去除等处理步骤，使算法具有更高的执行效率和更广的适应性。并以国际上通用的过程控制仿真对象“Tennessee Bastman”工厂的实际数据进行仿真实验，验证了所提方法的有效性。