基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.     

一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。     

基于相似关系的不完备决策表属性约简

粗集理论是一种处理不精确，不完全与不相客知识的新的数学工具．属性约简是粗集理论研究的核心问题之一．通过属性约简，简化信息表的属性雏数．在许多情况下面临的信息系统是不完备的，本文研究不完备信息系统下决策表的属性约简问题．     

基于模糊聚类的物流数据字典动态分级方法

为提高物流管理信息系统查询效率，根据物流数据库管理系统查询调用数据属性字典的统计信息，提出一种优化属性字典分级的动态方法。描述了该方法的实现并进行了查询效率分析。该方法基于模糊聚类原理，在属性字典表中添加聚类属性项；将数据繁多的属性字典表按其在选定时间内的属性统计值进行动态归类分级。系统运行实践表明，该方法提高查询效率最高达31．9％，平均达19．3％。     

基于扫描向量的属性约简方法

针对粗糙集理论中属性约简问题,提出了一种基于扫描向量的属性约简方法.根据粗糙集理论知识,定义了一个新概念--差别向量,利用差别向量将信息表转换成差别向量组;根据差别向量的结构特征,定义了差别向量加法法则;运用这个加法法则仅需对差别向量组扫描一次,就可以形成结构简洁却能代表原信息表属性特征的扫描向量.以扫描向量中的属性频率项作为属性约简搜索的启发信息,提高了属性约简效率.数值实例及数据库测试的结果表明该属性约简算法是有效可行的.     

基于超立方体与信息熵的离散化方法

针对粗糙集中连续属性需要离散化问题进行了研究.根据数据对象的可分辨性原理构造超立方体,在数据空间上对信息表中的连续属性进行整体离散化处理.根据条件属性与决策属性的一致性关系,依照条件属性在粗糙集边界域中的分类能力来确定条件属性的重要性,在此基础上选取重要划分点对信息表中的连续属性进行局部离散化,同时以信息熵作为迭代约束条件.数值示例和实验表明这种整体与局部相结合的离散化方法是有效可行的.     

一种不完备信息表的预处理方法

针对不完备信息表预处理问题中的不完备数据的填补问题、冗余属性的约简问题和连续属性的离散化问题进行了研究. 应用粗糙集理论,由相容信息表中条件属性与决策属性间的一致性对应关系,定义了划分区间的加法运算,解决了不完备数据填补问题;根据类别概念,定义了差别向量,利用差别向量加法运算删除了冗余属性;根据条件属性与决策属性之间的依赖关系及相对信息熵概念,实现了连续属性的离散化. 数值示例和实验结果显示此方法是有效可行的.     

信息表属性约简之间的若干关系

研究信息表绝对属性约简与相对属性约简之间的关系,指出一个绝对属性约简通常只是包含而不一定会是相对属性约简,同时给出相对属性约简不是绝对属性约简的一个充分条件.此外还阐述了绝对属性约简与属性依赖性之间的关系.     

保持直方图特性的最低比特位密写方法

基于对最低比特位Matching密写方法与利用图像直方图进行的密写分析方法的研究,提出了一种可保持直方图特性的LSB Matching密写方法．在密写过程中定义动态改变的密写信息表以记录秘密信息嵌入位的增减,并根据信息表内的记录判断下一次同样灰度值的像素嵌入秘密信息时的增减方向,而总体原则是尽量保证密写后的图像直方图变化最小．实验表明,经该方法密写后的图像直方图基本保持了原有峰值和变化趋势等属性,对一些针对图像直方图攻击方法有很好的效果．     

Rough集理论中几个基本概念的算法描述

用信息向量表示信息表知识表达系统中的埘象，基于同一思想用算法描述了Rough集中的等价类、不可分辨关系、上下近似集、属性约简、相对属性约简等概念。     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.     

结合一致性准则的粗糙集属性约简算法

文章从属性选择角度对粗糙集属性约简概念进行扩展,在属性约简综合多重属性选择标准方面做了初步的研究。将属性类内一致性选择标准与粗糙集属性约简结合,以获得抗噪的约简;设计了一种全局最优算法和一种次优filter算法,从分类正确率、最简性及类内类间距离方面对一致性判据JC进行了测试,实验结果显示一致性高的属性约简集优于其他约简集。     

基于自组织特征映射的属性离散化方法

基于粗糙集理论,用K-W方法初步评价各连续属性的重要性,用自组织特征映射的聚类方法进行离散化,以决策表相容性为判决标准.试验表明,这是一种令人满意的离散化方法.     

基于条件互信息下聚类的朴素贝叶斯分类算法

 采用条件互信息来度量任意2个条件属性之间的关联程度,采用互信息度量各条件属性与类属性间的关联程度,以此作为将各条件属性进行聚类的准则,提出一种新的将条件属性进行聚类的分组技术.同时,结合朴素贝叶斯分类算法,构造了改进的朴素贝叶斯分类模型.通过仿真实验表明该文提出的算法具有较好的分类性能.     

基于统计学法则的连续属性值划分方法

目前决策树中很多分类算法例如ID3/C4.5/C5.0等都依赖于离散的属性值,并且希望将它们的值域划分到一个有限区间。利用统计学法则,提出一种新的连续属性值的划分方法;该方法通过统计学法则来发现精准的合并区间。另外在此基础上,为提高决策树算法分类学习性能,提出一种启发式的划分算法来获得理想的划分结果.在UCI真实数据集上进行仿真实验.结果表明获得了一个比较高的分类学习精度、与常见的划分算法比较起来有很好的分类学习能力。     

基于扩展决策函数的信息系统的属性分解

信息系统是一个二元组,包括个体论域和属性集。对信息系统进行属性分解的目的是使分解的子信息系统能方便地利用RoughSet等工具进行处理;用子信息系统知识单元存储而用于局部推理;同时降低系统推理的复杂性。针对这一问题提出了一个基于GDF(扩展决策函数)的信息系统属性分解判据,提出并证明了信息系统属性分解性质。最后通过示例验证了所提出的方法。     

Any-Cost Discovery:优化分类规则发现方法

充分利用缺失数据中所包含的信息,提出了一种新的分裂属性的选择标准建立决策树.用户提供一定的资源后,通过访问该决策树,最大限度地利用该资源,以达到在有限资源约束下的最优结果.另外,该方法还可以对于需要追加资源与否提出建议.     

基于一种新的特征提取的语音辨识

提出了一种新的二次特征提取的方法应用于说话人语音辨识.首先,通过基于熵的特征筛选方法,有效地剔除不重要或者噪声特征,消除语音特征的冗余,并获得其重要性排序,减少语音特征矢量的维数.然后,采用Fisher准则进一步进行参数选择,按 Fisher 比的大小选择特征向量作为投影轴,将高维空间中的特征矢量映射到低维的特征判别空间,然后以SVM作为分类器实现说话人辨识系统.实验结果表明,本文提出的方法在不影响识别率的情况下可以对输入数据有效降维,在噪音环境下取得了较好的识别效果,增加了系统的鲁棒性.     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

邻域决策一致性的属性约简方法研究

基于邻域决策错误率的属性约简可以在删除冗余属性的同时,提升邻域分类器的留一验证分类精度.但这种约简方式并未充分考虑邻域分类结果在约简前后的差异.为解决这一问题,借助联合分布矩阵,提出了邻域决策一致性的概念,构建了邻域决策一致性与邻域分类精度的调和平均值,并将其作为约简求解的度量准则.在12个UCI数据集上的实验结果表明,所提出的新约简不仅能够有效地提升邻域分类器的决策一致性,而且在多数情况下能够进一步提高邻域分类器的留一验证分类精度.