不一致邻域决策信息系统的增量式属性约简研究

属性约简是数据挖掘、机器学习等研究领域中的一个非常重要的预处理步骤,其效率的高低会直接影响到数据挖掘、机器学习等相关任务的性能。针对目前已有的非增量式属性约简方法在处理不一致邻域信息系统动态变化时无法高效更新属性约简的问题,提出一种在不一致邻域决策信息系统中对象集发生变化时的增量式属性约简方法。首先,该文以不一致邻域决策信息系统为研究对象,结合不一致邻域的特点给出了一种新的不一致度的表示方法。在此基础上用不一致度来表征属性重要度,以属性重要度为启发式信息研究不一致邻域信息系统对象集发生变化条件下邻域类以及不一致度的更新机理。随后,以不一致度为启发信息构建了增量式属性约简算法。进一步,在UCI上选取6个数据集,通过分类精度测试实验精选出各个数据集的最佳邻域半径δ,最后,利用最佳邻域半径δ在各个数据集上执行增量式属性约简算法实验,实验结果表明该文提出的增量式属性约简算法在保持分类精度不变的前提下较其他算法更加快速和有效。     

基于极大相容块的不完备信息处理新方法及其应用

针对不完备信息提出一种新的基于矩阵方法的极大相容块求取算法与属性约简方法,结合智能分类器给出不完备信息条件下的故障诊断方法 .首先,通过矩阵方法计算不完备决策表中的极大相容块;然后,利用所求得的极大相容块,提出一种新的属性约简算法,并与其他方法做对比;最后,将所提出的基于极大相容块的属性约简方法与智能分类器（支持向量机、随机森林、决策树等）结合,建立优化的智能故障分类器,将它应用于不完备信息条件下的故障诊断.以汽轮机组的故障诊断为例进行仿真实验,实验结果表明提出的针对不完备信息条件下的故障诊断方法可行、有效.     

基于极大相容块的不完备信息处理新方法及其应用

针对不完备信息提出一种新的基于矩阵方法的极大相容块求取算法与属性约简方法,结合智能分类器给出不完备信息条件下的故障诊断方法 .首先,通过矩阵方法计算不完备决策表中的极大相容块;然后,利用所求得的极大相容块,提出一种新的属性约简算法,并与其他方法做对比;最后,将所提出的基于极大相容块的属性约简方法与智能分类器（支持向量机、随机森林、决策树等）结合,建立优化的智能故障分类器,将它应用于不完备信息条件下的故障诊断.以汽轮机组的故障诊断为例进行仿真实验,实验结果表明提出的针对不完备信息条件下的故障诊断方法可行、有效.     

一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

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.     

一种增量式属性约简更新算法

根据关系矩阵表示与计算方法,提出一种基于二叉树的增量式属性约简更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法通过快速更新二叉树,在动态求解核的基础上,通过对二叉树进行剪枝,有效地进行增量式属性约简的更新,并就该方法的有效性进行了理论证明与示例分析.     

基于极小析取范式的属性约简算法

属性约简是粗糙集理论的核心问题之一，针对求取决策表所有决策约简集的NP问题，化繁为简将问题转化为对象动态增加下的决策约简求取问题。在深入分析了可辨识矩阵中可辨识集的特点及相互关系的基础上，优化改进决策辨识矩阵：①两对象之间不作逆向比较；②将决策可辨识矩阵列简化为属性等价类；③正域等价类作为决策可辨识矩阵的行，分情况给出了新决策表求取所有决策约简集的极小析取范式属性约简方法。该方法统一解决了相容和不相容决策表所有决策约简集的求取问题，最后通过实例分析验证了算法的可行性与有效性，为决策表的属性约简提供了一条高效的途径。     

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．     

极大相容度关系模型及其属性约简

经典粗集理论以等价关系为基础,它们在处理不完备信息系统时存在一定的局限性.从扩展粗集理论的适应范围角度出发,引入信息系统对象的先验概率,结合量化相容关系的思想,提出了极大相容度关系模型,然后以该模型为基础研究了不完备信息系统的属性约简,通过严格的数学证明,提出了一种不完备信息系统的启发式属性约简算法.最后通过一个实例验证了该相容关系模型及其基于启发式的属性约简算法.     

基于属性相容度和重要度的粗糙集

针对粗糙集属性约简算法中时间效率较低的问题,结合属性相容度模型和属性重要度的模型,提出一种混合相容度和重要度的粗糙集属性约简算法.该算法利用属性的相容度模型,快速地从众多属性中将核集筛选出来,作为基本核集;然后通过属性的重要度模型对基本核集进行补充和完善,作为约简后的最终核集,以确保核集的完整性.实验结果表明,在保证约简结果完整性的基础上,该混合模型算法,大大提高了时间效率,降低了算法的时间复杂度.     

一种面向增删操作的粗糙集属性约简更新算法

属性约简是粗糙集理论的核心内容之一,在信息系统的对象信息不断出现增删等更新操作的环境下,如何进行快速有效的属性约简则是一个亟需解决的迫切问题.提出一种面向增删操作的属性约简更新算法,面向更新前后的决策表,首先分析了对象信息动态增加与删除情况下信息熵的变化机制以及约简属性对新增或删除对象的区分情况,然后提出基于区分情况的新条件熵值的计算方法,最后给出基于散列表的属性约简更新算法.实验结果证明,本文方法可以快速求解出增删更新后的属性约简结果,其性能较传统方法有较大优势.     

不完备信息系统的粗集扩展模型

经典粗集理论以等价关系为基础,它们在处理不完备信息系统的时候存在一定的局限性.作者首先从扩展粗集理论适应范围的角度出发,引入信息系统对象的先验概率,结合量化相容关系的思想,提出基于先验概率的相容关系模型,然后以该模型为基础研究了不完备信息系统的属性约简,通过严格的数学证明,得到基于分辨矩阵的属性约简算法.最后通过一个实例验证了该改进相容关系模型及其基于分辨矩阵的约简算法.表1,参20.     

基于极大相容块的粗糙性度量及其属性约简

由于相似关系或相容关系不具有传递性或对称性,从而相容类或相似类之间存在误判,因此研究不完备信息系统中合适粒度下的粗糙性度量和属性约简算法很有必要。在不改变相关模型的基础上,文章通过极大相容块的思想,研究了非等价关系的基本知识粒度构造,进一步讨论了合适粒度下的粗糙性度量方法,提出了基于极大相容块的知识粗糙性更精确的定义和极大相容块的条件信息熵及其属性重要性定义,并证明了相关性质;给出了合适粒度下属性约简的启发式算法,结果表明,极大相容块的重要性度量避免了通常意义下粒度过粗问题,知识粗糙性更为准确。     

集值信息系统基于极大变精度相容类的属性约简

集值信息系统中对象的属性集值一般不唯一,基于集值信息系统上的变精度相容关系,给出了极大变精度相容类及其对应的粗糙集模型的定义,并以极大变精度相容类为基础,讨论了集值信息系统的属性约简及其相应的区分函数计算方法.     

基于分布约简的获取规则的增量式方法

根据粗糙集的理论,在信息系统中使用了分布约简的概念,并利用相应的可辨识属性矩阵,提出了一种在决策表中获取规则的增量式方法,该算法对决策表中出现的各种新对象进行分析,在原有的分布约简的基础上进行增量式更新,从而避免了重新计算.     

基于属性相容度和重要度的粗糙集属性约简混合算法研究

针对粗糙集属性约简算法中时间效率较低的问题,结合属性相容度模型和属性重要度的模型,提出一种混合相容度和重要度的粗糙集属性约简算法。该算法利用属性的相容度模型,快速地从众多属性中将核集筛选出来,作为基本核集;然后通过属性的重要度模型对基本核集进行补充和完善,作为约简后的最终核集,以确保核集的完整性。实验结果表明,在保证约简结果完整性的基础上,该混合模型算法,大大提高了时间效率,降低了算法的时间复杂度。     

不完备信息系统的增量式约简算法

针对经典粗糙集模型在处理不完备、动态数据方面的不足,通过分析容差关系模型,引入先验概率在知识估计中的方法,给出了一种基于区分矩阵的增量式属性约简算法.以属性重要度为启发信息,对区分矩阵的构造过程进行改进,仅需简单的矩阵运算就可以得到约简结果.最后通过示例分析处理增量式数据的算法复杂度有效,算法正确可行.     

相容关系的改进及其属性约简

针对经典粗糙集理论处理不完备信息系统存在的局限性,作者从扩展粗糙集理论的适用范围出发,引入不完备信息系统对象的先验概率并结合量化相容关系的思想,提出了改进的相容关系模型.以该模型为基础研究了不完备信息系统的属性约简.通过严格的数学证明,给出了属性约简算法.该算法以空集为起点求取系统的约简,不需要计算核,节约了时间,减少了占用空间,简化了求解过程.通过实例验证该改进相容关系模型及其属性约简算法.     

基于矩阵策略的不完备混合型数据增量式特征选择算法

特征选择是粗糙集理论在数据挖掘等领域中一种重要的应用,如何对动态变化的信息系统进行增量式特征选择是目前粗糙集理论研究的重点。在不完备混合型信息系统中,属性集的不断增加是信息系统动态变化的一种重要形式。首先在不完备混合型信息系统中引入邻域条件熵的概念,并且利用矩阵的方法去表示邻域条件熵;然后针对属性集动态增加的情形,提出矩阵形式的邻域条件熵增量式更新,并且基于这种增量式更新机制给出了相应的增量式特征选择算法;最后,UCI数据集的实验结果表明,所提出的增量式特征选择算法比非增量式特征选择算法具有更高的特征选择性能。     

信息观下批增量式属性约简算法

邻域系统是一种数值信息粒度计算模型,该模型可以直接分析数值型数据,拓展了经典粗糙集理论的应用范围。邻域系统中现有的增量算法基本上都是从代数观下分析其变化情况。文章从信息观角度出发,分析了当批量增加样本后,新条件熵的变化机制,并分析出决定条件熵变化的是新增批量样本的不一致邻域,进而导致约简集的变化。基于此,提出一种信息观下批增量式属性约简算法,该算法只需找到新增的不一致邻域,并与新增样本一起进行约简,避免了有重复的约简,大大地减少了计算量,从而能够迅速得到更新后的约简集。最后分析了算法的复杂度,并且通过相关的实验验证了本文算法的有效性和高效性。