基于优势-等价关系的属性约简算法

考虑多标准分类问题,即条件属性具有偏好关系而决策属性是无序的类别,通过在条件属性上引入优势关系而决策属性仍然用等价关系来描述不同的属性.针对这类信息系统,本文提出了一种基于样例对的矩阵约简算法.区别于传统的基于辨识矩阵约简方法,该算法在不计算辨识矩阵的前提下,通过选择样例对,来找到辨识矩阵中对约简有用的属性,因此,所提算法能够明显改善计算约简的时间耗费.进一步,为了处理较大规模的数据,提出了一种近似约简算法,该算法按属性重要性添加属性到约简中,进一步缩短了求取约简的时间.最后在UCI数据集上进行大量的实验与传统的约简算法进行了对比,表明了所提出算法的可行性与有效性.     

决策粗糙集的属性约简准则研究

属性约简是粗糙集理论研究的重要内容之一.在传统Pawlak粗糙集模型中,随着属性数量的单调变化,下、上近似集也单调变化.然而,在决策粗糙集模型中,随着属性的单调增加,下、上近似集有可能增加也有可能减少.针对这一问题,从优化角度给出了决策单调准则、一般性准则和代价准则的适应性函数并通过遗传算法求得三种准则下的约简.实验结果表明:决策单调准则约简获得了更多的正域规则;一般性准则约简获取了最多的正域规则;代价准则约简获得了最小的决策代价.     

决策代价约简求解中的交叉验证策略

属性约简是粗糙集理论中的核心问题,其目的是剔除冗余属性以找到具有较好泛化能力的属性子集.在决策粗糙集理论中,决策代价经常被作为属性约简的约束条件.但值得注意的是,虽然基于决策代价的约简求解算法可以有效地降低训练样本集上的总决策代价,但其往往忽视了测试样本集上的总决策代价.为解决这一问题,利用交叉验证的基本思想,设计了以决策代价为约束条件的一种新的属性约简求解算法.在八个UCI数据集上的实验结果表明,相较于传统基于决策代价的约简求解算法,所提算法不仅能有效地降低训练集合和测试集合的总决策代价,而且找出的属性子集亦可以带来更好的分类性能.     

基于三支决策的广义代价敏感近似属性约简

在粗糙集领域,属性约简的首要任务是在保持原有数据相关特性的前提下,获取一个最小的属性子集。代价敏感学习的目标旨在最小化各类代价。而近似属性约简的意义在于让决策者能够权衡代价承受能力和知识发现的程度。本文在定性和定量的标准下提出了代价敏感近似属性约简的问题;定性标准指不可分辨能力,定量标准指近似参数ε和代价。基于三支决策和可分辨矩阵,提出了解决代价敏感近似属性约简问题的框架:首先,定义了属性子集的质量函数,该函数解释了多粒度结构;其次,通过考察属性重要度,提出了"性价比"指标的适应函数;进而利用提出的适应函数和三支决策中的(α,β)阈值对三分属性集合;最后,设计了删除策略和添加策略的代价敏感属性约简算法。从实验结果分析上验证了算法的有效性,体现了提出的问题和理论框架具有更广义的解释和适应性。     

一般协调近似表示空间的约简

从拓扑的包含关系这一全新的视角进一步认识协调近似表示空间的属性约简理论。在此基础上将协调近似表示空间中的等价关系放宽为一般关系,提出了一般协调近似表示空间的概念,并给出了一般协调近似表示空间关系约简理论,指出了可将其转换成一类覆盖族的约简且是协调覆盖决策系统属性约简的一般形式,最后用一个模型给出本文约简理论的应用实例。     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

基于粗糙熵的时序数据属性约简及规则提取研究

分析了近似质量在提取非确定性规则方面的不足,并基于粗糙熵的预测成功度概念,结合时序数据特点,提出一种属性约简及规则提取策略．该策略在对时序数据进行属性约简时,采用粗糙熵与时间距离相结合的方法,使得最终得到的约简在时序方面是较优的,最后使用UCI数据库进行仿真实验,效果良好．该策略在工程领域处理时序数据方面有一定的应用价值．     

贪心约简算法在HSV中的应用

本文研究了粗糙集理论中的属性约简问题。一般的约简算法和改进的约简算法都不能够得到一个令人满意的属性约简结果。为了找到具有较少属性的约简,文中提出了使用贪心约简算法,通过对接受过超选择性迷走神经切断术(HSV)治疗的具有11个属性的20个十二指肠溃疡病人构成的信息系统作近似分析,获取了一个与原决策表分类质量相同的仅含有5个属性的较小属性集。实验证明:用此方法能有效地去除冗余信息,对其症状进行约简提炼,从而获取简单而又能体现症状与病征的规则。     

含属性加权模糊序决策信息系统的近似约简

为保证关键属性在属性约简时能够被保留,可对信息系统的属性进行加权,从而提高关键属性的影响力.基于此,在属性加权的模糊序决策信息系统中建立了上、下近似约简的模型,得到两种约简的判定定理,并且给出求解上、下近似约简的辨识矩阵以及约简方法 .最后,通过实例验证了该约简方法的有效性.     

属性定向概念格的协调近似表示空间

构造形式背景、协调决策形式背景和不协调决策形式背景的统一模型,并提出不同形式背景的概念格的属性约简的定义和方法.首先,定义对象幂集上的一种等价关系,并利用该等价关系给出属性定向概念格的协调近似表示空间的概念.其次,针对不同形式背景构造相应地协调近似表示空间.特别地,构造不协调决策形式背景的四类协调近似表示空间,分别为分布协调近似表示空间、最大分布协调近似表示空间、下协调近似表示空间和上协调近似表示空间.最后,给出协调近似表示空间的属性约简的定义,并利用可辨识矩阵给出属性约简集的判定定理.分析表明,形式背景和决策形式背景(包括协调的和不协调的)都可看作是协调近似表示空间的特殊形式,且形式背景的属性约简恰好对应协调近似表示空间的属性约简.因此,协调近似表示空间的属性约简方法可以在一定程度上降低由形式背景的复杂性带来的概念格的属性约简的复杂性.     

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。     

信息熵约简与代数约简差异性的数学本质分析

 讨论了基于正区域与近似分类质量代数约简定义的等价性,证明了基于决策强度的属性约简与信息熵约简是等价的,从条件概率的角度将代数约简与信息熵约简的数学模型在形式上给出了统一表示,分析了它们在一致决策表下是一致的以及在不一致决策表下是不一致的根本原因。     

属性细化的粗糙集理论分析

针对粗糙集的决策系统,给出了有效等价类细化和有效集合细化的定义,从理论上分析了必要属性细化后对上近似和下近似、近似分类精度和质量以及决策规则的数量和相对约简的影响.针对细化的区域分三种情况讨论,得出了在各种区域下划分的结果,如果对有效集合细化划分的越细,上近似和下近似就越逼近给定的集合,分类精度和近似分类质量就越大,产生的规则在包含原规则的基础上增多,并且相对约简和属性的必要和不必要的性质保持不变.研究结果对决策表的属性约简、决策规则形成和有效性等问题具有实际意义.     

集值模糊目标信息系统的近似分配约简

基于集值信息系统上的变精度相容关系,定义了集值模糊目标信息系统的模糊目标在给定相容水平下的上近似与下近似,提出了一定截集水平下的上近似分配约简与下近似分配约简概念,这种约简是单值目标模糊信息系统上精度约简概念的推广,同时也是经典目标信息系统上近似分配约简概念的推广.进一步,在集值模糊目标信息系统引入区分矩阵与区分函数,给出了计算上近似分配约简与下近似分配约简的方法.     

Rough算子求解不一致信息系统的约简算法

为求解不一致信息系统的属性约简,在经典粗集理论模型的基础上,许多学者提出了上、下分布约简等方法,但是,这些方法尽可能保持了原决策系统的决策分布情况并且当数据集基数较大时,时间空间复杂度都较大。本文从另一个视角将大数据库中记录看成概率事件,利用粗集理论导出规则的模糊性度量方法—Rough算子,在多数优先的原则的基础上,将不一致信息系统转化为一致信息系统,并基于此提出了递增式反向求解方法。这种反向求解思想也为在大数据库中求解约简提供了可能。     

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.     

基于变精度粗糙集的产品配置规则提取及增量式更新

针对传统粗糙集产品配置规则提取方法容噪性较差的问题,应用变精度粗糙集方法,依据产品设计实例数据建立配置决策表,通过设定分类精度,进行了基于决策类下近似的相对属性约简和基于核值属性的值约简,依据支持度获得有效的产品配置规则.考虑设计实例增加对规则提取的影响,采用增量式更新方法对新增决策表进行规则提取,处理新增配置规则与原配置规则之间的重复、包含和冲突关系,依据可信度进行配置规则的更新.以水平定向钻机配置规则提取为例,验证了所提方法的可行性和有效性.     

一种基于粗糙集的决策树构造方法

决策树是一种有效的数据分类方法。传统的决策树方法是通过信息熵的计算去生成决策树的节点,计算量大。基于粗糙集理论,利用近似精度的概念来进行属性选择,构造决策树,有效地提高了效率并降低了决策树的复杂度。     

粗糙逼近近似度量在分类规则挖掘中的应用

为了提高决策系统的分类质量,探讨了一种在数据仓库中基于粗糙逼近近似度量的挖掘分类规则策略.首先介绍了数据集中挖掘分类规则的基本原理,并利用粗糙集理论中粗糙逼近近似度量概念,根据决策表条件属性重要性度量及条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,最后举例说明了如何在数据库中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.     

基于属性递减策略的属性约简递归算法

属性约简是粗糙集理论的核心研究内容之一。通过对某些现存属性约简算法分析,发现它们并不能有效地或正确地获取约简结果。为此,论文提出了一种基于属性递减策略的属性约简递归算法,该算法首先求出每个条件属性的依赖度,然后依次从条件属性集中减去依赖度较小的属性,并判断剩余属性集依赖度是否为1,如果是,则算法递归执行。最后把所获属性集并入约简集并求得核。该算法不仅能够快速计算出所有约简和核,而且运算简单、计算量较少,从而提高了算法效率。实例验证表明,该算法能更有效地对决策表进行约简,具有很强的实用性。