基于(α, τ)限制相似关系的变精度粗糙集模型

针对经典粗糙集模型只能处理完备信息系统,将变精度粗糙集模型引入到不完备信息系统中。给出了(α,τ)限制相似关系的定义及其相关性质,并提出了基于(α,τ)限制相似关系的变精度粗糙集模型,提出了基于属性重要度和近似分类质量的知识约简算法。通过算例分析验证了该模型知识约简算法的有效性。     

信息系统的属性约简

粗糙集理论是一种新的处理模糊和不确定知识的数学工具 .属性约简是粗糙集理论研究中的重要内容之一 ,现已证明寻找信息系统的最小约简是 NP-hard问题 .本文提出一个基于信息量的属性约简的启发式算法 ,该算法的时间复杂性为 $O( | A|^3 | U| ^2 )$ .通过例子分析 ,表明该算法是有效的.     

基于粗糙集的区域交通控制交通量属性约简

交通量属性的有效约简能够大大减少方案选择式城市区域实时交通控制系统在线SVM分类计算的计算量,是实现这种实时交通控制方式的关键一步。在遗传算法初始种群的产生和变异中引入了混沌算法,并提出了“混沌变异”的概念,由此构造了混沌遗传算法。将混沌遗传算法用于粗糙集的属性约简,并在构造适应度函数时引入了粗糙集理论的“支持度”。在初始种群的产生、交叉和变异算法中均采用约简的可辨别下三角矩阵判断个体的可行性。最后将所开发的粗糙集混沌遗传属性约简算法用来对城市区域交通控制交通量属性进行约简。仿真计算结果表明:所开发的粗糙集混沌遗传属性约简算法能有效地解决交通量的属性约简问题。     

基于收益和风险优化的属性约简算法

决策者总是希望实现收益最大而承担的风险最小,如何平衡或兼顾两者,可考虑引入收益和风险因素进行属性约简以便做出寻找有效的、切实可行的决策。在一定的预期收益水平下通过优化组合收益和风险,结合粗糙集和贝叶斯模型,建立了收益和风险优化的决策模型,以每个属性的收益风险平衡组合函数作为指标进行启发式属性约简,该算法减少数据模型的规模和复杂度,并提高模型系统的仿真精度。     

不完备信息系统中基于相似度的变精度粗糙集模型

提出了一种基于相似度的变精度粗糙集模型,该模型是变精度粗糙集模型在不完备信息系统中的拓展.定义了这种模型上的知识约简,并给出了求约简的两种一般算法.最后通过实例分析说明了算法的有效性.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

基于遗传算法的不完备信息系统属性约简方法

提出了一种基于遗传算法的属性相对约简算法。通过在不完备信息系统中引入决策属性支持度的概念,来描述由条件属性所提供的知识对整体决策的支持程度,以此作为启发式信息求出相对核,并将相对核加入遗传算法的初始种群中以加快算法的收敛。同时,在适应值函数中引入惩罚函数,可以保证所求约简既含较少的属性又有较强的支持度,能够获得最佳的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

基于遗传算法的粗糙集知识约简方法

提出一种基于遗传算法的知识相对约简算法。通过在知识表达系统中引入决策属性支持度的概念，来描述由条件属性所提供的知识对整体决策的支持程度，并通过决策属性支持度定义条件属性对决策属性的相对重要性，以此作为启发式信息求出相对核，并将相对核加入遗传算法的初始种群中以加快算法的收敛。同时。在适应值函数中引入惩罚函数，可以保证所求约简既舍较少的属性又有较强的支持度，能够获得最佳的搜索效果。该算法通过实例分析，证明是求解知识约简问题的快速有效方法。     

精度与程度逻辑差双量化粗糙集模型的属性约简

双量化具有完备刻画粗糙集近似空间的重要功能,精度与程度逻辑差粗糙集模型则是一类基本双量化模型.本文主要针对该模型,深入探讨其在二分类情形下的属性约简.首先,讨论了基于模型上下近似的二区保持的基本性质,提出并研究了二区保持约简;接着,定义了基于变精度上下近似与程度上下近似的四区保持约简,得到了其与二区保持约简的层次关系;最后,利用一个统计决策表案例对两种属性约简及它们的层次性进行了说明.对双量化属性约简来讲,本文的二区保持约简具有泛化性,而四区保持约简则具有基础性与指导性,它们从而提供了一些基本思路.     

基于属性重要性的决策树规则提取算法

对属性进行约简为从关系数据库中挖掘简洁的规则创造了条件。但从属性约简后的数据集中提取最简规则的问题仍是一个NP难题,一般借助于启发式算法。提出了一种新的基于属性重要性的规则提取算法,称为IADT(importantattributedecisivetree)算法,采用粗糙集理论中的属性重要性概念,通过建立树结构来提取规则。算法可以避免面对NP难题,获得相对简单的规则。计算实例表明,IADT算法具有良好的实用性,有进甚至可以获得最简规则。通过与ID3算法进行的比较表明,IADT算法为规则树算法提供了一种新的属性选择标准。     

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.     

直觉模糊信息系统的优势关系及其约简

进一步研究了直觉模糊信息系统的优势关系及其约简方法。首先针对直觉模糊信息系统定义了优势关系并研究其性质,给出相关的证明,然后定义了在该优势关系下直觉模糊信息系统目标集的上下近似集并证明其性质。接着分析了直觉模糊决策表的研究现状及其不足之处,提出了直觉模糊决策表的条件属性相对于决策属性的属性依赖度、属性重要度的概念,给出了相对属性约简与相对核属性的计算方法,最后通过实例表明所提方法的有效性和合理性。     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

权重信息不完全的区间数多属性决策GRA方法

针对属性权重信息不完全,且属性值以区间数形式给出的多属性决策问题,提出了一种灰色关联分析的决策方法。该方法依据一般的灰色关联分析方法的基本思路,给出了解决属性权重信息不完全的区间数多属性决策问题的计算步骤。其核心是通过构建并求解一个单目标最优化模型,得到每个方案与正、负理想方案的关联度,进而计算出每个方案与正理想方案的相对关联度,即可得到所有方案的排序结果。最后给出一个数值例子,结果表明该方法简单、有效并易于计算。     

对方案有偏好的三角模糊数型多属性决策方法研究

研究了这样一类多属性决策问题 :①决策者对方案有偏好 ;②属性值以三角模糊数形式给出 ;③属性的权重信息不能完全确知。提出了一种基于相似度的对方案有偏好的三角模糊数型多属性决策方法 ,该方法首先建立一个线性规划模型 ,通过求解该模型获得属性权重。然后 ,基于三角模糊数两两比较的可能度公式及互补判断矩阵的排序公式 ,对决策方案进行排序和择优。最后进行了算例分析。     

基于相对分辨能力的属性约简算法

在粗糙集理论中,分辨能力反映拥有知识的多少;为此,给出分辨能力相关概念、性质和计算方法,并提出基于相对分辨能力的约简定义,同时研究该约简定义与Hu差别矩阵约简之间的等价性,指出Hu差别矩阵约简可由相对分辨能力约简获得.为了进一步提高求解效率,通过减少约简过程中基数排序次数来提升效率,设计了相对分辨能力的约简算法,其时间复杂度为O(|C|~2|U|).实例分析和UcI中数据集的实验比较表明所提出的约简算法是有效的、可行的.