一种新的基于决策熵的决策表约简方法

分析了在知识约简过程中经典粗糙集理论决策表知识约简方法的不足.以知识粗糙熵为基础,将一致和不一致对象分开,提出决策熵的概念及其属性重要性,在此基础上给出约简的判定定理;然后以条件属性子集的决策熵来度量其对决策分类的重要性,提出一种新的知识约简启发式方法.理论分析和实验结果表明,基于决策熵的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简.     

粗糙集中基于信息量的决策表属性约简算法

高效的属性约简算法是粗糙集理论应用于知识发现的基础,要在令人可接受的时间内获得约简的通常做法是基于启发式的约简方法。本文提出了决策表中决策属性集相对条件属性集的条件信息量的概念,同时用知识的条件信息量定义了属性的重要性,在此基础上,提出了一种新的基于信息量的属性约简算法,该算法的时间复杂度为(O|C|3|U|2),通过实例分析,表明该算法是有效的。     

基于决策属性支持度的知识约简方法

提出了一种基于决策属性支持度的属性相对约简算法·该算法利用粗糙集理论分析的方法,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了条件属性对决策属性的相对重要性,以此作为启发式信息,可以方便地求出相对核·再以相对核作为求解最小相对约简的起点,按重要性的不同逐次选择重要属性添加到相对核中,直至其支持度达到整体条件属性支持度时为止,此时即得到知识库的最小约简·通过实例分析证明,该方法是有效的·     

决策信息系统协调性的关系矩阵表示

从矩阵视角研究不完备信息系统的知识表示和属性约简.首先,引入关系矩阵,基于容差关系提出不完备决策信息系统协调性判定方法.其次,利用关系矩阵求正域,并提出属性协调集的矩阵判定定理,从而给出一种保持正域不变的约简的新方法.最后,基于上述框架,给出属性重要性度,进一步提出一种属性约简的启发式算法,并通过分析和实例证明该方法的有效性.     

区间直觉模糊粗糙集的启发式属性约简方法

属性约简是数据挖掘之中最核心的问题,是任何一个部门决策知识获取的关键技术。基于深入研究模糊粗糙理论、直觉模糊粗糙集理论在属性约简知识方面的研究成果,通过定义区间模糊粗糙集的正域、依赖度与非依赖度等相关概念,提出一种启发式区间直觉模糊粗糙集属性约简方法。结果表明：该方法在知识约简中是可行的,并且相比差别矩阵方法,能有效降低空间和时间复杂度。     

一种基于条件熵的粗糙集属性约简算法

粗糙集(Rough set)理论是一个新的数据挖掘方法，其主要思想是保持分类能力不变的情况下，通过属性约简，达到发掘知识并简化知识的目的。本文在理解和分析基于粗糙集理论的数据挖掘算法基础上针对属性约简提出了一个基于条件熵的启发式算法。     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

一种基于粗糙集的不确定决策知识约简算法

粗糙集理论是处理不完整和不确定知识的数学工具,能有效地分析和处理不精确、不一致、不完整的各种不完备信息,并从中发现隐含知识,揭示潜在规律.针对决策知识冗余、决策效率低下等问题,本文以粗糙集理论为基础,研究不确定性的知识约简算法及决策规则获取方法.首先,研究粗糙集理论与知识约简理论基础,包括知识及知识库、知识表达系统、核与约简的关系;然后,研究了属性约简算法,包括属性的重要性、属性约简算法和属性值约简算法的相关定义及其数学模型表示,并给出了属性约简步骤;最后,以软件维护性及影响因素决策表为例,按照属性约简步骤,完成了属性约简和属性值约简,通过实例分析验证了算法的可行性、有效性和决策规则获取方法.结果表明,运用粗糙集理论对知识进行约简,可以简化复杂系统、消除冗余知识,获得知识库简洁表达的方法,有效维护知识库的结构和性能.     

不一致决策表的分配序约简

在不一致决策表中定义了分配序约简，给出分配序一致集的判定定理。通过定义分配序区分矩阵给出求分配序约简的区分矩阵法。为克服区分矩阵法时间复杂度随系统大小的增加而指数增长的缺陷，通过定义属性的相对重要性，提出一种求分配序约简的启发式算法。通过实例分析说明启发式算法的有效性，为从不一致决策表中获取知识提供了一种有效方法。     

对象导出三支概念格的熵属性约简

将信息熵引入形式背景中,研究对象导出三支概念格的熵属性约简. 首先,定义对象导出三支概念格的信息熵、条件熵和互信息等概念;其次,根据属性在约简过程中的重要性探讨核心属性和非核心属性的熵判定条件,并得出对象导出三支概念格的熵协调集等价于OEG协调集(对象导出三支概念格的粒协调集),对象导出三支概念格的熵约简集等价于OEG约简集;最后,给出决策形式背景中对象导出三支概念格的熵协调和熵约简等概念,并给出启发式熵约简的方法.     

基于粗集的混合变量决策树构造算法研究

文章提出混合变量决策树结构,并在此基础上提出基于粗集理论的混合变量决策树构造算法RSH2,算法在每个结点选择尽可能少的属性明确划分尽可能多的实例,减小了决策树规模,且易于理解。将RSH2算法与ID3算法及基于粗集的单变量决策树算法HACRs进行实验比较,结果表明该算法有良好性能。     

基于知识粗糙度的多变量决策树的构建

提出了一种基于粗糙集中知识粗糙度的构建多变量决策树的算法.基本思想是,在选择了核属性作为决策树的根节点后,将选择知识粗糙度最小的那个条件属性作为下一个分枝结点的检验属性.     

一种新的模糊决策树模型及其应用

模糊决策树是决策树在模糊环境下的一种推广,虽然其表示形式更符合人类的思维，但在构造时会增加预处理的工作量和创建树时的开销。基于这种情况，提出了一种混合算法，算法保留了较少属性值的Shannon熵，计算多属性和连续属性值模糊化后的模糊熵。将该算法应用于滑坡数据的挖掘中，得到了更易于理解的决策树和有效的规则，与传统算法的性能比较也证明了该算法的有效性。     

基于粗糙集理论的决策树构造算法

应用粗糙集理论,提出了一种利用新的启发式函数构造决策树的方法。该方法以属性重要性评价指标作为信息熵函数,对务件属性进行选择,充分考虑了属性间的依赖性和冗余性,弥补了ID3算法对属性间依赖性强调不够的缺点,解决了决策树中子树的重复和有些属性在同一决策树上被多次选择的问题,该方法还能对不相容决策表进行正确分类。实例表明该方法是正确有效的,而且明显优于传统的决策树构造方法。     

一种基于关联模式的完全决策规则的提取方法

针对基于粗糙集理论提取完全的决策规则是NP难问题,提出一种获取统计意义下的完全的简化规则的算法.该算法结合关联规则挖掘方法和粗糙集方法的优点,从决策表中提取出具有一定支持度和可信度阈值的决策规则,具有实际的应用意义.通过实例验证了算法的有效性.     

用于数据挖掘的粗集产生多重知识库的方法

提出了一种用于数据挖掘的粗集产生多重知识库的方法．该方法基于粗集理论的简化和决策矩阵．首先从知识表示系统中消除冗余属性,产生简化表,形成简化的知识表示系统,提高学习的有效性和精确性．然后从简化表中推导出决策矩阵,通过决策矩阵获取最小决策规则,计算包括所有必需属性的简化集合,给出计算最小决策规则和计算多重简化的算法．最后由相应的简化对最小决策规则进行分组形成多重知识库,给出产生多重知识库的算法．     

覆盖决策系统的规则提取和置信度保持的属性约简算法

实际中收集的数据类型具有多样性,如何从这些复杂数据中获取有用的知识是人们进行数据挖掘的目标。由于覆盖粗糙集可以处理复杂的数据,基于此对覆盖决策系统的属性约简和规则提取已有不少的研究。已有的覆盖决策系统规则提取的研究只考虑唯一的置信度评估度量,然而提取的高置信度规则覆盖的样例可能较少而具有欺骗性,由此本文又引入了一个评估规则覆盖能力的度量,从而可以消除数据中的偶然因素,获取泛化能力强的高置信度规则。在此基础上,为了提取紧凑的规则,给出了一个规则置信度保持的属性约简启发式算法。     

扩展的粗糙集模型及其不确定性量度

为克服标准的粗糙集模型不能表示数据对象的不同重要性和属性的不同特性的局限 ,需对其进行扩展。在可变精度粗糙集的基础上 ,构造了一种新的扩展粗糙集模型。它通过在知识表示系统和决策表中引入数据对象的权值函数和属性的特性函数来克服上述局限。给出了适于数据对象具有不同重要性情况下的粗糙决策规则集合的不确定性量度 ,以其作为规则评价的标准 ,可以方便地融入主观偏好、先验知识等因素。通过对一个数据集的分析实例对此进行了说明