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.     

一致完备决策系统中属性重要性定义的改进

在一致完备决策表中利用代数(信息熵)定义比较属性之间的重要性时往往会得到一些与实际不相吻合的结论,这种问题产生的主要根源是其定义本身的不完善所造成的.该文从产生问题的根源出发,从约简的角度重新定义了决策表中的各个属性(属性子集)的重要性,同时还给出了体现2个不同属性之间相互关系的相关系数的定义.最后通过对2个不同的例子来说明新定义的重要性比代数(信息熵)定义更具有合理性.     

基于属性重要性的贪心算法的改进算法

文章针对决策表属性离散化改进的贪心算法在信息表中判断断点存在的缺陷,通过引入属性重要性的概念,提出了基于属性重要性的贪心算法的改进方案,弥补了原算法无法选择断点的缺陷,通过计算属性的重要性大小,优先选择属性重要的断点。     

一种基于粗糙集属性度量的集成分类器

为了准确度量属性的重要性,从基于粗糙集的属性度量视角,提出一种基于混合度量机制的属性评价方法,该方法从不同的信息粒度分析属性的重要性。在混合度量机制中,根据数据分布特点引入参数权重因子。在此基础上,构造一种基于粗糙集属性度量机制的集成分类器。通过实验结果和比较分析表明,所提出的方法能有效地降低数据的属性维度,相比较于单一属性度量准则,分类器具有更好的分类性能。     

基于属性重要性的加权支持向量机及其应用

针对珠江水质预测中的大量不确定和模糊因素,提出了一种基于属性重要性的加权支持向量机水质预测模型.首先通过粗糙集理论对原有的评价指标体系进行约简,由原来的8个预测指标约简为7个指标,被约去的属性正是网站公布数据中缺失的属性;同时计算出各属性的重要性,对重要的指标赋予较大的权重,构造基于属性重要性的加权支持向量机,这不同于以前的针对样本作用不同而构造的加权支持向量机.本文以珠江流域重点断面水质预测为例,对近2年数据进行分析,结果显示了该模型的有效性.     

模糊信息系统上的粗糙约简

:基于粗糙集理论和模糊等价关系,提出了模糊信息系统(FISs)在不同粒度划分上的知识约简方法和属性重要性度量.这些约简利用了2个水平划分参数(或对象相似度)α、β,其中相对约简与属性重要性度量采用了决策类的水平集正区域公式.利用水平集粗糙成员函数得到分布约简与分配约简方法,它们扩展了Pawlak信息系统(PISs)上的属性约简方法,解决了FISs上的知识获取与特征选择问题.同时,基于不同粒度下的等价类,给出了FISs上可辨识属性矩阵、分布约简和分配约简的辨识公式,克服了经典方法在FISs上的不适用性.示例结果表明,在不同粒度空间上,这些约简方法产生了与全部属性具有最大程度分辨能力和规则置信度的属性子集.     

信息系统中属性重要性的等价刻画

信息系统是一个具有对象与属性关系的数据库,揭示属性的本质特点、刻画属性的重要性是考虑各类约简问题的基础.本文改进了已有的基于等价关系的属性重要性的度量,并给出了基于划分的属性重要性的刻画,在一定程度上简化了相关运算步骤,提高了运算效率.     

粗糙集属性约简贪心算法的改进

将单个属性按照B精度的均值和方差决定的属性重要性,从大到小依次加入到约简属性中．对重要性相等的属性,再计算划分的B精度来决定加入哪些属性,直到满足约简条件为止．与不用属性重要性的算法相比,计算量较少,提高了计算速度．     

基于辨识矩阵的属性集重要度评价方法

在决策表中,为了评价某条件属性的重要性,不但要考虑这个属性（单一属性）相对于决策属性的重要性,还要考虑该条件属性与其他条件属性构成的属性集的重要性。本文在属性集依赖度比单一属性依赖度更加可信的事实基础上,提出了一个基于辨识矩阵的属性集重要度评价方法。该方法能够较快地获得分辨矩阵,并直接求出属性集的依赖度,从而大大降低了算法的时间复杂度。实例验证了该方法具有较好的有效性和较低的时间复杂度。     

密文策略的权重属性基加密方案

在综合分析现有密文策略属性基加密方案的基础上,针对现有密文策略属性基加密方案较少考虑属性重要性的现状,将权重的概念引入到密文策略属性基加密方案中.授权机构依据属性在系统中的重要程度为其分配不同的权值,并依据属性的权值,通过属性转化算法将属性集合转化为属性权重分割集,利用线性秘密共享方法来实现密文策略权重属性基加密方案.提出了密文策略权重属性基加密方案的安全模型,在判定性双线性Diffie-Hellman指数假设下证明了该方案在标准模型下抵抗选择明文攻击的能力.密文策略权重属性基加密方案尽管在密文和密钥长度方面有所增加,但方案既可以支持细粒度的访问控制,又可以体现出属性的重要性,更加贴近于实际环境.     

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·     

基于粗糙集属性变分区的属性约简

应用粗糙集的方法，分析决策系统中不同的属性分类方法，以及不同分类方法引起的属性重要性与属性相对约简极小子集的变化情况，寻求属性分类方法与属性约简结果相互影响的内在因素，给出高效的属性分类方法和合理确定约简子集的策略，生成策略对应软件的实现算法，并运用软件实现算法来选取相对约简子集．试验结果显示了该策略及算法的有效性．     

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     

基于加权综合的样本分类算法

首先分析了粗糙集理论中现有属性依赖性定义的不合理性，然后给出一种新的属性依赖性度量．根据这种依赖性度量，给出属性重要性的定义，再以这种属性重要性为权重，给出一种基于加权综合的样本分类算法。由于属性的重要性是由条件属性相对于决策属性的依赖性决定的，它的数值相对比较客观，这样解决了常用的定权方法的弱点，它们一般是凭经验或由专家给出，具有相当的主观性。     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论，提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性， 在保证决策表原始分类能力不变的前提下，按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉，从而将条件属性离散化。同时给出了该算法的时间复杂度分析，并通过实例分析验证了算 法的有效性和实用性。     

基于VPRS的重要属性评价方法研究

提出了基于可变精度的Rough集(VPRS)的重要属性评价方法，有效地克服了基于Pawlak组集理论的属性重要性判别方法的不足，也是传统属性重要性判别方法的扩展，为不精确数据的属性重要性判别提供了依据，因而具有一定的实用价值．     

基于粗糙集理论的医疗信息系统分析

基于粗糙集理论的启发式算法,先求出决策表的核值,再量化数据属性的重要性,属性约简从核出发根据属性重要度的不同逐次选择重要度大的属性添加到核中去,直到满足要求为止。利用该算法从医疗信息系统中收集有用的患者属性数据,消去多余数据属性,并由此帮助医院进行决策,实施建立医院客户关系管理。     

一种基于属性重要性的属性约简启发式算法

属性约简是粗糙集理论研究中的关键问题之一.文中定义了一种新的属性重要性度量准则,克服了多值偏向性问题,并给出一种新的属性约简算法.该算法以核属性集为初始约简集合,以新的属性重要性度量准则为启发信息,通过逐步加入相对于决策而言重要的条件属性来求取最小约简.实例分析表明该算法是有效的.     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.