粗集中属性约简的一种启发式遗传算法

为了获得决策系统中属性最小相对约简,将信息论角度定义的属性重要性度量作为启发式信息引入遗传算法,提出了一种启发式遗传算法。通过构造一个新的算子来引入启发式信息,使得选择的属性子集的分类能力不变。该算子体现了一种利用启发式信息的局部搜索技术,使得算法既保持整体优化特性,又具有较快的收敛速度。从理论上对算法作了分析,对新算子所能选择属性子集的分类能力不变作了证明。最后的实例表明,该算法能有效地对决策系统进行最大程度的约简。     

一种基于依赖度的决策表属性约简算法

属性约简是粗集理论研究的重要内容之一,计算所有属性约简已被证明是NP-hard问题,目前尚不存在一种非常有效的方法。基于依赖度的决策表属性约简算法,可同时适用于一致和不一致的决策表,实验结果表明,与Hu提出的属性约简算法相比,该算法不仅简单可行,而且具有较好的时间性能。     

一种基于二进制可辨矩阵的属性约简算法

基于可辨矩阵的属性约简算法都是从信息系统中直接求得约简，提出了分两步求得约简，降低了算法的时间复杂度为O(mn^2)，第一步计算出近似约简，第二步去掉其中的冗余属性。改变了过去人们认为基于可辨矩阵的特征选择算法的时间复杂度不低于O(m^2n^2)的观点(其中m为数据集中特征／属性的个数，n为数据集中样本的个数)。最后给出了实验结果.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点.已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理.结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法.利用该算法可以快速得到海量数据的属性约简结果.仿真实验结果说明了该算法的高效性.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点。已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理。结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法。利用该算法可以快速得到海量数据的属性约简结果。仿真实验结果说明了该算法的高效性。     

基于相似关系的不完备决策表属性约简

粗集理论是一种处理不精确，不完全与不相客知识的新的数学工具．属性约简是粗集理论研究的核心问题之一．通过属性约简，简化信息表的属性雏数．在许多情况下面临的信息系统是不完备的，本文研究不完备信息系统下决策表的属性约简问题．     

一种求粗糙集中最小属性约简的新算法

给出一种构造决策表广义信息表的方法并引入一种新的属性重要性度量准则.对相容与不相容决策表分别给出了求最小属性约简的新算法.     

基于精集模型的近似约简灰色区域表征法

利用粗集理论,通过建模构造了数据集在约简前后的信息损失表达的灰色区域,将少数优先和多数优先的统计策略包含到灰色区域之中,并利用该区域,提出了一种灰色区域表征的σδ-近似约简方法,通过仿真实验,对提出的方法进行了验证。该方法按照人的要求调整阂值获得问题所需解的思想体现了人机结合以人为主的思想。     

一种改进的相对属性约简算法

研究了粗糙集理论中一般属性约简和相对属性约简这两个重要问题,针对决策信息系统,提出一种基于一般约简和互信息的相对属性约简算法,实例表明能够有效得到决策表的约简。     

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.     

基于粗糙集带结论域的关联规则挖掘算法及其优化

针对Apriori-Hybrid算法的瓶颈,提出了一种使用支持度矩阵对频繁2项集快速挖掘的方法,采用改进的Apriori-Hybrid算法来挖掘关联规则,试验证明该算法提高了关联规则挖掘的效率和质量．     

基于粗集与贝叶斯分类的电信网络质量预测

在小样本的情况下,仅利用数理统计方法进行预测是不太适合的。在此先应用粗糙集的相关知识来确定影响电信网络质量的主要因素,然后运用贝叶斯理论将统计推断建立在后验分布的基础上,并给出了小样本试验数据的电信网络质量的预测。     

一种改进的Rough集属性约简启发式遗传算法

属性约简是知识发现中的关键问题之一 .为了能够有效地获取决策表中属性最小相对约简 ,提出了一种在优化初始群体基础上提高算法性能的启发式遗传算法 .首先 ,通过构造一个新的算子 ,将信息论角度定义的属性重要性度量作为启发式信息 ,来描述所选择的属性子集对论域中确定分类子集的影响 ;接着 ,以此为基础并结合遗传算法 ,选择一些经过优化的染色体作为初始群体 ,在加强局部搜索能力的同时保持了该算法全局寻优的特性 .最后 ,从理论上对算法做了分析 ,证明了新算子所选择的属性子集对原有属性分类能力保持不变 .试验分析表明 ,该算法能有效地对决策表属性进行约简     

基于改进扩展正域的属性核与属性约简方法

指出了不相容决策表中存在的正域扩展方法的不足,基于决策表局部最小确定性与条件属性对决策的最小确定性程度,构建了一种改进的扩展正域方法。基于改进的扩展正域方法,提出了计算不相容决策表中认知属性核和认知属性约简的算法。实验结果表明了本文方法的有效性。     

结合一致性准则的粗糙集属性约简算法

文章从属性选择角度对粗糙集属性约简概念进行扩展,在属性约简综合多重属性选择标准方面做了初步的研究。将属性类内一致性选择标准与粗糙集属性约简结合,以获得抗噪的约简;设计了一种全局最优算法和一种次优filter算法,从分类正确率、最简性及类内类间距离方面对一致性判据JC进行了测试,实验结果显示一致性高的属性约简集优于其他约简集。     

一种基于关联规则的属性值约简算法

数据约简是数据挖掘中的一个重要领域．将属性值约简和关联规则挖掘相结合．给出了支持度、置信度、属性值重要性的定义．在此基础上．提出一种新的用来进行数据挖掘的算法——基于关联规则的属性值约简算法．     

数据挖掘中的关联规则

关联规则（Association Rules)是数据挖掘（Data Mining)中的重要工具,系统综述关联规则的各种形式及研究动态,供读对不同的对象与背景,有效地运用关联规则的原理与方法解决实际问题。     

基于遗传算法的数量属性离散化算法

提出了在没有任何领域知识可供借鉴的情况下，基于聚类思想，利用遗传算法对数量型属性进行离散化的新算法——遗传C均值算法．该算法利用遗传算法具有全局寻优的特性，对训练样本根据其每一属性值进行聚类，将样本划分为不同的类，从而为每一属性找到其值的最佳分割点．然后，对不同类赋以不同的编码．该算法的优点是能得到最优的离散化结果．在VC 6．0环境下实现了该算法．仿真实验证明该方法有效解决了利用粗糙集理论进行分类规则挖掘时，数量型属性的离散化问题。     

基于断点辨别力的粗糙集离散化算法

提出了基于断点辨别力的粗糙集离散化算法。通过分析候选断点与决策类之间的相关性,定义了候选断点对决策类的辨别力,并以此作为断点重要性的度量,实现连续属性的离散化。离散化后的决策系统不改变原有的相容性,而且能最大限度地保留有用信息。采用多组数据对此算法的性能进行了检验,并与其他算法做了对比实验。实验结果表明此算法是有效的,而且当候选断点个数增多时仍有较高的计算效率。     

时态关联规则中有效时间的不确定性研究

分析确定时间的时态关联规则,比较不确定时间下的时态关联规则与确定时间下的时态关联规则的优劣,给出时态关联规则在时间不确定条件下的定义,并用粗糙集表示不确定时间。