一种基于条件熵的增量核求解方法

分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理. 并在此基础上提出了一种新的增量核求解算法. 该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核. 实例证明了该算法的有效性.     

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．     

多属性决策中属性值大小对其权重的影响

研究属性值大小对其属性权重的影响. 在常用权重分配方法的基础上,通过引入模糊集合的方法,提出了适合该情况下的属性分配方法.实例研究结果表明,考虑属性值大小的决策方法比传统的决策方法更为合理.     

基于属性值贡献率的朴素贝叶斯改进算法

朴素贝叶斯分类是一种简单高效的方法.但是当属性独立性假设不成立时,有可能导致待测样本类别判断错误;且当待测样本到各类别的概率相同时,无法判断该样本类别,从而影响了它的分类准确率.本文提出基于属性值贡献率的朴素贝叶斯改进算法,利用待测样本的各个属性值在各类别的总贡献率判别该样本的类别.在蘑菇数据实验结果表明,该算法能有效提高分类的准确率.     

基于粗糙集的实属性值约简算法

在A.Skowron关于属性值约简研究的基础上,给出截断点集的逻辑抽取方法,并基于复杂度的考虑提出一种改进的启发式算法,使属性的值集规模有实质性的约简.     

属性和属性值组合的概念模板

基于本体抽取三元组〈概念,属性,属性值〉,以词汇聚类为基础,将概念表示为属性和属性值的组合向量,对基于属性的概念模板和基于属性值的概念模板进行对比.研究发现,基于属性和属性值组合的概念模板优于任何一个单独的模板.     

基于统计学法则的连续属性值划分方法

目前决策树中很多分类算法例如ID3/C4.5/C5.0等都依赖于离散的属性值,并且希望将它们的值域划分到一个有限区间。利用统计学法则,提出一种新的连续属性值的划分方法;该方法通过统计学法则来发现精准的合并区间。另外在此基础上,为提高决策树算法分类学习性能,提出一种启发式的划分算法来获得理想的划分结果.在UCI真实数据集上进行仿真实验.结果表明获得了一个比较高的分类学习精度、与常见的划分算法比较起来有很好的分类学习能力。     

模糊信息下的不确定性决策问题

讨论了一类具有模糊概率和模糊属性评价值的不确定性决策问题。分析了模糊概率评价的一致性，给出了一种在模糊信息下求各策略模糊期望值的方法，并通过对各模糊期望值的比较来确定最优策略。最后，给出了一个数值计算的例子，结果表明，方法简单、合理，易于实现，具有实际应用价值。     

藏文编码中UNICODE数据库的应用

藏文的字符编码工作中需要建立编码字符数据库，而Unicode字符数据库在各国语言文字的字符编码方面具有非常重要的作用，因此要制定藏文编码字符数据库必须对Unicode字符数据库技术掌握得深透．本文扼要介绍这一新技术在藏文扩充集A字符数据库中的应用．