基于论域离散度的属性约简算法

提出了一种基于论域离散度的适应度函数,在前向贪心搜索策略下,以该适应度函数评估条件属性的重要性,进而求取邻域粗糙集的约简。该算法与3个比较流行的属性约简算法进行对比实验,在12组UCI数据集上进行验证。实验结果表明,与另外3种算法相比,在不降低分类效果的情况下,本文算法在时间消耗和稳定性上具有较为明显的优势。     

融合云概念的粗糙Vague集的三支决策模型

Vague集是模糊集的扩展模型，从正反两方面来描述事物的不确定性，粗糙Vague集比粗糙模糊集更具有普遍性。目前，三支决策的阈值主要是由单个专家给出，不能反映认知过程中复杂的不确定性形式。针对这一问题，提出了一种融合云概念的粗糙Vague集的三支决策模型。使用基于密度中心的云概念群决策方法求解损失函数，不仅保证综合评价的精度，还为损失函数提供了新的语义解释。构建了粗糙Vague集的三支决策模型并揭示了其误分类代价随着粒度细化而单调递减的规律。通过实验验证了该方法的可行性，克服了现有模糊集在三支决策中对事物不确定性表达不够清楚的缺点。