基于Relief属性重要度的快速约简算法

邻域粗糙集是经典Pawlak粗糙集的扩展,能够有效的处理数值型数据。因为引入了邻域粒化的概念,使用邻域粗糙集模型计算样本邻域度量属性重要度时,需要不断反复的对负域中的样本进行邻域划分操作,算法计算量很大。为此提出了一种基于Relief算法属性重要度的快速属性约简算法,降低计算邻域的算法时间复杂性。通过和现有算法运用多组UCI标准数据集进行比较,实验结果表明,在不降低分类精度的前提下,该算法能更快速地得到属性约简。     

基于下近似分布的变精度邻域粗糙集属性约简算法

利用邻域粗糙集处理数值型数据,可以解决经典粗糙集不能直接处理数值型数据的问题,改进后的变精度邻域粗糙集可以增强抗噪声的能力。但变精度邻域粗糙集的属性约简有不同于邻域粗糙集的特性,需要考虑每个决策类的下近似分布。文中提出可以遵循平均错误率来约简属性,减少计算规模。实验证明,使用UCI数据集与其它算法进行了比较,该算法可以获得理想的结果。     

基于极大相容块的邻域粗糙集模型

对于数值型数据而言,邻域粗糙集模型是处理不确定信息的有效工具.现有的邻域粗糙集模型仅关注那些邻域中所有样本都属于同一个决策类的一致性情形,无法利用邻域中与多个决策类相交的边界样本所蕴含的信息.针对邻域粗糙集的这一局限性,将相容关系的极大相容块与邻域粗糙集相结合,选取样本邻域内的最大等价块作为最小的信息粒,通过重新定义邻域粗糙集的上下近似和属性重要度等概念,建立了一种基于极大相容块的邻域粗糙集模型.该模型可在更小的信息粒度下将原来边界样本转化成一致性样本来增大正域.运用前向贪婪策略构建了相应的属性约简算法.在七个公开的UCI数据集上的对比实验验证了提出模型的有效性.     

基于邻域粗糙集的多标记属性约简算法

在多标记学习中,属性约简是解决多标记数据维数灾难的一个关键技术.针对邻域粗糙集属性约简在计算正域代价较大和多标记数据中标记具有不同的强弱性问题,提出了基于邻域粗糙集的多标记属性约简算法.该算法首先利用样本在整个属性空间下到其异类样本的平均距离与到其同类样本的平均距离的差值对标记进行加权;其次,利用取整函数对样本空间进行划分,提出了一种新的多标记邻域粗糙集快速计算正域的方法;最后,根据前向贪心搜索算法进行属性约简,以获得一组新的属性排序.实验给出了5个多标记数据集在4个评价准则上的对比结果,实验结果分析表明了所提算法的有效性.     

基于邻域粗糙集的极速学习机算法

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测。实验表明ELM算法相比具有更高的训练精度和测试精度。     

结合邻域信息和标记相关性的在线多标记流特征选择算法

现有大多数多标记流特征选择算法在进行特征选择时,往往忽略标记间的相关性,易导致算法预测精度的下降。为解决这一问题,提出一种结合邻域信息和标记相关性的在线多标记流特征选择算法;定义自适应邻域关系解决邻域粗糙集的粒度选择问题,将其推广到多标记学习中;利用互信息计算标记间的相关性得到标记权重;通过邻域粗糙集和标记权重评估特征和标记间的相关性,并设计特征在线重要度分析、在线相关性分析和在线冗余度分析3种指标,以实现在线评价动态候选特征。在7组多标记数据集以及5个评价指标上的实验结果表明,所提算法综合性能较优。     

利用变精度粗糙集和粒子群的图像多阈值分割算法

图像分割是由图像处理到图像分析的关键步骤,也是计算机视觉领域中的热点和难点问题.为了寻找图像分割的有效方法,将变精度粗糙集和粒子群相结合,提出了利用变精度粗糙集和粒子群的图像多阈值分割算法.该算法用变精度粗糙集表示图像,求解背景子图和目标子图的分类误差,确定子图的上下近似集,再用最小粗糙熵求解最佳多阈值分割点.引入粒子群优化算法提高求解该值的效率.实验表明,该算法显著增强了图像分割的效果,并具有一定的实用性和灵活性.     

基于PCA和多邻域粗糙集的肿瘤特征基因选择算法

针对邻域粗糙集采用全局邻域求解近似,存在计算时间复杂度高且无法对基因表达谱精确描述的问题,构造了基于主成分分析(PCA)和改进邻域粗糙集(NRS)算法的PNRS模型.首先采用PCA算法获得低维的特征基因空间;然后利用改进的多邻域粗糙集算法进行特征基因选择,即采用欧氏距离计算每列属性邻域值,选取所有属性邻域集合计算邻域决策系统的近似;最后采用启发式搜索算法选择特征基因子集.实验结果表明,PNRS模型能够在选择出较小的基因子集的情况下获得较高的分类精度,从而验证了该方法的有效性.     

基于灰狼算法和案例推理的工控系统入侵检测

提出了一种基于二进制灰狼算法和邻域粗糙集的案例推理分类算法(bGWO-NRSCBR),以有效处理工控网络数据样本高维、冗余的问题。首先,将邻域粗糙集(NRS)中的依赖度概念和属性个数作为二进制灰狼优化算法(bGWO)的适应度函数,通过狼群不断更新位置寻找最小相对属性集;然后基于属性重要度对权重进行优化分配从而建立案例推理(CBR)分类模型;最后利用该模型对工控网络标准数据集进行入侵检测研究。实验结果表明,本文算法能够获得最小相对属性子集,并有效提高入侵检测算法的准确度和效率。     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

基于扩展可辨识矩阵的混合决策系统属性约简

经典粗糙集理论的研究对象只能是完备的离散决策系统。为了直接对不完备混合决策系统进行属性约简,因此通过引入邻域关系和限制容差关系的概念对可辨识矩阵的定义进行了扩展,提出了一种基于扩展可辨识矩阵的属性约简算法;该算法可以兼容处理完备与不完备混合决策系统。通过UCI数据集的仿真实验证明了该算法的有效性,最后讨论了扩展可辨识矩阵中的邻域阈值选择对属性约简结果的影响。     

信息观下批增量式属性约简算法

邻域系统是一种数值信息粒度计算模型,该模型可以直接分析数值型数据,拓展了经典粗糙集理论的应用范围。邻域系统中现有的增量算法基本上都是从代数观下分析其变化情况。文章从信息观角度出发,分析了当批量增加样本后,新条件熵的变化机制,并分析出决定条件熵变化的是新增批量样本的不一致邻域,进而导致约简集的变化。基于此,提出一种信息观下批增量式属性约简算法,该算法只需找到新增的不一致邻域,并与新增样本一起进行约简,避免了有重复的约简,大大地减少了计算量,从而能够迅速得到更新后的约简集。最后分析了算法的复杂度,并且通过相关的实验验证了本文算法的有效性和高效性。     

面向对象删除的局部邻域粗糙集动态更新算法

为了有效地计算动态数值型数据的近似算子,提出了一种局部邻域粗糙集模型的动态更新算法,分析对象集减少时局部近似集的更新公式,设计获取局部近似集的动态算法。动态更新算法充分利用已有知识,避免了大量重复计算。为了验证算法的有效性,使用来自UCI的6组数据集进行了对比实验。     

基于层次类别邻域粗糙集的在线流特征选择算法

在开放动态环境中，在线流特征选择是降低特征空间维度的有效方法 .现有的在线流特征选择算法能够有效地选择一个较优的特征子集，然而，这些算法忽略了类别中可能存在的层次结构.基于此，提出基于层次类别邻域粗糙集的在线流特征选择算法：首先，在邻域粗糙集中引入层次最近异类的邻域关系，避免邻域粒度的选择，借助层次结构计算特征对标记的层次依赖度，推广邻域粗糙集模型以适应层次类别数据；其次，基于层次依赖度提出三个在线特征评价函数，设计了在线相关选择、在线重要度计算和在线冗余更新的层次特征选择框架；最后，在六个层次类别数据集和八个扁平单标记数据集上的实验表明，提出的算法优于现有最先进的在线流特征选择算法.     

基于鲁棒近邻粗糙逼近的属性约简算法

基于邻域粗糙集的属性约简模型既受邻域半径参数值的影响,又不能评估属性与样本对象之间的内在关系.为此,本文先提出鲁棒近邻来确认对象的邻域,计算出若干个与样本对象最近同类与最近异类对象距离的平均值,然后依据分类区分函数的定义来确定近邻类的邻域半径大小,构造了鲁棒近邻粗糙集模型.最后按照其模型,基于样本对象对属性的评价准则提出了鲁棒近邻的属性约简算法.该算法模型分别在CART,KNN和LSVM三个分类器和10个样本数据集中测试运行,实验效果表明该模型不但可以筛选得到较少的属性集,而且还可以有效提高分类精度.     

基于矩阵策略的不完备混合型数据增量式特征选择算法

特征选择是粗糙集理论在数据挖掘等领域中一种重要的应用,如何对动态变化的信息系统进行增量式特征选择是目前粗糙集理论研究的重点。在不完备混合型信息系统中,属性集的不断增加是信息系统动态变化的一种重要形式。首先在不完备混合型信息系统中引入邻域条件熵的概念,并且利用矩阵的方法去表示邻域条件熵;然后针对属性集动态增加的情形,提出矩阵形式的邻域条件熵增量式更新,并且基于这种增量式更新机制给出了相应的增量式特征选择算法;最后,UCI数据集的实验结果表明,所提出的增量式特征选择算法比非增量式特征选择算法具有更高的特征选择性能。     

平移不变自适应块阈值图像去噪算法

为有效抑制图像阈值去噪产生的伪吉布斯现象,提出了平移不变自适应块阈值图像去噪算法(ABTTI).即,首先在小波域中将小波系数分成子块,然后利用块平移不变性、块阈值自适应性,并采用本文提出的基于子块能量的自适应阈值方法计算分块阈值.利用3种经典测试图像,与软阈值、块阈值等算法进行对比,结果证明ABTTI算法不仅具有好的去伪影性能,而且可以获得更高的峰值信噪比和计算效率.     

优势关系多粒度粗糙集中近似集动态更新方法

随着数据的不断变化,从信息系统中获取有用的信息,可有效地为决策提供依据.为此在多粒度环境下,优势关系多粒度粗糙集中粒度增加时,分析了优势关系乐观多粒度粗糙集和悲观多粒度粗糙集近似集动态更新的定理和相关性质,提出了一种优势关系多粒度粗糙集模型中,当粒度结构动态增加时,近似集更新的算法.该算法的基本思想是不需要重新计算粒度结构变化时信息系统的优势类、下近似集和上近似集,只需根据新增粒度结构的相关信息计算所有对象的优势类;然后根据优势关系乐观多粒度粗糙集和悲观多粒度粗糙集中动态更新近似集的相关定理计算近似集,提高了更新效率.通过与传统的静态算法做比较,验证了本算法的有效性.     

一种求解属性约简优化的协同粒子群算法

针对粗糙属性约简优化问题,利用粒子群寻求最优解的优势,提出一种改进的粗糙集属性约简优化的协同粒子群算法(AR-CPSO)。在最优属性寻求过程中,该算法使粒子群在属性空间通过约简集向量的分解和邻域簇的协同学习提高其寻优能力,并利用自适应约束强化罚函数较好地收敛到最优目标属性约简集。该算法能始终保持种群的多样性、协作性,并避免过早地陷入局部最优。相关仿真实验表明,AR-CPSO算法能有效地找到全局最优属性约简集,具有较强的属性协同约简优化性能。     

基于统计学的老电影斑点自适应检测方法

传统基于ROD的斑点检测算法在对不同帧或当前帧的不同区域进行检测时,所采取的阈值是固定不变的,缺乏自适应性,同时也在很大程度上影响了检测效果.为了解决上述问题,提出了一种基于统计学的自适应阈值检测方法.传统检测方法仅计算各孤立点之间的灰度级差异,而该算法则是计算各点邻域块内的灰度级差异,同时利用阈值迭代及帧间的统计特性的方法来确定每一帧图像的最优阈值,提高了算法的自适应性.仿真实验结果表明,该算法的斑点检测效果比传统方法更加准确,自适应性也更高.