基于属性分辨度的不完备决策表属性约简算法

针对现有不完备决策表属性约简算法复杂度较高的问题,提出了基于属性分辨度的属性约简算法.文中分析了不完备决策表中条件属性相对于决策重要性的外在表现,提出了属性分辨度的概念,并给出了属性分辨度随着约简属性集的变化而动态更新的计算方法.该算法在属性约简过程中会不断删除已经属于正域的对象或不影响正域计算的相容块,通过降低样本数据的规模来减少计算耗时,加速属性约简.理论分析和仿真实验表明,文中算法是有效的,并且算法复杂度优于现有的不完备决策表属性约简算法.     

一种基于属性依赖的属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出了基于属性依赖的属性约简算法,该算法不用求核.首先利用单个条件属性与决策属性的依赖度来选择条件属性,取与决策属性依赖度大的属性,计算完毕后,将得到的条件属性两两之间进行依赖度计算,删除冗余属性,最后得到条件属性的约简.理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率.     

信息表相对属性约简的一个算法

给出一种相对属性约简的算法 .该算法对于信息表中由决策属性决定的划分中的每个基本集合 ,计算它们的下逼近集并对每个条件属性在下逼近集中的取值进行检索 ,剔除可能是多余的条件属性 ,得到一个候选属性约简 .在此基础上 ,通过逐步扩展属性 ,最终得到一个属性约简 .与已有的一些算法相比 ,该算法计算量较少     

基于优势-等价关系的属性约简算法

考虑多标准分类问题,即条件属性具有偏好关系而决策属性是无序的类别,通过在条件属性上引入优势关系而决策属性仍然用等价关系来描述不同的属性.针对这类信息系统,本文提出了一种基于样例对的矩阵约简算法.区别于传统的基于辨识矩阵约简方法,该算法在不计算辨识矩阵的前提下,通过选择样例对,来找到辨识矩阵中对约简有用的属性,因此,所提算法能够明显改善计算约简的时间耗费.进一步,为了处理较大规模的数据,提出了一种近似约简算法,该算法按属性重要性添加属性到约简中,进一步缩短了求取约简的时间.最后在UCI数据集上进行大量的实验与传统的约简算法进行了对比,表明了所提出算法的可行性与有效性.     

一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

一种针对不相容决策表的属性约简改进算法

研究不相容决策表的属性约简问题.在对现有约简算法局限性分析的基础上,提出一种基于等价划分的属性约简改进算法.该算法不仅从整体上划分了决策表,使其适用范围更广,还使用了过滤矩阵与属性频率重要性的计算方法,提高了算法的效率.最后通过理论证明和实例分析,验证了该算法的有效性.     

基于粗糙集理论的多标记数据互补决策约简加速算法

互补决策约简是一种多标记数据属性约简方法,当数据规模较大时,其启发式算法的计算耗时较大。基于粗糙集理论,对互补决策约简启发式算法的加速算法进行了研究。当粒度由粗变细时,在逐步去掉正域的数据集上,首先研究互补决策约简中属性外部重要度的保序性质;基于此,通过逐步缩小数据规模来降低计算约简的耗时,提出了互补决策约简加速算法。加速算法不仅减少了属性约简的计算时间,而且能够保持原始算法的约简结果。     

面向用户需求的覆盖约简模型

许多学习算法都存在这样一个偏置：属性集中的属性同等重要.然而,这种假设不一定实际.如果把属性集中的属性根据实际情况考虑为分别具有不同的重要性,那么由此获得的模型应该更合理,也有不少学者将此考入到算法中.文章将计算属性约简的问题转化为计算集合覆盖约简问题的思想,通过将描述用户需求或偏好的属性序纳入考虑,设计了基于用户需求的覆盖约简算法,并且对计算复杂性分析.最后运用实例验证了算法的可行性和有效性.     

基于二进制粒与粒计算的属性约简

目前有关粒计算的理论与方法主要有商空间理论、词计算理论和粗糙集理论.以粗糙集理论发展的粒计算理论为基础,定义了幂图、粒度幂图及二进制粒等概念,提出基于二进制粒计算与粒度幂图的两种属性约简算法,把属性约简问题转化为在粒度幂图中的搜索问题,为属性约简开辟了新的途径.理论分析表明,所提出的算法是有效可行的.     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

基于属性递减策略的属性约简递归算法

属性约简是粗糙集理论的核心研究内容之一。通过对某些现存属性约简算法分析,发现它们并不能有效地或正确地获取约简结果。为此,论文提出了一种基于属性递减策略的属性约简递归算法,该算法首先求出每个条件属性的依赖度,然后依次从条件属性集中减去依赖度较小的属性,并判断剩余属性集依赖度是否为1,如果是,则算法递归执行。最后把所获属性集并入约简集并求得核。该算法不仅能够快速计算出所有约简和核,而且运算简单、计算量较少,从而提高了算法效率。实例验证表明,该算法能更有效地对决策表进行约简,具有很强的实用性。     

基于差别矩阵的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一.提出了一种基于差别矩阵的属性约简算法.该算法引进栈的概念,利用栈的特点,对文献[1]中算法进行改进,提出了一种求所有约简的算法.     

基于关系矩阵的信息系统属性约简算法

提出了信息系统属性约简的一种新算法,从关系矩阵角度定义了属性重要度及非核属性次要度,然后以属性重要度指标作为启发式信息,辅以属性次要度,设计了一种简洁、有效的属性约简算法.该算法具有较大的灵活性,能从搜索空间逐次删除重要度为零及次要度低的属性,避免对这些属性进行重复搜索,提高了搜索的效率,最后通过实例验证了算法的可行性与有效性.     

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。     

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．     

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.     

基于决策支持度的不完备信息系统约简算法

提出了一种基于决策属性支持度的属性相对约简算法。通过引入决策属性支持度对不完备决策表中属性的重要性进行了定义,并以此作为启发信息进行属性的选择,该算法的时间复杂度是多项式的。寻找决策表中最小相对约简问题是典型的NP-hard问题,采用该算法可降低问题复杂度。通过实例说明,该算法能得到不完备决策表的最小相对约简。     

一种基于粗糙集的约简算法

在决策表中求取知识时可以进行属性约简,而属性约简中大部分算法都需计算核．文章基于现有的属性约简算法,提出了改进的约简算法．该算法不需要求核,从而节约了时间与空间,使粗糙集在面对大数据时能更好的处理．