基于信息量的不完备信息系统属性约简

通过引入信息量和条件信息量,对不完备信息系统中属性的重要性进行了定义;针对不完备数据表和不完备决策表提出了一种基于信息量和条件信息量的属性约简启发式算法,该算法的时间复杂度是多项式的.通过实例说明,该算法能得到信息表的约简和决策表的相对约简.     

基于遗传算法的不完备信息系统属性约简方法

提出了一种基于遗传算法的属性相对约简算法。通过在不完备信息系统中引入决策属性支持度的概念,来描述由条件属性所提供的知识对整体决策的支持程度,以此作为启发式信息求出相对核,并将相对核加入遗传算法的初始种群中以加快算法的收敛。同时,在适应值函数中引入惩罚函数,可以保证所求约简既含较少的属性又有较强的支持度,能够获得最佳的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

集值决策信息系统的属性约简及确定性决策规则优化

在集值决策信息系统中定义了一种相容关系,利用最大相容类定义了两类上下近似算子;分别利用两类下近似算子,定义了属性的A-相对约简和E-相对约简,以获取确定性决策规则的优化规则;分别定义了两种区分函数,相应地给出了A-相对约简和E-相对约简的区分函数求法,并证明了该方法的正确性。     

不完备决策系统中规则提取的快速矩阵算法

提出了广义决策的不可分辨关系及其不可分辨类、联合决策相容矩阵等概念以及不完备决策系统中基于联合决策相容矩阵的约简和规则提取的快速矩阵算法.将条件属性相容矩阵和决策属性分配决策矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,有效的提高了算法的效率.通过一个实例,说明了算法的执行过程;算法复杂度分析以及相应的对比实验,进一步说明了该方法的有效性.     

不完备决策信息系统的混合条件熵与多属性决策

不完备决策信息系统的多属性决策具有应用意义,其主要依托不确定性度量.针对不完备决策信息系统,现有条件熵及相关决策排序方法具有信息单一缺点,对此提出混合条件熵与对应决策排序方法.首先,层次分解条件熵并引入依赖度,构建直接混合与层次混合两种新型条件熵,得到粒化单调性与度量值大小等性质.然后,由两种混合条件熵设计两种多属性决策排序算法,得到对比五种排序方法的有效性与改进性.最后,实施实际数据集的决策排序实验,证实新建排序方法能够取得条件熵排序方法的一致效果.混合条件熵分层融合了信息表示与代数表示,改进现有条件熵进而更全面表征系统不确定性,其合理排序有利于不完备决策信息系统的多属性决策应用.     

不完备信息系统中的特征关系进一步研究

以同时具有遗漏型和丢失型未知属性值的不完备信息系统为研究对象,深入分析了其中的特征关系并讨论了特征类中的两种不合理情形,进而提出了一种新的特征关系.根据新建立的特征关系,构建了论域上的完全覆盖,形成了两种不同类型的知识表达系统,并进行了一些重要性质的研究.最后用一实例分析以验证新的特征关系的有效性.     

信息系统的属性约简

粗糙集理论是一种新的处理模糊和不确定知识的数学工具 .属性约简是粗糙集理论研究中的重要内容之一 ,现已证明寻找信息系统的最小约简是 NP-hard问题 .本文提出一个基于信息量的属性约简的启发式算法 ,该算法的时间复杂性为 $O( | A|^3 | U| ^2 )$ .通过例子分析 ,表明该算法是有效的.     

模糊信息系统知识约简的分辨函数法

知识约简是粗糙集理论的重要研究内容.针对不同的粗糙集模型和约简定义,给出相应的知识约简方法一直是知识约简的主要任务.以分辩函数法为代表的各种符号值信息系统知识约简方法已得到深入研究.将分辨函数引入模糊信息系统,得到相应的知识约简分辨函数法,并通过实例分析说明了该方法的具体计算步骤.这为从模糊信息系统中获取知识提供了一种有效的粗糙集方法.     

基于信息量的序信息系统的属性约简

属性约简是粗糙集理论研究的核心内容之一.在序信息系统中引入信息量和属性重要性,给出它们与属性约简之间的关系.针对序信息系统提出了一种基于信息量和属性重要性的属性约简算法,讨论了算法的时间复杂度.实例证明了该算法的有效性.     

模糊目标信息系统的属性约简

利用粗糙模糊集的概念定义了模糊目标信息系统的α下(上)分配约简,并讨论了它们同下(上)近似约简、下(上)最大分布约简的关系.相应于下(上)近似约简、下(上)最大分布约简和α下(上)分配约简给出了把模糊目标信息系统变换成对应的一致目标信息系统的方法.证明了变换前的模糊目标信息系统的下(上)近似约简、下(上)最大分布约简和α下(上)分配约简同变换后的对应的一致目标信息系统的属性约简是相同的,从而求模糊目标信息系统的属性约简可转化为求一致目标信息系统的约简.     

基于模拟退火算法的决策表最优属性选择

连续属性的决策表知识获取有两个问题需要解决其一是连续属性的离散化问题。这个问题已引起了人们的注意,在简单评述的基础上,结合粗集理论,提出了一种新的数据离散化方法。大致思想是先用K-W检验方法粗略评价各连续属性的重要性,然后用c均值聚类给出各属性的量化结果。若决策表不相容,则按属性重要性依次增加分类的区间数,如此反复直到决策表相容为止。其次是最优属性的选择问题。在此借助于简约格和模拟退火算法,给出一种启发式算法和最优算法。实例表明,上述方法是有效的。     

基于差别矩阵的Rough集属性约简算法

差别矩阵非空元素的个数,直接影响基于差别矩阵的Rough集属性约简算法的效率。分析了几种差别矩阵的不足,基于此,重新定义了一种差别矩阵,该差别矩阵把划分U/C={[x1]C,[x2]C,…,[xn]C}的一个等价类看成一条规则参与区分,从而大大减少了差别矩阵非空元素的个数,提高了Rough集属性约简算法的效率。给出了这几种差别矩阵非空元素的计算公式及其相关定理。提出了一种带启发式知识的约简算法,该算法在很大程度上能找到决策表的最小属性约简。最后给出了对UCI一些数据库的仿真结果。     

基于变精度动态容差关系的扩充粗糙集模型

在分析已有扩充粗糙集模型的基础上提出了一种变精度动态容差关系的新模型.设置动态容差度参数来控制该扩展模型的容差关系强度,并且给出了该参教的动态曼新算法.设置精度参数来处理存在一定误差的数据,增强了模型的泛化和抗噪能力.最后用UCI中大量不完备数据验证了该模型的有效性.     

基于相对分辨能力的属性约简算法

在粗糙集理论中,分辨能力反映拥有知识的多少;为此,给出分辨能力相关概念、性质和计算方法,并提出基于相对分辨能力的约简定义,同时研究该约简定义与Hu差别矩阵约简之间的等价性,指出Hu差别矩阵约简可由相对分辨能力约简获得.为了进一步提高求解效率,通过减少约简过程中基数排序次数来提升效率,设计了相对分辨能力的约简算法,其时间复杂度为O(|C|~2|U|).实例分析和UcI中数据集的实验比较表明所提出的约简算法是有效的、可行的.     

不完全信息下的粗集拓展

在复杂的决策环境下，不完全信息是不可避免的，在此情况一，专家往往也能给出满意的决策，因此从不完全的案例中提取有用的模式，用于增强智能系统的知识库，是具有实际意义的，粗集是处理不确定信息的有效方法，但它通常适用于完全决策者，论文对粗集理论在不完全信息下进行了初步的拓展，这给从不完全决策表中挖掘知识提供了理论基础。