有约束指导的粗集决策表属性约简算法

粗集理论通过对原始决策表的约简获取规则知识,其核心部分是属性约简.本文在结合两种基本属性约简算法优点的基础上提出了有约束指导的属性约简算法,并给出了算法的详细步骤.该算法通过专家经验的约束指导避免了对属性之间随机组合情况的搜索,可以提高求解速度.仿真试验验证了该方法的有效性和优越性.应用该算法处理一组生产调度数据以获取调度规则,结果显示能较好的与生产实际相吻合,这进一步验证了算法的实用性.     

一种新的决策表属性约简算法

结合模糊聚类技术与粗糙集中属性重要性思想,对同时含有连续、离散、序数型条件属性的决策表,提出一种属性约简算法,并对算法的时间复杂度进行了分析.该方法首先利用聚类技术将决策表的对象按条件属性进行分类,然后对去掉某属性后的决策表采用同样的方法进行聚类,再结合粗糙集理论进行属性约简.实例说明了该方法的合理性和有效性.     

决策表的分布约简和严凸函数下约简的等价性

用严凸函数定义决策表的属性约简，证明用严凸函数定义的属性约简同分布约简是等价的，给出严凸函数定义的相对约简的一个判定定理。     

一种基于新的条件信息量的属性约简算法

为了获得决策系统中更好的相对约简,讨论了属性约简与条件信息量的关系,提出了新的条件信息量,由此定义新的属性重要性。统一了一致决策表和不一致决策表属性约简方法,以新的属性重要性为启发信息,给出了计算新的条件信息量的高效算法。理论分析和实验结果表明,与现有的基于条件信息量的约简算法相比,该算法时间复杂度较低,同时约简后的属性数目更少。     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.     

基于区分矩阵与强等价集的启发式知识约简法

提出了基于区分矩阵与强等价集的启发式知识约简方法。在决策表的相对约简过程中采用区分矩阵来表达知识,并利用区分矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。同时利用属性加权频率和强等价集概念化简区分矩阵,既减小了计算复杂度又提高了约简效率。现已证明,寻找决策表中最小相对约简问题是典型的问题,采用该算法在大多数情况下能够找到最小约简,即使在未找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速、有效的方法.     

一种基于分明矩阵的启发式知识约简方法

提出了基于分明矩阵的启发式知识约简方法。在决策表的相对约简过程中采用分明矩阵来表达知识,并利用分明矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。现已证明,寻找决策表中最小相对约简问题是典型的NP hard问题。所提供的算法在大多数情况下能够找到最小约简,即使在没找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速有效的方法     

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。     

一种基于相近关系的粗集理论扩展方法及属性约简

针对经典粗集理论中的不可分辨关系对连续属性值中噪声数据缺乏容错性的情况，提出一种相近关系代替不可分辨关系，并用不同的δ值调节相近关系中可接受的相近程度，限制可冗余的范围。给出相近度的计算方法，通过给定闲值定义真实相近类，用以减少一般相近类集合中对象的个数。另外，定义在相近关系下的粗集的一些基本概念，并提出相应的知识属性约简的方法。最后通过歼击机故障信息决策分类验证本文约简方法的正确性和对噪声数据的冗余性。     

变精度粗糙集属性约简的算法

针对变精度粗糙集属性约简问题,在分析变精度粗糙集理论的基础上,分别从属性依赖度增量、互信息的增量、基于覆盖度与准确度相结合的度量以及属性的不确定性量度等角度,对属性重要度进行分析。并分别以这四个属性重要度作为启发式信息,提出变精度粗糙集属性约简的启发式算法,进而得到信息系统的最小约简,并将所给的算法应用MATLAB程序进行实现。最后,通过具体算例说明所给算法的有效性和实用性。     

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。     

不完备信息系统的可信决策规则提取与E2相对约简

在不完备信息系统中,提出可信决策规则以及最优可信决策规则的概念,用以刻划信息系统中必定存在或可能存在的确定性决策规则.给出关于容差关系的最大相容类的∨-描述的概念,并由此得到初等可信决策规则.针对协调最大相容类,定义一种基于区分矩阵的区分函数;通过计算协调最大相容类的区分函数的析取范式,可由初等可信决策规则求得所有最优可信决策规则.最后给出条件属性的E-相对约简的概念及其区分函数求法.E-相对约简是保持不完备信息系统的确定性信息的极小条件属性子集.     

结合粗集理论的动态属性约简研究

针对动态建立数据库的需要和粗集约简存在的问题 ,在粗集理论的基础上提出了一种动态约简算法 .在数据库变化时 ,该算法不象静态粗集约简方法需重新寻找属性约简 ,而是利用新增的对象对原有的约简关系进行修正 ,大大节省了计算量 ,提高了搜索效率 ;同时在算法中还引入了信息熵准则以克服粗集约简准则对数据噪声的敏感性和不能表达属性间概率因果关系的缺点 .通过一个病因诊断问题的实例表明 ,该算法利用较小的信息表就找到了与静态粗集约简一致的属性约简集 ,并按照因果关系的大小 (不确定性大小 )对结果集合作了排序 ,同时计算量分析表明该算法比静态粗集约简极大地节省了计算量 ,提高了搜索效率 .     

决策表的属性重要性与离散化

运用 Rough集理论处理决策表时 ,要求决策表中的值用离散数据表达。文中形式化描述了离散化问题 ,研究了决策表的属性重要性 ,提出计算条件属性重要性的新方法 ,然后给出基于属性重要性的决策表离散化算法。该算法按照属性重要性从小到大的顺序对每个属性进行离散化 :从可辨别矩阵中得到冲突样本 ,将冲突样本的属性值作为断点的上下界 ,用所有这样的断点化简后得到的断点集对该属性进行离散化处理。     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

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.     

基于Rough集理论的同类人员综合评判模型及其简化

基于 Rough集理论 ,通过建立同类人员评判模型 ,利用此模型及其简化模型的算法 ,探索以可达到高效率评判各类人员中同类人员为目的的技术和方法 ,并以实例加以说明.     

基于变精度粗集模型的变精度值自主式获取方法

变精度粗集模型拓展了经典粗集理论,可使之适应不一致数据的处理。然而已有基于变精度粗集模型的知识约简算法要依据领域先验知识来确定变精度β值,影响了算法的实用性。在讨论β值对知识约简影响的基础上,提出变精度粗集模型的β值自主式获取方法,将变精度值设置在决策表相对可辨识性的阈值附近。实验结果表明该方法能较准确的反映决策表的决策分布情况。     

一种混合决策系统属性约简算法研究

针对基于模糊等价关系建立的粗糙集模型，指出了现有相对约简算法的不合理，重新定义了相对约简，并提出利用改进的二进制粒子群优化（PSO）算法来求混合决策系统的相对约简。改进的二进制PSO算法引入遗传算法的交叉算子，同时对于种群中适应度最低的粒子，用新产生的粒子代替。根据“相对约简中属性的数量越少，相对熵之差绝对值越小，适应度函数的值越大”的原则设计适应度函数。实验证明算法对混合决策系统能进行有效的约简。