基于信息论的属性约简算法

研究了把信息论应用于决策信息系统属性约简中的方法,该方法不仅能对决策信息系统进行最大程度的约简,还可以求得尽可能多的约简,实例表明该算法能求出大多数测试数据集的全部约简.     

基于粗糙集的属性约简算法

目的针对不完备信息系统寻找处理方法。方法利用粗糙集扩充模型限制容差关系,取代经典粗糙集理论中的不可分辨关系,对不完备信息进行处理。结果理论上证明了算法的完备性,并使用UCI机器学习数据库对属性约简算法进行测试。结论所述的属性约简算法,不仅可以处理不完备信息,而且在效率上有所提高。     

基于属性约简的决策表算法

Rough Set理论通过属性约简和决策规则约简,达到发掘知识并简化知识的目的。本文首先给出了属性重要性的度量方法,然后对条件属性的简化进行了阐述,最后,讨论了一致决策表最小算法的三类优化问题。并通过一个实例证明了这种算法。     

优势-等价关系下区间值目标信息系统的分布约简

在优势-等价关系下区间值目标信息系统中,首先描述了分布约简和最大分布约简的概念,随之给出了二者之间的关系,相继讨论分布约简的判定定理以及对应的辨识矩阵,提出在优势-等价关系下的区间值目标信息系统分布约简的详细计算方法。     

优势-等价关系下区间值目标信息系统的分配约简

在优势-等价关系下区间值目标信息系统中,首先描述了分配约简和近似约简的概念,随之给出了二者之间的关系,相继讨论知识约简的判定定理以及对应的辨识矩阵,提出在优势-等价关系下的区间值目标信息系统分配约简的详细计算方法.     

基于属性加权频率算子的属性约简算法

定义了属性加权频率算子的概念,并在此基础上提出一种新的属性约简算法,理论分析和实验结果表明,该算法可以确保得到决策表的一个约简,并能提高算法的效率。同时引入强等价集,很好地解决了属性加权频率值相同的问题。     

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.     

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。     

基于互信息的属性约简改进算法

针对传统粗糙集算法准确率较低,精度较差,分析大规模数据时难以获得理想结果等问题,提出了基于互信息的属性约简改进算法。为了提高算法精度,引入了对条件熵的计算;采用条件概率考量属性重要性,降低了算法的复杂度;计算时,优先计算数据相容性,优化了样本计算数量;利用多组数据集,对比不同分类器和现有算法。实验结果表明,在不增加时间复杂度前提下,改进算法能得到更好的约简规则,获取理想的约简结果。     

基于区分矩阵的属性约简算法

知识约简是粗糙集理论研究的核心内容之一，在构造区分矩阵过程中，利用命题演算中的吸收法律去掉了在区分函数中不起作用的重复元素，提出了一种属性约简的改进算法ARDM，从而提高了属性约简的效率．     

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.     

基于符号有向图的属性约简算法

提出一种新的属性约简算法——基于符号有向图的属性约简算法。该算法利用符号有向图中故障只能在相容通路中传播的性质对系统中的变量进行约简,然后利用支持向量机优良的分类性能进行故障诊断。挑选过程控制界公认的Tennessee-Eastman Process仿真系统进行属性约简,并进行故障诊断仿真,证明了该算法的可行性,该方法可广泛应用于化工和冶金等大型系统的故障诊断中。     

基于极小析取范式的属性约简算法

属性约简是粗糙集理论的核心问题之一，针对求取决策表所有决策约简集的NP问题，化繁为简将问题转化为对象动态增加下的决策约简求取问题。在深入分析了可辨识矩阵中可辨识集的特点及相互关系的基础上，优化改进决策辨识矩阵：①两对象之间不作逆向比较；②将决策可辨识矩阵列简化为属性等价类；③正域等价类作为决策可辨识矩阵的行，分情况给出了新决策表求取所有决策约简集的极小析取范式属性约简方法。该方法统一解决了相容和不相容决策表所有决策约简集的求取问题，最后通过实例分析验证了算法的可行性与有效性，为决策表的属性约简提供了一条高效的途径。     

基于蚁群算法的属性约简方法

在粗糙集理论中属性约简是个NP-hard问题,已有的方法都有不同的局限性.由蚁群算法的启发,通过粗糙集将条件属性集映射到有向图结构,并采用蚁群协作共同完成求解,提出了属性约简的蚁群算法.     

基于相对概率分布的属性约简算法

鉴于现有属性约简算法大多是针对一致决策表不适合对不一致决策表的求解,且运行效率底.文章提出了一种新的决策表属性约简算法.首先判断决策表是否为一致决策表 如果是不一致决策表,则通过最大相对概率分布将其转换为一致决策表; 然后基于一致决策表的相对概率分布满足单点分布的性质来快速确定属性是否为冗余属性,从而求出约简; 并通过MATLAB和UCI学习数据库验证了该算法的有效性和高效性.     

基于粗糙集的属性约简算法研究

提出一种新的基于粗糙集的属性约简算法．该算法采用层次结构和近似精度的概念,约简集中的属性选择从空集开始,用启发函数ξ作为选择条件属性的衡量标准,逐步加入相对于决策而言重要的条件属性,并采用下近似值作为剪枝依据,逐步删除给定论域U中根据该属性子集能完全正确分类的对象,减小了属性约简过程中的搜索空间,处理过程是递归的,直到给定论域U为空集,保证了在分类精度不变的情况下,获得简化的属性集,最后运用粗糙集中正域的概念,约简冗余的属性值并求出其最简规则．对UCI机器学习数据库中7个数据库属性约简结果证明了该算法的正确性和可行性．     

基于决策规则的属性约简算法

属性约简是粗糙集的核心问题之一。本文基于决策规则给出属性约简相关结论和属性重要性,提出启发式约简算法,引入黄金分割法思想,提高算法效率,并以实例验证算法有效性和正确性。     

基于线性相关思想的属性约简算法

通过对粗糙集中属性约简理论的研究,定义了等价类矩阵、等价类的线性表示、划分的线性相关、空划分等概念,给出了等价类矩阵构造算法并讨论了其性质,最后给出了基于线性相关思想的属性约简算法。     

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.