不完备信息系统的增量式约简算法

针对经典粗糙集模型在处理不完备、动态数据方面的不足,通过分析容差关系模型,引入先验概率在知识估计中的方法,给出了一种基于区分矩阵的增量式属性约简算法.以属性重要度为启发信息,对区分矩阵的构造过程进行改进,仅需简单的矩阵运算就可以得到约简结果.最后通过示例分析处理增量式数据的算法复杂度有效,算法正确可行.     

不完备系统中基于特征关系的知识约简

以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象，根据特征关系讨论了其中的知识约简问题．在不完备决策系统中，引入了近似分布约简的概念并给出了相应的判定定理与辨识矩阵，为从复杂的不完备系统中获取知识提供了新的理论基础与技术手段．     

不完备系统中基于特征关系的知识约简

以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象,根据特征关系讨论了其中的知识约简问题.在不完备决策系统中,引入了近似分布约简的概念并给出了相应的判定定理与辨识矩阵,为从复杂的不完备系统中获取知识提供了新的理论基础与技术手段.     

基于信息熵的不完备信息系统属性约简算法

在现实生活中信息的不完备现象广泛存在,等价关系不一定成立,限制了经典Rough集理论在一些实际问题中的应用.从信息论角度出发引入信息熵的概念,提出了不完备信息系统中知识熵的度量方法,定义了信息观下不完备信息系统知识约简的方法,分析并讨论了与现有其他约简定义的关系,给出了一种基于信息熵的不完备信息系统属性约简算法,通过仿真实验说明了该算法对于不完备信息表知识约简是可行的.     

基于邻域粗糙集的不完整决策系统特征选择算法

针对不完整决策系统属性约简算法时间复杂度较高问题,基于正域不变条件下,决策系统分类能力保持不变原则,提出不完整决策系统前向顺序特征选择算法.该算法从约简集为空集开始,根据在约简集合中加入各属性后对正域影响程度大小将属性降序排列,采用顺序前向搜索,选择当前最佳特征加入特征约简集合,确定最佳特征子集.将该算法扩展到基于邻域...     

基于粗糙集理论不完备信息系统的数据挖掘

提出了一种基于推广的粗糙集理论直接在不完备信息系统上进行数据挖掘的方法，并给出了该方法的算法和实例．该方法利用粗糙集理论直接对不完备信息系统进行知识约简，然后根据获得的约简集建立知识层次树，利用规则的支持度阂值s0和置信度阈值c0从知识层次树的压缩搜索空间中提取不完备系统的规则集，该方法保持了原始数据和数据挖掘所获得的知识的真实性，另外，还提出了知识规则的上、下支持度，上、下置信度，规则粗糙度等概念，以便指导用户更好地利用数据挖掘所获得的知识．     

基于粗集的不完备信息系统属性约简

属性约简是粗集理论研究的核心内容之一。经典粗集理论是建立在完备信息基础之上的，然而在现实中，不完备信息系统的广泛存在极大地限制了粗集理论向实用化迈进。该文基于相容关系，将分布约简、最大分布约筒、分配约简引入不完备信息系统，提出了一种新的约简——分配序约简，并讨论了几种约简之间的关系。给出了分配约简的一种启发式算法：条件信息量约简算法，分析了该算法的时间复杂度。经实验检验，该算法是有效的。     

一种基于差别矩阵的属性约简完备算法

提出了一种基于差别矩阵的粗糙集属性约简完备算法，算法的求解策略是在每次迭代过程中只选择必要的条件属性，如果在某次迭代过程中找不到这样的条件属性，则任意排除一条件属性，为下一次迭代中找到必要的条件属性做准备．分析了算法在最坏情况下的时间复杂性，给出了该算法相对Pawlak约简的完备性的证明．同已有的同类约简算法相比，该算法在最坏情况下具有更小的时间复杂性．     

基于差别矩阵的增量式属性约简完备算法

为了解决基于差别矩阵的属性约简完备算法得不到最小约简的问题，提出了一种改进的属性约简方法．该方法将信息论定义的属性重要性作为启发式信息，并通过构造一个条件信息熵算子对差别集合进行运算，同时利用算子来计算候选属性的剔除次序，采用宽度优先搜索策略使约简集合中含有最重要的属性，这样就解决了完备算法约简率低的问题．结合该方法并在分析对象集增量与差别矩阵关系的基础上，证明了增量约简定理，由此提出了一种增量式约简完备算法（CAIR），当新数据加入决策表时，算法可增量构造差别集合．实验结果表明，所提CAIR在大大缩短计算差别集合时间的同时，约简率比非完备算法提高了20．3％，是同条件下完备算法执行效率的13．2倍．     

基于不完备决策信息系统的知识约简算法

针对复杂领域中的决策信息系统往往存在数据缺失现象,差别矩阵作为决策信息系统知识约简的有效方法之一,但传统的差别矩阵方法并不适用于不完备决策信息系统,为此构造了基于不完备决策信息系统的差别矩阵,并简化了差别矩阵中的属性元素,有效地删除了差别矩阵中的冗余元素。然后结合不完备决策信息系统的核属性,利用启发式方法设计了一种基于不完备决策信息系统的快速知识约简算法,最后通过实验比较验证了算法的有效性。     

基于粗糙集和信息熵的入侵检测特征选择方法研究

特征选择是从与应用有关的特征集合中选取出满足需要的重要性高的最小特征子集的过程,是入侵检测中的一项重要工作.针对现有的入侵检测系统存在的先验知识较少的问题,利用粗糙集中的知识表达系统来描述入侵检测特征集合,并通过计算各个特征的信息熵来确定其相对重要性,最终选择出精简的特征集合,简化了入侵检测训练集合,减少了检测时间并可以有效的提高入侵分类的准确性.     

一种基于差别矩阵的核增量式更新方法

本文文讨论分析信息系统（或决策表）新增对象的各种情况，提出一个直接、简洁基于差别矩阵的属性核增量式更新算法．该方法在更新差别矩阵时仅须插入某行或某列，或者删除某行或采列，有效地提高核的更新效率．     

基于熵权法的过滤式特征选择算法

互信息过滤式特征选择算法往往仅局限于互信息这一度量标准.为规避采取单一的互信息标准的局限性,在互信息的基础上引入基于距离度量的算法RReliefF,从而得出更好的过滤式准则.将RReliefF用于分类任务,度量特征与标签的相关性;应用最大互信息系数(maximal information coefficient,MIC)度量特征与特征之间的冗余性、特征与标签的相关性;最后,应用熵权法为MIC和RReliefF进行客观赋权,提出了基于熵权法的过滤式特征选择算法(filtering feature selection algorithm based on entropy weight method, FFSBEWM).在13个数据集上进行对比实验,结果表明,FFSBEWM所选择的特征子集的平均分类准确率和最高分类准确率均优于其他对比算法.     

一种增量式属性约简更新算法

根据关系矩阵表示与计算方法,提出一种基于二叉树的增量式属性约简更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法通过快速更新二叉树,在动态求解核的基础上,通过对二叉树进行剪枝,有效地进行增量式属性约简的更新,并就该方法的有效性进行了理论证明与示例分析.     

基于互信息的模糊决策树及其增量学习

将互信息引进模糊决策树,用于确定决策树的候选分类属性,进而构建模糊决策树.通过增量学习来修正决策树分类模型,以修正分类效果,并用实验验证了该方法的有效性.     

基于粗糙集的不完备信息系统知识获取方法

经典粗糙集理论是面向完备信息系统的，为处理不完备信息系统．需要进行理论扩充．本文首先介绍了粗糙集理论的基础知识，然后对经典粗糙集理论在不完备信息系统中的几种扩充模型进行了介绍和分析，并对现有基于粗糙集理论的不完备信息系统知识获取方法的研究进行了总蛄，最后展望了谊理论未来的发展方向．     

基于约束Laplacian分值的半监督特征选择算法

针对Laplacian分值法进行特征选择时过分依赖样本局部结构信息的不足，提出一种改进的基于约束Laplacian分值的半监督特征选择算法。该算法利用样本之间的cannot-link成对约束关系作为全局结构信息，在进行特征选择时，不仅能尽量保持局部结构信息，而且还尽量保持了全局的cannot-link约束关系。基于Yale和PIE(Fave pose,Illamination,Expression dadbase)人脸数据库的实验表明，该算法性能显著优于Laplacian分值法，与Fisher分值法和最新的约束分值法相当，且在稳定性方面优于后者。     

基于SVM评价准则的高维数据混合特征选择算法

基于高维数据的特征选择性, 运用功能扰动集成方法, 对４种不同特征选择器的结果进行集成, 得到了分类精度高且稳定性较好的特征子集.  在基因数据集上与原有算法进行性能对比实验, 结果表明, 多特征选择混合算法可使特征选择的结果间具有互补性, 从而有效提高特征选择的稳定性和分类精度.