一种新的基于入侵检测的属性约简算法

数据挖掘和机器学习应用于入侵检测是当今的研究热点,但其中大部分算法的学习或分类时间长,制约了入侵检测的应用。将粗糙集用于网络侦听的海量数据的属性约简可以提高入侵检测速度,提高效率。提出的一个新的属性约简算法约简冗余属性,使用朴素贝叶斯分类器进行分类预测。实验表明,该方法分类准确率高、时间消耗少,能够提高入侵检测的效率。     

粗糙集属性约简在入侵检测系统中的应用

入侵检测系统（IDS）是一种以攻为守的主动式防御措施,它针对网络内部攻击进行防御．为了实现对海量入侵检测数据的数据挖掘,首先可对入侵检测系统采集的海量数据进行抽样分析,然后使用粗糙集理论的属性约简方法对数据进行预处理,获得入侵检测数据的决策规则,并判断流经网络的数据包的安全性,最后编程以实现数据挖掘的自动化．     

一种改进的相对属性约简算法

研究了粗糙集理论中一般属性约简和相对属性约简这两个重要问题,针对决策信息系统,提出一种基于一般约简和互信息的相对属性约简算法,实例表明能够有效得到决策表的约简。     

一种改进的属性约简算法

属性约简要求在保证分类和决策能力不变的前提下删除数据库中的冗余属性,简化知识表示,生成决策规则,从而为科学化的管理、预测和决策提供有力的支持。深入系统地研究了基于粗糙集理论的属性约简问题,分别对于相容和不相容决策表,在研究了现有约简算法的基础上,发现算法的局限性、优点和不足,并针对不足,对算法作了一些改进。     

一种改进的启发式属性约简算法

文章对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题.针对这一不足,在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法.提供了实例分析,验证了该改进算法具有较好的约简效果.     

一种改进的基于依赖度的属性约简算法

研究了基于依赖度的属性约简算法,并以实例说明该算法不适合于不相容的决策表,在分析算法产生缺陷原因的同时通过改变算法求核的终止条件,使得算法能够同时适用于相容和不相容的决策表.在求约简过程当中,首先对除核之外剩余属性重要度进行计算,然后以重要度大小依次添加入核求约简.最后通过实例来验证改进后算法的有效性.     

一种改进的粗糙集属性约简启发式算法

提出了一种改进的属性约简启发式算法 ,讨论了启发式信息的构造 .通过两个反例证明了现有的两种属性重要度定义 (基于属性依赖度的定义和基于信息熵的定义 )的不完备性 ,提出了一种加权平均的属性重要度定义 ;在此基础上构造了两种启发式算法 .通过 UCI机器学习数据库中的几个实例验证了此算法的有效性     

一种新的启发式属性约简算法

为解决属性约简的诸多问题,比如基于信息熵的属性约简方法偏向多值属性的缺点,而基于属性相似度的属性约简方法偏向少值属性的不足,现提出一种将信息熵和属性相似度结合起来的新的启发式属性约简方法.实验结果表明,避免了上述两种属性约简算法的偏向性.     

一种改进的属性约简方法

属性约简是粗糙集理论的核心问题之一，现已证明寻找最优约简是NP-hard问题。本文在连接差别矩阵的基础上，采用贪心算法的策略，提出了一种启发式算法来寻求最优约简。该算法不仅能在有核的决策表中通过核进行属性扩充求得最优约简，而且在无核的决策表中也能根据属性在连接差别矩阵中出现的频率求得最优约简。经实例验证该算法是有效的。     

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.     

属性约简的一种贪心算法

属性约简是粗糙集理论研究的关键问题之一 ,现已证明寻找一个决策表的最优约简是 NP- hard问题 .首先在粗糙集理论的基础上 ,给出决策表中属性重要性的两种度量 ,并以此为启发式信息 ,提出了一种基于粗糙集的属性约简贪心算法 ;最后 ,实验结果表明 ,该算法在大多数情况下能有效地获得决策表的最优约简 .     

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.     

—种改进的启发式属性约简算法

文章对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题。针对这一不足,在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法。提供了实例分析,验证了该改进算法具有较好的约简效果。     

粗糙集属性约简贪心算法的改进

将单个属性按照B精度的均值和方差决定的属性重要性,从大到小依次加入到约简属性中．对重要性相等的属性,再计算划分的B精度来决定加入哪些属性,直到满足约简条件为止．与不用属性重要性的算法相比,计算量较少,提高了计算速度．     

一种快速属性约简算法

基于差别矩阵的属性约简算法,先要求出差别矩阵,随着问题的规模增大,存放差别矩阵的空间和算法的执行时间过大和过长,让计算机难以承受．针对这一问题,提出了差别对象对集的定义,给出了基于差别对象对的属性约简定义,并证明了该定义等价于基于差别矩阵的属性约简定义．利用差别对象对,设计了一个新的属性约简算法．由于这一算法在求属性约简的过程中不用生成差别矩阵和大量的无用元素,因而大大减少了存储量和计算量,从而提高了算法的效率．计算实例说明了新算法的高效性．     

一种改进的基于区分矩阵的属性约简算法

根据粗糙集理论讨论了属性约简问题,基于传统的区分矩阵属性约简算法提出了一种改进的约简算法:首先,根据决策表构造区分矩阵;然后,删除区分矩阵中包含核和伪核的项;最后,化简区分矩阵中剩余项得到约简结果.通过对某发动机故障数据进行处理验证了算法的有效性.     

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.     

一种序决策信息系统中的快速属性约简算法

为了提高无核或少核序决策信息系统中现有属性约简算法的执行效率,本文以知识粒度表征的属性重要度为启发信息并结合前向属性约简方法提出了一种新的属性约简算法。首先,介绍优势粗糙集方法的相关基础知识,并将经典粗糙集中基于知识粒度的属性约简算法引入优势粗糙集方法中,得到可处理序决策信息系统的属性约简算法;然后,通过分析序决策信息系统中知识粒在属性数目变化条件下的粗化与细化过程,得出相对冗余属性的判断定理,由此结合前向属性约简方法设计了快速属性约简算法;最后分析比较了2种算法的时间复杂度并选取了6个不同的UCI数据集进行算法性能的测试,测试结果表明,本文提出的算法比现有的属性约简算法高效。     

一种基于SQL的属性约简算法

给出了在给定属性集中某个属性是否是不必要属性的新定理,结合SQL给出了相应的算法,实现了一种求解属性约简的改进算法,并给出了证明。     

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.