遗传算法在粗糙集属性约简中的研究

在粗糙集理论中,决策表的属性约简是一个非常重要的研究课题。通常人们期望找到最小属性约简,而遗传算法根据个体适应值动态地调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

基于粗糙集理论的决策表属性约简算法

属性约简是粗糙集理论的一个重要内容,是进行知识获取中的核心问题之一.本文在粗糙集理论的基础上构造了区分图,在区分图上以属性的重要度作为启发信息,快速缩小搜索空间,求解最小属性约简.给出了一个最坏情况下时间复杂度为max（O（｜C｜^2）,O（｜C‖U｜^2））的快速属性约简算法.该算法统一考虑一致性决策表和不一致性决策表两种情况下的属性约简.     

基于模糊粗糙集的辨识矩阵属性约简方法

通过构造辨识矩阵进行属性约简是一种有效的降低数据维度的方法.然而,经典粗糙集构造的辨识矩阵的局限性在于并不适用于连续型数据,只适用于离散型数据.因此,本文研究在模糊粗糙集下的辨识矩阵属性约简模型,并讨论该模型的相关数学性质,提出相应的算法来对连续型数据进行属性约简.通过实例验证该方法是有效的.     

基于粗糙集属性约简的模糊模式识别

通过运用粗糙集归约理论对资料进行浓缩和筛选，略去不必要的属性，简化数据。用模糊模式识别确定对象应当归属的模式，给出其对于各个模式的相对隶属度，从而达到分类目的。经实例计算，得到了较好的结果。     

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.     

基于贝叶斯粗糙集模型的属性约简算法

在分析贝叶斯粗糙集模型已有的约简算法的基础上,从含有多个决策类情况下的全局相对增益函数的角度,利用二进制编码方法给出一种求贝叶斯粗糙集所有约简及核的算法,并基于实际应用,给出对求出的所有约简进行筛选的拓展算法。通过算例说明算法的实用性和有效性。     

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．     

基于覆盖粗糙集的属性约简

利用覆盖粗糙集研究信息系统的属性约简.首先,回顾了覆盖粗糙集的基础知识,然后提出了相关类的概念以及几个相关定理,并且逐步阐述如何用相关类的方法来进行属性约简,最后用例子证明了此方法的可行性,并得出结论.     

基于粗糙集的数据挖掘属性约简算法研究

粗糙集理论是一种研究不完整、不确定知识处理的数学工具,属性约简是粗糙集理论的核心内容之一.阐述了粗糙集理论的基本思想,给出了一种启发式的最小约简算法,通过一个实例,分析说明算法的可行性和有效性.     

基于克隆选择的粗糙集属性约简方法

基于免疫克隆选择的原理，提出了一种新的粗糙集属性约简方法，将属性集合的分类近似质量作为进化目标，利用免疫反应的分布性特点通过局部并行搜索实现全局优化，并采用抗体更新和亲和力抑制手段来维持群体的多样性，保证了各抗体局部优化解的稳定性，从而获得了多个优化约简集合，通过机械故障诊断数据的实例应用，表明该方法可以获得多个符合分类质量要求的属性约简集合，因此满足了设备故障诊断的特征优化选择要求。     

一种基于MapReduce的粗糙集并行属性约简算法

云计算技术是海量数据挖掘的一种高效解决方案,将MapReduce并行计算模型与粗糙集属性约简算法相结合,提出一种基于MapReduce的浓缩布尔矩阵并行属性约简算法.该算法提高了粗糙集属性约简算法对大数据的处理能力和效率,并能适应云计算环境.实验结果表明,所提算法具有良好的效率、加速比和可扩展性.     

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.     

基于基因表达式编程的粗糙集属性约简研究

属性约简是粗糙集理论中的核心问题,如何能够快速且有效删除其中不相关的或不重要的属性是当前所迫切需要的研究。针对这一需要,本文提出一种基于基因表达式编程的属性约简算法,该方法具有较快的收敛速度和不易陷入局部最优的优点。实验表明,这一方法能够快速有效地求出最小约简。     

一种基于条件熵的粗糙集属性约简算法

粗糙集(Rough set)理论是一个新的数据挖掘方法，其主要思想是保持分类能力不变的情况下，通过属性约简，达到发掘知识并简化知识的目的。本文在理解和分析基于粗糙集理论的数据挖掘算法基础上针对属性约简提出了一个基于条件熵的启发式算法。     

基于粗糙集的属性约简优化算法研究

属性约简是粗糙集理论中一个核心研究问题,在对粗糙集中属性约简相关理论研究的基础上,提出了一种新的基于属性重要性和依赖性相结合的GENRED_GROWTH属性约简算法.并通过CUI机器学习数据集测试实验,验证了该算法的有效性.     

一种基于粗糙集的单一属性分类的约简方法

粗糙集的应用中,对象集通常具有数量大、属性多、单一属性分类大的特点,这是在已有知识基础上提出规则时所遇到的3个主要问题,针对其中单一属性分类的约简问题提出了一种新的方法,它采用了先合并分解再综合的思想简化问题的求解,能快速有效地发掘信息中蕴涵的规则。     

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。     

基于图的粗糙集属性约简方法

属性约简是粗糙集理论研究的一个基本问题,它是一种有效的数据约简方法。然而,目前很多的属性约简算法在面对高维数据集时仍然不够高效。文中利用图论的相关理论和方法,对基于区分矩阵的粗糙集属性约简方法给出了直观和等价的刻画。在此基础上提出了基于图论的粗糙集属性约简方法。实验结果表明,新的属性约简算法在面对较大规模的数据集,尤其是高维的数据集时,不仅能有效地降低数据的维数,同时运行速度快且能保持较高的分类精度。     

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．