认知评估中的属性关系

规则空间模型(RSM)及属性层级方法(AHM)是有较大影响力的认知诊断模型.在RSM与AHM中不可缺少属性及属性层级关系,属性层级关系为属性间的先决关系所诱导.但是,先决关系只考虑了属性之间的关系,却忽略了属性集之间存在的联系.该研究以先决关系为切入点,实例证明先决关系及其诱导的属性层级关系具有局限性,基于属性集,提出更具一般性的蕴含关系,使先决关系为其特殊形式,为当前认知诊断理论研究提供了新的研究角度.     

粗糙集连续属性离散化的SOM网络方法

基于Rough Set理论中的不可分辨性原理,给出两个新的定义属性的最大区分值(Maximum Dis-cernibility Value,MDV)和属性冗余度(Attribute Redundancy Rate,ARR)。在数据预处理阶段,属性的MDV数值用于确定关于自组织映射网络SOM输出单元数量的启发式搜索策略;属性冗余度则用于衡量属性约简结果的信息冗余程度,并以此作为优化SOM网络输出层结构的依据。不依赖于领域经验知识,建立了MDV、SOM、ARR的组合算法模型,实现了Rough Set理论中连续属性的自动离散化计算,并明显提高了属性约简的速度。最后,通过项目实例对全过程进行有效验证。     

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.     

论林火的三重属性

尽管火的利用是人类文明的第一座里程碑,但是时至今日,人们对林火的认识是模糊的。人们只注意到了林火的灾害属性,却忽视了林火另外两个非常重要的属性,即林火的自然属性和工具属性。本文通过对林火三属性的论述,旨在帮助人们转变观念,正确认识林火,树立“预防重于扑救”的科学防火观。同时指出,“森林防火”和“森林消防”都不能客观地反映林火的三重属性,建议使用“林火管理”代替“森林防火”和“森林消防”。     

基于可辨识矩阵的动态属性约简算法

可辨识矩阵是粗集理论中可以标识决策属性和条件属性之间关系的矩阵。根据数据库的动态建立特性，提出了一种基于粗集理论中的可辨识矩阵的动态属性约简算法，利用数据的动态性和可辨识矩阵的特性对己有的属性约简进行修正，并通过实例证明了这种算法的有效性，该算法极大地节省了计算量，提高了算法的执行效率。     

基于可辨识矩阵的动态属性约简算法

可辨识矩阵是粗集理论中可以标识决策属性和条件属性之间关系的矩阵.根据数据库的动态建立特性,提出了一种基于粗集理论中的可辨识矩阵的动态属性约简算法,利用数据的动态性和可辨识矩阵的特性对己有的属性约简进行修正,并通过实例证明了这种算法的有效性,该算法极大地节省了计算量,提高了算法的执行效率.     

不确定信息系统的属性离散化模型

连续属性离散化是粗集理论应用于实际问题时的重要环节,一般的离散化方法应用于不确定信息系统的属性离散化时,在数值选择上却存在着依据缺失的突出问题.利用数值态势构成的态势差研究两个集对势之间的差度,并将其结果应用到了连续属性离散化过程中,形成了基于数值态势分析的连续属性离散化的新方法,较好地解决了数值选择不确定问题,并给出实例进行了验证.     

一种连续属性离散化的新算法

连续属性的离散化问题是机器学习、数据挖掘等领域中重要研究课题之一，本文深入讨论连续属性离散的各种方法，提出一种基于RS理论和条件信息熵的决策表条件属性离散化算法，计算简单、易实现并以实例加以说明。     

基于模糊粗糙集的一种属性约简算法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的属性约简算法。该方法引入了模糊C均值聚类算法用以连续属性的模糊化;并通过聚类有效性分析来确定最佳分类数目;克服了目前属性模糊化方法需要人为规定划分类数,几乎不考虑信息系统的具体属性值等缺点。实例验证了此方法的有效性。     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论,提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性, 在保证决策表原始分类能力不变的前提下,按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉,从而将条件属性离散化。同时给出了该算法的时间复杂度分析,并通过实例分析验证了算 法的有效性和实用性。     

基于包含程度的属性重要性定义

利用粗糙集理论讨论了一种基于条件属性和决策属性相互包含程度的新的条件属性重要性,得到了基于该定义下的属性最佳约简方法,最后结合实例说明该方法的有效性.     

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     

随机信息系统属性重要性的等价刻画及其约简

在基于等价关系的随机信息系统中,文章以证据理论中的信任测度和似然测度为基本工具,给出了核心属性、不必要属性及相对必要属性的一些等价刻画,研究了随机目标信息系统的属性约简问题,并利用实例说明了约简方法的有效性。     

基于模糊C均值聚类的粗集理论连续属性的离散化新算法

讨论模糊C均值聚类算法在决策表条件属性对决策属性的相容程度的指导下对粗集理论中的连续属性进行离散化的一种新算法。该算法充分考虑属性之间的相关性，将所有连续属性转化为矩阵同时处理，能明显提高传统动态层次聚类算法离散化过程的速度。算法测试结果表明，新算法能较好地保留有效属性，提高离散化精度。     

粗糙集中基于信息量的决策表属性约简算法

高效的属性约简算法是粗糙集理论应用于知识发现的基础,要在令人可接受的时间内获得约简的通常做法是基于启发式的约简方法。本文提出了决策表中决策属性集相对条件属性集的条件信息量的概念,同时用知识的条件信息量定义了属性的重要性,在此基础上,提出了一种新的基于信息量的属性约简算法,该算法的时间复杂度为(O|C|3|U|2),通过实例分析,表明该算法是有效的。     

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。     

样本信息处理中一种属性约简方法的研究

为了剔除样本信息中存在的冗余成分和不相容性,同时提取关键信息等,根据样本信息的特点和信息具有粒度的思想,基于粗糙集的2个近似精度科学地定义了条件属性重要性,进而提出一种对样本信息进行属性约简的有效、简便方法.该方法主要包括信息核的求取、可省条件属性的重要性计算和相对属性约简集的确定.其中,为连续属性的离散化处理提供了一种基于模糊相似比原理的快速离散化算法,它能起到剔除模糊噪声的作用.典型实例计算和在油水层识别系统中的实际应用表明,这种属性约简方法的识别准确率可达90%以上,应用效果显著.     

基于模糊C均值聚类的粗集理论连续属性的离散化新算法

讨论模糊C均值聚类算法在决策表条件属性对决策属性的相容程度的指导下对粗集理论中的连续属性进行离散化的一种新算法.该算法充分考虑属性之间的相关性,将所有连续属性转化为矩阵同时处理,能明显提高传统动态层次聚类算法离散化过程的速度.算法测试结果表明,新算法能较好地保留有效属性,提高离散化精度.     

一种基于聚类的粗糙集连续属性的离散化算法

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。粗糙集理论只能对离散属性进行处理，而不能处理连续属性。中针对这一缺陷，利用连续数值属性有序性的性质和统计方差理论，提出了一种基于聚类的连续属性离散化算法。运用典型数据将本算法与现有方法进行了比较分析，得到了满意的结果。     

基于属性蕴含的Q矩阵理论

认知诊断(CD)是认知心理学与心理和教育测量学相结合的前沿研究领域.在属性间约束关系的Q矩阵理论中,其认知模型仅考虑了属性集与属性间的层级关系,忽略了属性间可能存在非层级关系的蕴含关系.该文探讨基于属性蕴含的Q矩阵生成,以及属性蕴含关系的挖掘.研究成果扩充了现有Q矩阵理论,完善认知诊断的理论、方法和应用.