一种高效的复杂信息系统增量式属性约简

文中提出一种离散和连续混合属性的复杂信息系统增量式属性约简算法.首先,将粒计算模型中的知识粒度在混合型信息系统下进行推广,提出了邻域知识粒度,并构造出基于邻域知识粒度的非增量式属性约简算法,然后在混合型信息系统下研究了邻域知识粒度随对象增加时的增量式计算,理论证明了该计算方式的高效性,最后提出了基于邻域知识粒度的混合信息系统增量式属性约简算法.UCI数据集的实验结果表明,所提出的算法在混合型信息系统中具有很高的增量式属性约简性能.     

基于粗糙集方法的知识发现

属性约简和属性值约简是租糙集理论中的重要研究内容,也是粗糙集理论应用于知识发现的主要方法.但求取任意问题的最小属性集是一个NP难问题.本文利用属性间的知识依赖度,提出了一个求取属性约简的贪心算法,它可以在多项式时间内得到一个约简.同时,把粗糙集方法应用于知识发现,通过属性约简删除信息系统的冗余属性,减少数据量,再利用属性值约简,获取决策规则.最后通过实例说明了基于粗糙集方法的知识发现过程,验证了方法的有效性.     

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。     

信息系统中知识的距离及基于知识距离的属性约简算法

从粒度计算的观点出发,给出了信息系统中知识距离的定义,指出利用知识距离可以度量信息系统中知识的粗糙性,分析了其相关性质.提出了一种基于知识距离的启发式属性约简算法,算法不需求核,对无核的特殊信息系统计算约简更加有效.     

一种变粒度的规则提取算法

属性约简和值约简是粗糙集理论中知识获取的重要组成部分。通常,在知识获取的过程中先进行属性约简,然后在其基础上进行规则提取。但在实际应用中,属性约简在简化信息系统与提高规则提取效率的同时,原始信息系统中有些重要的条件属性可能被丢弃,从而导致属性约简后对信息系统进行知识获取得到的规则其数量与简化程度并不占优。针对上述问题,提出一种基于粒度变化的规则获取算法,通过属性粒度从粗到细的变化,直接从原始信息系统中提取规则;采用该方法得到的规则与属性约简后得到的规则相比,它们的数量与平均每条规则包含的特征属性数相对较少。最后,在理论分析的基础上,通过实例验证了算法可行性,并通过实验验证了算法的正确性和高效性。     

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。     

信息系统的粒度熵及基于粒度熵的属性约简算法

针对完备信息系统中,知识随着知识中属性的逐渐增加或减少从而对论域产生不同粗细的划分进行研究,给出了一个新的度量--粒度熵,以度量知识随着属性的逐渐增加或减少对论域产生不同粗细划分时的分辨能力,并基于粒度熵设计了对信息系统进行属性约简的算法.     

粗糙集理论中核概念的讨论

核是粗糙集理论的基本概念之一,为使获取的知识规则更简洁、更易于理解,许多算法都以先求出信息系统的核为基础进行启发式搜索以求取信息系统属性集的最小约简.通过实例验证,发现了许多文献中核的定义与核的计算之间存在矛盾冲突,这一矛盾冲突导致众多属性约简算法普遍存在核基为0时无法有效地进行属性约简的缺陷.针对核概念的这一问题及由此引起的属性约简算法的缺陷,对粗糙集理论中核的概念进行了重新定义,将核的定义统一于核的计算,提出了真核和伪核两个新概念,并给出了这两个新概念的相关定理及证明.     

属性值和属性变化的增量属性约简算法

针对决策信息系统属性增加且属性值发生细化的情况下如何快速更新属性约简的问题,探讨了基于矩阵方法计算决策信息系统相对知识粒度的增量更新机理,设计了属性增加且属性值发生细化的矩阵增量约简算法。当决策表中的属性值细化且决策表中属性增加时,所提出的增量约简算法与非增量约简算法及其他增量约简算法相比,约简的分类精度变化不大,但是能够大大缩短计算约简的运行时间。最后利用一些UCI数据集做了大量仿真实验,仿真结果验证了所给出的动态属性约简算法能够有效地解决动态数据约简的问题。     

多值RS理论中属性约简的另一种算法

基于信息论对多值信息系统中属性重要性的度量,运用分辨矩阵的若干性质,定义了新的分辨相似矩阵,使多值RS理论中属性约简和求核过程更简化.而且相应算法可以有效地减少属性约简算法的计算量,最后给出了该算法的时间复杂度分析,并举例说明了该算法能得到信息系统的最小约简.     

近似空间映射与属性约简算法

信息系统作为一种基本的数学模型广泛应用于人工智能的各个分支，例如分类问题、专家系统、决策支持、上下文分析和数据挖掘．而属性约简是信息系统研究的基本问题．文章提出了近似空间映射（ASM）的概念，并讨论了它与属性约简的关系，提出了基于ASM的属性约简新算法．     

决策系统属性约简的关系矩阵算法

建立决策系统与关系矩阵之间的联系后,从关系矩阵的角度研究属性重要性的指标,并利用该指标作为启发式信息提出一种新的属性约简算法.该算法具有较大的灵活性,能够从搜索空间逐次删除不重要的属性,避免对这些属性进行重复搜索,提高了搜索的效率.该算法可行有效.     

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     

区间集概念格属性约简的组成与结构

区间集是解决部分已知概念、近似不可定义或复杂概念的研究工具。概念格是机器学习、数据挖掘、知识发现和信息检索等领域的一种很有效的数据分析工具。区间集概念格是这两种方法的结合,是对于部分已知概念或不可定义概念信息系统进行机器学习、数据挖掘、知识发现和信息检索的一种有效的数据分析工具。区间集属性约简是揭示区间集概念格本质特征的一种方法。本文揭示了区间集属性约简的组成与结构:两个区间集相对必要属性不能在同一个区间集属性约简中出现;区间集约简与任何一个区间集相对必要属性等价类的交都不空;核心属性和每个区间集相对必要属性等价类中取一个属性组成的集合一定是区间集属性约简。     

基于可辨识矩阵的属性频率约简算法

阐述了粗糙集理论的基本概念,知识约简是粗糙集理论研究的核心内容之一,将可辨识矩阵中出现次数多少作为属性重要性的判断依据.算法求取的是所有约简结果中的某一个或某一些f当某两个条件属性出现频率相同时)结果,当信息系统的复杂程度较高时,其求解的复杂度大大小于原来的约简方法.     

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.     

Rough集理论中几个基本概念的算法描述

用信息向量表示信息表知识表达系统中的埘象，基于同一思想用算法描述了Rough集中的等价类、不可分辨关系、上下近似集、属性约简、相对属性约简等概念。     

概念格属性约简的一种快速求法

形式概念分析理论对于知识发现、信息检索、机器学习、软件工程等领域是一种很有效的数据分析工具．通过对概念格属性约简的研究,给出了绝对必要属性、相对必要属性和绝对不必要属性的判定定理,在此基础上给了直接从对象集求约简属性的快速算法．