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。     

基于属性分辨度的不完备决策表属性约简算法

针对现有不完备决策表属性约简算法复杂度较高的问题,提出了基于属性分辨度的属性约简算法.文中分析了不完备决策表中条件属性相对于决策重要性的外在表现,提出了属性分辨度的概念,并给出了属性分辨度随着约简属性集的变化而动态更新的计算方法.该算法在属性约简过程中会不断删除已经属于正域的对象或不影响正域计算的相容块,通过降低样本数据的规模来减少计算耗时,加速属性约简.理论分析和仿真实验表明,文中算法是有效的,并且算法复杂度优于现有的不完备决策表属性约简算法.     

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.     

一种基于二进制分辨矩阵的属性约简新算法

决策表的属性约简是粗糙集理论中的关键问题之一,高效启发式约简算法有待深入研究。基于二进制分辨矩阵,定义“加权重要度”来度量属性相对重要性;这一概念综合利用分辨矩阵行和列2个方向的特征,将其集成为一个归一化的概念,因而在排序过程中能有效避免从行、列2个方向独立排序。基于“加权重要度”概念,提出一种新的启发式属性约简算法;仿真实验结果表明,与参考算法相比,新算法有效缩短了运行时间,更有可能获得系统的最优约简。     

基于属性递减策略的属性约简递归算法

属性约简是粗糙集理论的核心研究内容之一。通过对某些现存属性约简算法分析,发现它们并不能有效地或正确地获取约简结果。为此,论文提出了一种基于属性递减策略的属性约简递归算法,该算法首先求出每个条件属性的依赖度,然后依次从条件属性集中减去依赖度较小的属性,并判断剩余属性集依赖度是否为1,如果是,则算法递归执行。最后把所获属性集并入约简集并求得核。该算法不仅能够快速计算出所有约简和核,而且运算简单、计算量较少,从而提高了算法效率。实例验证表明,该算法能更有效地对决策表进行约简,具有很强的实用性。     

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.     

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。     

基于粗糙集属性变分区的属性约简

应用粗糙集的方法,分析决策系统中不同的属性分类方法,以及不同分类方法引起的属性重要性与属性相对约简极小子集的变化情况,寻求属性分类方法与属性约简结果相互影响的内在因素,给出高效的属性分类方法和合理确定约简子集的策略,生成策略对应软件的实现算法,并运用软件实现算法来选取相对约简子集．试验结果显示了该策略及算法的有效性．     

基于Skowron分明矩阵的有效属性约简算法

为降低基于Skowron分明矩阵属性约简算法的复杂度,提出了简化分明矩阵及其相应属性约简的定义,并证明了基于简化分明矩阵的属性约简与基于原分明矩阵的属性约简等价.在简化决策表的基础上,定义了一个函数,该函数能度量条件属性在简化分明矩阵中出现的频率,并给出了计算该函数的快速算法,其时间和空间复杂度均为O(|U/C|).用该函数设计了一个有效的基于原分明矩阵属性约简算法,算法的时间复杂度降为O(|C||U|)+O(|C|2|U/C|),空间复杂度降为O(|U|);并用实例证明了算法的有效性.     

基于属性约简的PLS加权朴素贝叶斯分类

朴素贝叶斯算法是一种简单而高效的分类算法,它的属性独立性假设,影响了它的分类性能.针对这种问题,在分析属性相关性的基础上,通过属性约简选择一组近似独立的属性约简子集,提出一种基于属性约简的偏最小二乘回归加权朴素贝叶斯分类算法.对不同的条件属性给予不同的权值,从而在保持简单性的基础上有效地提高了朴素贝叶斯分类算法的分类性能.实验结果表明,该方法可行且有效.     

具有全局聚类的多属性离散化算法

为了减少连续属性离散化后有用信息的丢失和信息系统总的断点数量,提出了一种具有全局聚类效果的多属性离散化算法.算法根据各属性预插入断点对信息系统近似分类质量的影响,来确定要插入断点的属性,从全局属性范围选择最佳断点.根据Ameva统计量来判断属性中最佳断点的位置,并以保证决策表的近似分类质量作为算法的终止条件.实验采用多...     

基于统计学法则的连续属性值划分方法

目前决策树中很多分类算法例如ID3/C4.5/C5.0等都依赖于离散的属性值,并且希望将它们的值域划分到一个有限区间。利用统计学法则,提出一种新的连续属性值的划分方法;该方法通过统计学法则来发现精准的合并区间。另外在此基础上,为提高决策树算法分类学习性能,提出一种启发式的划分算法来获得理想的划分结果.在UCI真实数据集上进行仿真实验.结果表明获得了一个比较高的分类学习精度、与常见的划分算法比较起来有很好的分类学习能力。     

保持分类能力不变的一种连续属性离散化方法

连续型属性的离散化问题是机器学习中的关键问题，是一个NP难题．该文针对决策表，在NaiveScaler算法的基础上，给出了一种直观、有效和易于理解的离散化方法．该方法从整个属性空间的角度来考虑属性的离散化问题，可有效地保证决策表中原有分类结果的不变性．     

一种改进的区间值属性决策树学习算法

通过引进新的非平稳割点定义,提出了改进的区间值属性决策树学习算法,改进后学习算法的效率有很大程度的提高。     

基于RS的变速器故障属性提取

文章根据粗糙集理论 ,利用分明矩阵及分明函数对变速器故障决策表进行属性约简 ,提取故障识别的重要属性 ,降低决策表的内在冗余性 ,为进一步用人工神经网络进行故障诊断创造了有利条件 ,有利于降低网络的复杂性 ,缩短网络训练时间     

变论域知识约简算法

从论域的角度出发,提出了一种变域论域知识的简算法。该算法需要多次计算属性重要度，在计算过程中，不但论域逐步减少，有助于减少计算量,而且相对属性集不断增加，有助于选择出反映特征的重要属性来。实验证明，该算法不失为一种较好的知识约简算法。     

基于扫描向量的属性约简方法

针对粗糙集理论中属性约简问题,提出了一种基于扫描向量的属性约简方法.根据粗糙集理论知识,定义了一个新概念--差别向量,利用差别向量将信息表转换成差别向量组;根据差别向量的结构特征,定义了差别向量加法法则;运用这个加法法则仅需对差别向量组扫描一次,就可以形成结构简洁却能代表原信息表属性特征的扫描向量.以扫描向量中的属性频率项作为属性约简搜索的启发信息,提高了属性约简效率.数值实例及数据库测试的结果表明该属性约简算法是有效可行的.     

信息表相对属性约简的一个算法

给出一种相对属性约简的算法 .该算法对于信息表中由决策属性决定的划分中的每个基本集合 ,计算它们的下逼近集并对每个条件属性在下逼近集中的取值进行检索 ,剔除可能是多余的条件属性 ,得到一个候选属性约简 .在此基础上 ,通过逐步扩展属性 ,最终得到一个属性约简 .与已有的一些算法相比 ,该算法计算量较少     

高校档案的文化属性及其功能体现

从档案的知识属性出发,提出了高校档案的文化属性,着重探讨了高校档案文化4种功能的体现：积淀功能、传播功能、教育功能与休闲功能。     

基于逼近精度的一个粗糙集属性约简算法

４３（２０００）０１－０００７－０４摘要：根据信息表中相对每个条件属性的集合和划分的粗糙逼近精度,给出衡量属性重要性程度的一种准则．在此基础上,提出了信息表属性约简的一个较为简单有效的算法．