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.     

一种基于线性规划的线性非自治系统数值解法

对于具有初始条件的线性非自治系统,给出了一种新的数值解法.该方法把所求初值问题转化成线性规划问题,通过求解线性规划问题得到原问题的一个近似解.定量误差分析和实际算例表明,该方法可以有效地求解线性非自治系统初值问题的近似解,也适用于边值问题的近似求解.     

基于粗集理论的数据离散化新算法

连续属性值的离散化一直是机器学习领域中殛待解决的关键问题之一，他对于提高后继学习算法的运行速度、降低算法的实际空间要求和时间消耗、提高学习结果的聚类能力等都具有极其重要的意义。本文首先分析了基于粗集模型的数据离散化方法的特点和基本思路，研究了候选断点重要性的衡量方式，在此基础上提出两种新的从候选集合中最终确定离散化断点的启发式算法。这两种算法考虑并体现了粗集理论的基本特点和优点，选择的断点都能够保证信息系统的分辨关系，并能够取得较理想的离散化结果。     

Stokes方程的全离散有限元方法

本文提出了非定常不可压Stokes方程的空间变量用有限元离散、时间变量用差分离散的方法(全离散有限元方法),并给出了离散时间有限元的最优L~2、H~1和积分的误差估计。     

分类问题中连续属性的离散化方法

提出了连续属性的一种离散化方法,指出与其他离散化方法的不同之处:离散化算法应是与挖掘目标息息相关的.研究和探讨了分类问题中的属性离散化方法,以分类精度和正域的势来评估每一步离散化过程,并将评估结果进行反馈,直至所有属性的属性值判断完为止.通过UCI机器学习数据库的实验表明,属性值个数的减少会提高在数据集上运行数据挖掘算法的效率,离散化后的分类正确率保持不变或有一定的提高.     

基于断点辨别力的粗糙集离散化算法

提出了基于断点辨别力的粗糙集离散化算法通过分析候选断点与决策类之间的相关性,定义了候选断点对决策类的辨别力,并以此作为断点重要性的度量,实现连续属性的离散化。离散化后的决策系统不改变原有的相容性,而且能最大限度地保留有用信息。采用多组数据对该算法的性能进行了检验,并与其它算法做了对比实验。实验结果表明该算法是有效的,而且当候选断点个数增多时仍具有较高的计算效率     

三维Helmholtz方程外问题的非重叠区域分解算法

文章讨论了空间半无界区域Helmholtz方程外问题的基于自然边界归化的非重叠区域分解算法,即通过做一个人工边界,把空间半无界区域分解为不重叠的有界区域和规则的无界区域,然后在两个区域内分别求解。这种方法对于求解无界区域问题具有十分明显的优越性。文章给出了连续和离散情形的D-N算法并讨论了其收敛性,并且证明了其收敛速度与网格参数h无关。     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.