一种序决策表的特征选择算法

本文基于序意义下优势类的概念,提出了序决策表的一种条件依赖度,从而给出了序决策表中属性重要度的定义。在此基础上,设计了一种序决策表的特征选择算法,并通过实例分析对算法进行了有效性检验。     

一种基于条件熵的增量核求解方法

分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理. 并在此基础上提出了一种新的增量核求解算法. 该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核. 实例证明了该算法的有效性.     

全粒度聚类算法

聚类分析是数据挖掘与知识发现领域的一个重要研究方向.多数聚类算法中相似性是其核心概念之一,对象之间的相似性会被直接或者间接的计算出来.传统的相似性度量方法多是基于单一的粒度去观察两个被测对象.在人类认知过程中,通常采用多粒度来更合理有效地进行问题求解.本文借鉴人类的这种多粒度认知机理,提出一种新的相似性学习方法,称作全粒度相似性度量方法,基于此发展了一种全粒度聚类算法.而全粒度相似性度量从各个角度观察被测对象,进而会得到两个对象间更加真实的相似度.从UCI数据集中选取5组数据进行实验,最后通过与两种传统的聚类方法比较验证了全粒度聚类算法的合理性与有效性.     

信息系统中的信息粒与熵理论

信息粒度与熵理论是两种有效进行信息系统中不确定性研究的重要工具,已有许多成功的应用范例．文中研究了不同二元关系下信息系统中信息粒的刻画和表示,给出了信息系统中信息粒度的公理化定义,证实了一些已有的信息粒度度量都是其特殊形式．发展了信息系统中的熵理论,证明了这些熵度量的粒化单调性．同时,在信息系统意义下,建立了信息粒度与熵之间的互补关系．这些研究统一了完备信息系统与非完备信息系统中不确定性度量的相关结果．     

信息系统中熵度量的粒化单调性

研究了不同二元关系下信息系统中信息粒的刻画和表示,引入了偏序关系,′发展了信息系统中的熵理论,证明了这些熵度量的粒化单调性.     

消除随机一致性的互信息及决策树算法

在决策学习过程中,由于缺乏详细的知识而进行的逻辑欠缺的随机猜测可能会与实际情况形成随机一致性,其广泛存在于分类等学习任务中,对学习模型的泛化能力和决策结果造成影响。在分类过程中,信息熵作为特征评价的重要指标之一,在特征评价中会存在多值偏向（偏向于选择取值较多的特征）的问题。文章从消除决策过程中的随机一致性出发,选择使用一种消除随机一致性的互信息作为特征选择的指标,首先将消除一致性的互信息与信息增益、信息增益比等指标进行比较,说明了该指标可以有效消除随机一致性,解决多值偏向问题,从而更好地进行特征选择。然后基于该指标,提出消除随机一致性的决策树方法,并在9个真实数据集上验证其有效性。实验结果表明,消除随机一致性的互信息相较于传统的信息熵能够有效地解决信息增益的多值偏向问题,且消除随机一致性的决策树算法相较于传统的ID3算法、C4.5算法以及CART算法具有更高的平均分类准确率。     

高速快门诱导的低照度图像弱参考视觉增强方法

高速快门会导致拍摄图像产生多种类型的退化,如极低曝光和噪声等问题.现有的无监督图像增强方法难以构建不同空间域的特征映射关系,以改善图像质量.针对上述问题,提出了一种高速快门诱导的低照度图像弱参考增强方法.该方法训练了一个光照特征提取网络(illumination feature extraction net,IFE-Net)以估计高阶曲线的参数;构建了联合硬注意力机制,加权选择低照度图像和参考图像的特征信息,并利用光照估计曲线将两者有机整合,逼近最佳的非线性映射,以获得清晰的复原图像;设计图像属性和转换感知相结合的多项损失函数,在增强低照度图像的同时保留更多图像细节.与现有的3种低照度图像增强算法进行实验对比,验证了算法的可行性和有效性,并通过消融实验验证了联合硬注意力模块设计的合理性和必要性.