决策表的属性约减算法综述

介绍决策表的基本概念,分析决策表冲突条件以及判定条件组合爆炸的问题,明确决策表冲突检测属性约减的必要性。从本质描述、算法分类、算法效率等几个方面,对决策表冲突检测算法和属性约减算法进行了系统的综述和比较。最后,探讨了决策表的构建、效率、应用规模等6个属性约减研究的热点问题。

基于灰关联分析的连续值属性约减算法

针对目前大多数属性约减算法只能用于离散值决策表的情况,将条件属性与决策属性的关联度作为属性约减的重要性测度,同时基于条件属性间的关联度和重要度定义了条件属性的重叠性测度,据此对条件属性进行去重叠化处理,提出了一种基于灰关联分析的连续值属性约减算法CARAG,实现了对连续值属性集的约减,并在仿真实验中对算法的可行性和有效性进行了对比验证。

基于文化算法的层次属性约减入侵检测模型

为有针对性地区分入侵攻击类别,提高入侵检测系统(IDS)整体的分类准确率,提出一种层次属性约减模型。该模型采用文化算法的双层进化思想,结合粗糙集和遗传算法进行属性约减。对数据进行预处理并分层划分子空间,形成决策子表规则集f_D。运用文化算法在信念空间进行知识更新,并将层次评价知识库的进化数据传入种群空间。在种群空间利用粗糙集和遗传算法进行进化和约减,得到各层的优选属性集f_(opt),设计出层次Bayes分类器验证模型性能。实验结果表明,该模型可将属性约减前的Bayes分类正确率提高至98.21%,并能较好地识别出流量特征不明显的R2L,U2R类别的入侵攻击。

旋转机械故障诊断增量式属性约减新方法

粗糙集理论是旋转机械属性约减的常用工具,但无法有效用于样本逐渐增多的情况。针对增量式属性约减问题,提出了基于二进制分辨矩阵的属性约减算法。将新增对象分为四种类型,分别介绍了相应分辨矩阵的更新情况,从而得到相应的约减结果。该算法对于增量不需要重复计算整个分辨矩阵。通过和其他算法比较可知该算法可以快速得到约减结果,并具有较小的空间复杂度。最后,利用实际滚动轴承数据进行故障诊断实验,验证了所提算法的正确性。

一种基于粗糙集属性约减的医学图像分割

医学图像分割过程中,存在图像特征空间维数过高、需处理的数据量太大等问题。为此,利用粗糙集理论中知识约简的思想,对图像高维特征空间进行降维。文中先对图像特征数据离散化,再将粗糙集中基于不可分辨关系的属性约简方法和基于逻辑运算的推理方法相结合,对图像特征集进行约减,最后用模糊C-均值算法进行聚类分割。实验表明,该方法能够找出有效特征集,使图像特征空间的维数减少1半多,分割速度提高了2倍多。

基于蚁群优化的属性约减方法研究

属性约减是粗糙集理论中一个重要研究方向,且求得信息系统的极小属性约减集(属性个数最少的约减集)是一个NP-完全问题。为此,本文提出一种基于蚁群优化的属性约减方法,可以在多项式级时间复杂度的情况下尽可能地减去冗余属性,得到属性约减集甚至是极小属性约减集。

基于属性约减的助推技术及其应用

助推技术是机器学习和数据挖掘领域一种重要的方法,它能够大大提升预测精度,但往往容易造成训练过度,即训练精度过高导致模型外推性变差。本文提出了使用神经元网络技术进行属性约减后进行助推决策树建模的方法,较大程度上避免了助推的过度训练问题。在湖南某市电信数据库中进行了客户流失分析建模实验,结果表明该方法在模型的精度、结果的可理解性以及模型外推精度方面均优于同类算法。

基于混合频繁模式树的粗糙集属性约减算法的研究与应用

粗糙集对于学习分析系统的属性约减模型有着重要的研究意义和使用价值。针对教育大数据高维度、不完备、增量性等现状,提出了基于不完备决策表的差别信息增量更新算法,并结合树型结构对差别信息的高效存储和粗糙集的核属性概念,设计构建了MIX_FP树,实现高维属性的有效约减。实验结果验证了该算法具有较好的运行效率和空间性能,为教育大数据的属性约减提供了有效的方法,同时为基于粗糙集理论的属性约减算法研究及其在学习分析领域的应用提供了新的研究思路。

基于距离的粗糙集属性约减改进算法研究

属性约减是粗糙集理论的重要研究内容之一。由于Z.Pawlak经典粗糙集模型在处理集合间隶属关系过于简单的缺陷,文章提出了以集合间距离作为集合隶属关系的判别依据,对属性依赖度和重要度重新进行了定义,从而对属性约减算法进行改进。最后,通过一个数据模型的验证,改进后的算法能够更有效地滤除冗余属性,保留关键属性。

基于信息值的相关属性约减——加权二分类朴素贝叶斯算法研究

在经典的朴素贝叶斯分类算法中,往往假设各属性之间相互独立,且对目标变量的影响程度一致,但实际问题几乎不可能满足此假设。实际应用中的二分类问题最多,在二分类问题中考虑到属性相关、样本分布不平衡、各属性影响程度的不一致性对模型性能的影响,文章提出一种基于信息值的相关属性约减—加权二分类朴素贝叶斯模型,同时在判定样本类别归属时,采用自适应学习选择合适的阈值,以此削弱不平衡样本集的影响。实证结果表明,通过引入信息值,进行相关属性的约减—加权,模型结果在准确率上较之传统朴素贝叶斯算法有极大提升。

P2P系统中基于属性约减的可信度评价

由于P2P系统的开放、匿名等特点,传统的访问控制和认证方法已无法在P2P系统中对信任协商进行有效的支持。本文利用信任协商机制和多信任域技术对P2P系统进行安全管理。针对信任凭证在信任协商过程中存在的安全隐患,通过属性的使用记录实现信任凭证中属性集的约减,并给出一种基于属性集的可信度评估方法。该方法减少了访问者属性信息的不必要暴露,提高了信任协商交互的可靠性和安全性。

基于邻域相似性的多源异构大数据属性约减方法

针对网络多源异构大数据之间领域关系难以界定导致运算量较大的问题,提出基于邻域相似性的多源异构大数据属性约减方法。首先,基于多源异构大数据进行分析,根据边界域理念及邻域相似性提出属性重要度度量方法;其次,结合邻域粗糙集提出多源异构大数据的属性约减算法;最后,进行实验对比分析。实验结果表明,该方法可对多源异构大数据属性进行约减,且约减后的分类准确率更高,优于对比方法,具有良好的应用性能。

邻域粗糙集在属性约简及权重计算中的应用

为了减少航天器特征值属性的冗余性并提高其权重的准确性,提出了一种基于邻域粗糙集的属性约简及权重计算方法。通过对不同重要度下限分类精度的对比分析,给出了确定邻域半径的新规则。在信息观权值最优计算公式的基础上,提出了一种基于信息熵的特征值权重计算方法;给出了代数观和信息观最优组合权值确定方法,解决了代数观和信息观方法的权衡问题。将其应用于某卫星姿控系统特征值分析中,与其他方法的比较表明该方法能有效减少特征值的数目,提高特征值权重的准确性。

基于TAN网络的层次约减数据分类清洗方法

为提高多源异构环境数据清洗的效率和降低多源异构数据清洗的复杂度,针对多源异构数据环境下存在大量不精确数据的问题,提出一种层次约减分类清洗方法。通过重要度度量算法在数据源层、数据属性层、数据元组层进行层次约减,基于分类算法思想构建TAN网,然后利用数据概率值完成对不精确数据的分类清洗。实验表明所提方法能够有效地提高不精确数据清洗的准确率和清洗效率。

基于“赌轮选择法”的信息系统属性约简方法研究

属性约减是粗糙集理论中一个重要的研究方向,针对一个信息系统,如何从中获取尽可能少的属性来表达整个信息系统所含知识,这是决策者所期望的。为此,本文提出一种基于"赌轮选择法"的信息系统属性约减方法,利用该方法,我们可以更好地得到尽可能少的属性。

基于粗集理论的本体属性动态加权法研究

针对目前本体匹配效率低、查全率查准率低和本体重用度低的问题,本文提出了基于粗糙集理论,通过对本体属性进行约减,以提高匹配效率和查准率,同时根据不同的应用,可以约减出不同的核属性,动态对属性加权以提高本体的重用度。

基于本体和粗糙集理论的网格服务发现算法

针对网格服务发现的查全率、查准率效率较低的现状,基于本体技术和粗糙集理论,设计了一个服务发现算法OGSDA-RS,在服务匹配之前先进行3步预处理操作：规范化请求服务,根据请求服务对发布服务进行不相关属性约减和依赖属性约减。实验结果表明,与UDDI和OWL-S相比,服务发现的查全率、查准率要高出50%-75%,而且当发布服务的规模较小时,效率比OWL-S最高能高出2.7倍。

基于粗糙集理论与支持向量回归的预测模型

文章将粗糙集与支持向量回归有机结合起来,建立了一种基于粗糙集数据预处理的支持向量回归模型,有效地克服了支持向量回归对样本属性重要性不加区分以及处理大量数据时运算速度慢等缺陷,并将该模型成功地应用到我国粮食产量的预测中,取得了较好的预测效果。

基于粗糙集和mPCA的人脸识别算法

提出了一种粗糙集与mPCA相结合的人脸识别算法。根据一定规则将人脸图像模块化,对每一个小模块利用PCA进行处理,对于经过PCA降维后的数据再利用粗糙集约减,去除冗余信息。该方法可以减少姿势表情的变化给人脸识别带来的影响,去除大量的冗余信息,从而降低计算的复杂性,提高识别率。基于ORL人脸数据库的实验结果表明,该算法正确识别率达到97%。

改进的变精度粗糙集在概念格构造中的应用研究

根据可变精度粗糙集的β-上、下分布约简算法的优势,结合概念格形式背景的特点,将二者有机地结合,提出了基于变精度粗糙集的概念格约减算法。分析了变精度粗糙集模型中的β值的选取算法、可辨识矩阵属性约简,以及传统算法中存在的问题,并进行了改进。最后,为了验证改进后算法的有效性,设计了基于变精度粗糙集的概念格生成系统,通过一个实例演示了构造概念格的整个过程,并通过实验证明了算法的有效性。