基于分布可辨矩阵的属性重要性度量

针对目标信息系统中属性重要性度量问题,给出一种新的计算方法.首先,在分布可辨识属性矩阵基础上对条件属性集进行分布约简.然后,根据变精度粗糙集模型中下近似集定义,给出属性重要性度量公式.最后,对于给定的阈值β,分别计算分布约简属性集中各属性的重要度.实例分析表明该方法的有效性和可行性.

一种基于BP神经网络的属性重要性计算方法

人工神经网络学习作为机器学习的重要方式,在人工智能、模式识别、图像处理等领域已成功应用;BP网络作为神经网络学习的精华,它利用误差反传的方式不断修正权重以达到最佳拟合.多属性决策问题是决策理论研究领域的热点,当研究的问题涉及多个属性时,需要分析各属性的重要程度,即属性的权重.针对多分类输出结果的多输入属性相关性和重要性问题,提出了利用BP神经网络计算复杂输入属性的重要性方法;并对神经网络的节点数量、网络层数、学习策略、学习因子等进行研究,建立了适合属性重要性计算的BP神经网络模型;以烟台大学学生评教数据作为具体实例,利用k-fold方法验证其可行性和有效性.

基于属性重要性的逐步约简算法

粗糙集理论研究的重要内容之一是知识约简的有效性计算问题 ,目前求解知识约简的算法主要有两种 :一种是利用辨识矩阵构造区分函数 ,另外一种是基于属性重要性的启发式算法 .这两种算法均能求得决策系统的最小或次小约简 ,但由于计算的复杂度高 ,所以当数据量增大时这些算法的计算性能是不能令人满意的 .本文在对后一种算法充分研究的基础上设计了基于属性重要性的逐步约简算法 ,利用在决策系统中已获得的正区域逐步缩小数据处理范围 ,减少求解时间 .

基于属性重要性的加权聚类融合

聚类融合是数据挖掘研究的一个热点。当前相关研究大多没有考虑进行融合的聚类成员的质量,因此较差的成员和噪声会对融合结果产生不良的影响。提出了一种对聚类成员进行加权的融合方法。该方法引入粗糙集理论中的属性重要性度量,根据聚类成员对融合的重要性赋予其权重,生成加权共生矩阵,进而产生融合结果。实验结果表明,提出的方法能较好地处理聚类成员间的质量差异,并能有效地消减噪声对融合的影响,从而得到更好的聚类融合结果。

基于属性重要性的乒乓球比赛技术诊断

选取发球、正手弧圈(快攻)、反手弧圈(快攻)、挑打、劈长、摆短、推(挡)等技术的得分率和使用率指标,运用粗糙集属性重要性方法,通过计算各项指标的权重,对国外优秀乒乓球运动员的技术特征进行分析。结果表明:正手弧圈技术是所有外国优秀乒乓球运动员的主要得分手段;波尔的反手弧圈技术是其重要的得分手段之一;柳承敏的正手挑打技术得分率较高;萨姆索洛夫的反手攻防技术占较大的权重。

基于属性重要性的粗糙集属性约简方法

信息系统中的属性约简是粗糙集知识发现的一个重要步骤。致力于研究一个信息系统中的特征选择、删除冗余属性。新的算法从属性重要性出发,采用迭代特征选择的标准,使得选择特征属性集不断缩小,获得信息系统的约简。通过实验证明该方法可行,有效。

一种属性重要性定义方法及其在约简中的应用

针对基于Pawlak和基于条件熵的属性重要性约简算法存在的局限性,提出了一种基于分辨矩阵的属性重要性约简算法。详细分析了这两类属性约简算法产生局限性的原因,据根属性在分辨矩阵中区分对象时所起的作用的情况,给出了一种基于分辨矩阵的属性重要性定义方法,并且通过该方法计算分辨矩阵中属性的重要性;最后按照属性重要性大小的顺序来依次添加属性到核集中,直至获取决策表的一个最小约简。实例分析表明,该算法能够有效找到最小约简,与其他法相比,当决策表中条件属性较多时,该算法能够大幅减少计算工作量。

基于属性重要性的贪心算法的改进算法

文章针对决策表属性离散化改进的贪心算法在信息表中判断断点存在的缺陷,通过引入属性重要性的概念,提出了基于属性重要性的贪心算法的改进方案,弥补了原算法无法选择断点的缺陷,通过计算属性的重要性大小,优先选择属性重要的断点。

基于粗糙集属性重要性的模糊聚类决策及应用

考虑到不同属性之间的重要性,利用粗糙集理论对模糊信息表或信息表中的不同属性之间(特别是定量属性与定性属性之间)进行耦合,提出一种计算不同属性间相似度的计算方法,即基于粗糙集属性重要性的模糊聚类方法,解决模糊信息表或信息表中属性值定量与定性描述并存情况下的聚类问题,并根据原类结果建立决策表.

基于依赖度之差的属性重要性评分

目前粗糙集决策表中条件属性的重要性基本上是用条件属性的依赖度进行评判的。在决策表约简中,利用条件属性的依赖度进行评判可能会造成某些重要的条件属性的简单丢弃,影响了决策的准确性。因此提出并分析了基于依赖度之差的属性重要性的判断方法,该方法可以确保得到决策表的重要属性,得出了用依赖度之差判断属性重要性更加准确的结论,同时,给出了依赖度之差的求解步骤和算法,并通过实例验证了用依赖度之差判断属性重要性的有效性。

粗糙集理论中知识粗糙性与属性重要性的信息度量(英文)

粗糙集理论是一种处理模糊和不确定性问题的新的数学方法。本文通过引入知识的信息量概念 。

一种新的属性重要性度量及其规则获取

在分析规则知识条件和结论所在等价类包含关系基础上,提出了一个新的属性相对重要性的定义,并给出一种以决策类为基础的逐渐增加条件属性直接获取最简分类规则方法,同时用实例进行了验证。

基于属性重要性的加权支持向量机及其应用

针对珠江水质预测中的大量不确定和模糊因素,提出了一种基于属性重要性的加权支持向量机水质预测模型.首先通过粗糙集理论对原有的评价指标体系进行约简,由原来的8个预测指标约简为7个指标,被约去的属性正是网站公布数据中缺失的属性;同时计算出各属性的重要性,对重要的指标赋予较大的权重,构造基于属性重要性的加权支持向量机,这不同于以前的针对样本作用不同而构造的加权支持向量机.本文以珠江流域重点断面水质预测为例,对近2年数据进行分析,结果显示了该模型的有效性.

选项数量和属性重要性对决策中信息加工的影响

本研究采用决策过程研究方法中的信息板技术,以现实生活中的职业选择作为决策任务,考察了选项数量和选项属性的重要性对决策过程中信息加工的影响方式。结果表明:选项数量对决策过程的信息搜索深度、搜索模式和策略的补偿性产生了影响;选项属性的重要性并不影响决策者对属性的查看时间,但影响了决策者对属性的点击次数。

一种基于属性重要性的粗糙RBF神经网络

提出一种基于属性重要性的粗糙RBF神经网络模型,该模型不仅具有明确的生物意义和物理意义,而且简化了拓扑结构,减少了运算量和成本.实际应用结果表明,这种粗糙RBF神经网络在油水层识别中效果显著,其学习训练速度和拟合精度远优于传统的RBF网络算法.

基于粗糙集属性重要性的指标约简方法及改进

基于粗糙集属性重要性作为指标约简的一种重要思路,提出了基于粗糙集属性重要性的指标约简方法,并针对这种方法灵活性和适应性不足的问题,将等价关系拓展到模糊等价关系,设定阈值,增大了粗糙集知识粒度,改进了这种方法。

一种改进的决策表属性重要性及其快速约简算法

文献[9]给出了一种决策表的代数约简快速属性约简算法,但有时得不到正确的结果,首先给出算例指出其不足,然后给出改进的属性重要性及其快速属性约简算法,它能保证得到正确的代数约简结果。数值算例也验证了其正确性。

基于粗糙集属性重要性的数据约简

为了提高数据处理的效率,本文以等价关系、划分、上下近似、正域等粗糙集理论基本概念为基础,提出基于属性重要性的属性约简方法。该方法从条件属性集整体出发,分别计算去除每个条件属性后对决策属性重要性的变化,利用属性重要性区分不同属性对于决策属性的依赖程度,优选重要程度较高的属性。该方法以工业现场交流调速系统数据为对象进行有效性验证,结果表明,该方法具有良好的性能,能够大量减少冗余的属性和数据,提高数据处理的效率。

基于有序差别集和属性重要性的属性约简

针对粗糙集理论的属性约简问题,提出新的差别矩阵简化算法,该算法在无需排序和较少遍历次数的情况下简化了差别矩阵,明显提高了简化速度并最终得到简化的有序差别集。实验验证了该算法的高效性;给出度量属性重要性的新标准,即根据属性所在差别矩阵元素的权重、在差别集中出现的频数和吸收能力3方面来度量其重要性;在上述两者基础上,提出一种基于有序差别集和属性重要性的属性约简新方法,理论分析证明新方法的最坏时间复杂度低于其它基于差别矩阵的属性约简算法。大量实验结果也表明,新方法的有效性甚至可以在很大程度上得到最小属性约简。

一致完备决策系统中属性重要性定义的改进

在一致完备决策表中利用代数(信息熵)定义比较属性之间的重要性时往往会得到一些与实际不相吻合的结论,这种问题产生的主要根源是其定义本身的不完善所造成的.该文从产生问题的根源出发,从约简的角度重新定义了决策表中的各个属性(属性子集)的重要性,同时还给出了体现2个不同属性之间相互关系的相关系数的定义.最后通过对2个不同的例子来说明新定义的重要性比代数(信息熵)定义更具有合理性.