一种基于(μ+λ)-ES进化策略的特征选择方法

特征选择是模式识别和数据挖掘等研究领域的一个热点。提出了一种新的特征选择方法FeBES(FeatureSelection Based on(μ+λ)-ESEvolutionary Strategy),它以遗传算法为基础,以定义的最优特征集的评价准则为适应度函数,采用(μ+λ)-ES进化策略挑选出一组较高质量的特征子集。仿真实验结果表明了该方法的有效性。

一种实域粗糙集模型及属性约简方法

通过对实域区间和决策值的重新划分,对已经存在的属性广义重要度度量准则进行了扩展,构建了对象空间上的广义邻域关系及广义邻域关系下的实域粗糙集模型,并在此基础上提出了实域决策系统中属性约简方法(ARRDDS).对不同数据集的实验测试结果表明,与其他相关方法相比,ARRDDS方法能够较好地处理决策表中实数域属性约简问题.

基于改进扩展正域的属性核与属性约简方法

指出了不相容决策表中存在的正域扩展方法的不足,基于决策表局部最小确定性与条件属性对决策的最小确定性程度,构建了一种改进的扩展正域方法。基于改进的扩展正域方法,提出了计算不相容决策表中认知属性核和认知属性约简的算法。实验结果表明了本文方法的有效性。