2-Flou数的因素值离散化算法

针对等区间离散化方法的刚性划分问题,提出一种具有柔性的2-Flou数因素值离散化算法.利用提出的2-Flou数理论及其连接算法,采用双参数调节策略和四元组表示策略,对给定连续型数据进行柔性离散化.以iris数据集为例进行离散化实验,实验过程简单、结果符合预期.结果表明:2-Fou数的离散化方法比经典等区间离散化法更有柔性,比模糊区间离散化法表达更简单,是一种更有效的离散化方法.

因素空间理论下基点分类算法研究

目前,基于因素空间理论的背景基提取算法计算过程复杂,初始化必须依赖各因素极值,基点数量提取冗余等原因,未能在应用中取得很好效果。为此,结合内点判别法和知识可继承、可扩展的思想,提出一种计算简单、初始化独立、基点数量小的改进的背景基提取算法。然后,利用改进的背景基提取算法构造出一种全新的数据分类算法−基点分类算法,基点分类算法以提取每一类样本的背景基为预测模型,再通过新定义的λ-背景基,优化预测模型。数值实验表明:基点分类算法原理简单、构造难度小、分类模型泛化能力强,预测能力准确率高,同时严格的模型限定区域又能为识别新类别提供新方法。

因素空间理论下多目标因果分析的降维算法

为降低利用多目标因果分析法进行因果规则提取的计算繁杂性,给出多目标因素条件下降维映射和钻入决定度降维的定义,对目标因素进行合取,根据选定目标因素的钻入决定度判断结果,进行目标因素的约简,得到了目标因素的降维算法;在目标因素的降维算法的基础上,研究了目标因素之间的关联性,并给出了关联指标定义,结合多目标因果分析法,提出多目标因果分析降维算法.研究结果表明:多目标因果分析降维算法具有实用性和有效性.研究结论为多目标优化带来一些新空间.