基于属性质量度的变精度邻域粗糙集属性约简

变精度邻域粗糙集相比于邻域粗糙集具有抗噪容错的能力,但由于重新定义了下近似,正域的划分不再严格,使得属性重要度的可信度降低,在精度改变的情况下无法优先选取最优的属性.针对这一问题,分析变精度邻域粗糙集的下近似,引入邻域内的正确分类率,定义属性质量度,提出一种基于正域的增量和平均正确分类率的增率相结合的属性度量方法.通过和现有的基于属性重要度的属性约简算法做比较,实验结果表明,改进后的属性度量方法对变精度有更好的适应性,在不同变精度阈值下能得到更优的约简结果.

基于2型模糊集的粗糙模糊C-means算法

聚类算法在图像处理、模式识别等领域有广泛应用,粗糙模糊C-means算法是近年来研究较多的聚类算法。在面对聚类结构不同的样本时,传统的粗糙模糊C-means算法存在聚类簇心偏向性和隶属度选取的问题,使聚类结果不理想。提出一种基于②型模糊集的粗糙模糊C-means算法,算法采用②型模糊集理论,计算样本的次隶属度,从而描述样本的深层信息,根据样本最大隶属度和次大隶属度之间的差别,将样本划分到类簇的上下近似集中,根据上下近似集的权重,迭代并重新计算簇心,直到达到设定阈值或者满足算法终止条件。将改进的粗糙模糊C-means算法在人工数据集和UCI数据集上进行实验对比,结果表明改进的粗糙模糊C-means算法具有良好的性能。

基于二进制链表的粗糙集属性约简

差别矩阵是很多学者用来计算粗糙集属性约简的一种方法,该方法因其简单、直观、易于理解而得到广泛应用,但是包含在差别矩阵中的冗余元素不仅对属性约简不起作用反而增加存储空间,为消除这些冗余元素提出了一种新的存储结构:二进制链表,通过位运算将差别矩阵中所有的重复元素和父集元素删除,降低差别信息的存储空间。为验证二进制链表的有效性,提出了一种新的属性约简算法。通过UCI数据库中多组数据集对该方法进行测试,并将实验结果与其他算法进行比较,提出的算法可以更快地得到属性约简集并且能够有效地降低存储空间。