决策表最优特征子集的选择——基于粗集理论的启发式算法

特征子集选择问题是机器学习的重要问题 .而最优特征子集的选择是NP困难问题 ,因此需要启发式搜索指导求解 .基于粗集理论 ,本文提出了一种新的决策表最优特征子集选择的启发式算法 .和以往的方法相比 ,这种算法简单实用 。

基于粗糙集相对分类信息熵和粒子群优化的特征选择方法

特征选择是指从初始特征全集中,依据既定规则筛选出特征子集的过程,是数据挖掘的重要预处理步骤。通过剔除冗余属性,以达到降低算法复杂度和提高算法性能的目的。针对离散值特征选择问题,提出了一种将粗糙集相对分类信息熵和粒子群算法相结合的特征选择方法,依托粒子群算法,以相对分类信息熵作为适应度函数,并与其他基于进化算法的特征选择方法进行了实验比较,实验结果表明本文提出的方法具有一定的优势。

基于决策表-粗糙集理论的动态安全分析神经网络输入特征优选

提出了一种动态安全分析神经网络输入特征的优选方法。该方法将决策表最优特征子集理论与粗糙集理论的元素离散化方法相结合,在保证较高精度的运行点分类和稳定裕度计算的基础上,从大维数的注入元中优选特征元作为神经网络输入特征,以降低其输入特征的个数,较好地解决了神经网络动态安全域方法用于大系统所面临的“维灾难”问题。通过对电力系统分析综合程序(PSASP)中EPRI-36测试系统的仿真计算,验证了该方法的有效性。