基于限制邻域关系的不完备混合决策系统属性约简

针对经典粗糙集不能直接处理决策系统中既含有属性值缺失的不完备问题又同时具有名义型属性和数值型属性的混合数据问题,提出一种限制邻域关系,并给出了一套不完备混合决策系统属性约简算法。该算法以条件熵作为启发因子,弥补将决策正域作为启发因子时可能会出现选不出第一个最重要属性的不足,并利用所提的限制邻域关系直接处理不完备混合型数据,从而省去了对不完备数据进行数据补齐或删除和对数值型数据进行离散化的过程,以减少这些数据预处理所带来的不确定性,最后通过对UCI的不完备混合型数据集进行仿真实验,从而验证了该算法在保持或改善分类能力的情况下可以有效地约简冗余属性,并且讨论了在限制邻域关系中的阈值选择对分类结果的影响。

不完备模糊混合决策系统的邻域粗糙集分析方法

针对现实中同时具有不完备、模糊、混合属性值域决策系统的约简问题,建立了广义邻域粗糙集模型,提出了未知属性的辨别方法和基于属性重要度的约简算法。采用广义邻域关系度量不可分辨关系,通过邻域粒子逼近论域空间,是非对称相似关系、容差关系和模糊等价关系的广义化,可以直接处理同时含有名义型、数值型、模糊型、丢失型和遗漏型不完备属性的混合决策系统。依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响,给出了约简算法的具体实现。采用HitSHT数据和UCI数据库中2组数据进行了仿真试验,预测精度证明了模型的合理性及约简算法的有效性。

广义邻域关系下不完备混合决策系统的约简

为了能够直接处理不完备的、数值和符号混合的数据,对相容关系和相对邻域关系进行广义化表示,提出一种新的广义邻域关系。在广义邻域关系下,基于信息熵提出一种适用于不完备混合决策系统的条件熵,并证明基于该条件熵的属性重要性包含基于正区域的属性重要性,进而构造基于该条件熵的启发式属性约简算法。采用UCI数据库中6组混合型属性数据集进行仿真实验,通过对比约简后的属性数目、分类精度和运行时间,验证了该约简算法比同类型的其它算法更准确有效。

广义不完备混合决策系统的知识约简

针对现实中同时具有丢失型和遗漏型未知属性的混合决策系统的约简问题,建立了广义不完备邻域粗糙集模型,提出了未知属性的辨别方法,给出了一种混合约简算法。模型采用广义邻域关系度量不可分辨关系,通过邻域信息粒子逼近论域空间,是非对称相似关系和容差关系的广义化。依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响。采用UCI数据库中5组数据进行了仿真试验,预测精度证明了约简算法的有效性和可行性。

变精度下不完备邻域决策系统的属性约简算法

邻域粗糙集模型在处理完备的数值型数据中得到广泛应用,但针对不完备的数值型和符号型混合数据进行属性约简的讨论相对较少。为此,首先结合邻域粗糙集给出了可变精度模型下不完备邻域决策系统的上、下近似算子及属性约简;然后通过邻域粒化的方法构建了广义邻域下可变精度的粗糙集模型,并提出了一种属性重要度的评价方法;在此基础上,设计出了面向不完备邻域决策系统的属性约简算法,该算法可直接处理不完备的数值型和符号型混合数据;最后,通过实例分析验证了本文提出的算法能够求解出变精度下不完备邻域决策系统的属性约简结果。

面向不完备邻域系统的三支决策粒计算方法

针对许多应用领域中的数据大多是连续型数值,且由于成本限制和隐私保护等因素导致数据呈现不完备性。为此,提出面向不完备邻域系统的三支决策粒计算方法,引入邻域概念改进非对称相似关系,并通过改进的非对称相似关系计算不完备邻域系统的邻域粒度;在此基础上计算对象属于决策类的最大条件概率,再根据三支决策规则分别将对象划分到各决策类的正域、负域和边界域;通过实验比较和分析,进一步验证了该方法能获得较好的划分准确率和较低的误划分损失,为三支决策对不完备邻域数据的分析和处理提供了一种有效可行的方法。

基于邻域区分度的不完备混合数据属性约简方法

针对不完备混合数据,提出一种基于邻域区分度的属性约简方法.首先,在不完备混合邻域决策系统中,针对3种数据类型定义新的距离函数,由此给出邻域、邻域容差关系及其邻域上下近似集等概念,构造邻域粗糙集模型.然后,在不完备混合邻域决策系统中定义区分关系,给出邻域区分度、相对邻域区分度等度量,并讨论相关性质及定理.最后,基于相对邻域区分度定义不完备混合邻域决策系统的属性约简集、属性重要度等概念,设计一种启发式的不完备混合数据属性约简算法.8个公共数据集上的实验结果表明,所提出的属性约简算法可以获取最优/次优属性子集,且具有较好的分类精度.

混合决策系统启发式增量属性约简方法研究

对于混合决策系统的属性约简,现有方法主要存在动态效果不佳、复杂度过高,以及约简精度差等问题,为此,提出一种启发式增量属性约简方法。针对混合决策系统的动态波动,基于粗糙集建立了邻域关系模型,根据邻域相对差异对增量属性进行更新。同时,为进一步增强约简算法的动态适应性,引入条件熵求解相对差异。考虑到单纯利用邻域依赖虽然有利于处理样本的分布不均,但是很难获得良好的属性评估,引入粒度模型进行优化,将邻域关系采用粒度重新描述,从而细化邻域关系。利用邻域依赖性得到决策属性度量,构造启发计算,同时,通过条件和决策间的关联度,以及粒度模型的单调,求解出条件和决策共同约束下的邻域关系。再根据决策属性度量作为启发,直至单一属性对子集决策性能不再有影响,完成属性约简。基于数据集的仿真,验证了提出的启发式增量属性约简方法能够降低约简冗余度和约简长度,有效提高属性约简精度和约简时间效率。

混合值不完备信息系统一种新的数据分析方法

针对混合值不完备信息系统的完备化问题,提出了一种改进的ROUSTIDA算法。对可辨识矩阵的定义在邻域的范围内进行了扩充,使之可以适用于混合值的不完备信息系统,结合极大相容块技术给出了具体的改进算法,使填充能力得到很大的改善,同时还具备了初步排除噪声数据的能力。实例分析表明,该算法是行之有效的。

基于扩展可辨识矩阵的混合决策系统属性约简

经典粗糙集理论的研究对象只能是完备的离散决策系统。为了直接对不完备混合决策系统进行属性约简,因此通过引入邻域关系和限制容差关系的概念对可辨识矩阵的定义进行了扩展,提出了一种基于扩展可辨识矩阵的属性约简算法;该算法可以兼容处理完备与不完备混合决策系统。通过UCI数据集的仿真实验证明了该算法的有效性,最后讨论了扩展可辨识矩阵中的邻域阈值选择对属性约简结果的影响。

不完备混合决策粗糙集特定类多目标属性约简

为提高属性约简的实用性能,针对不完备混合型信息系统提出一种不完备混合决策粗糙集模型,构造一种基于特定类的多目标代价敏感属性约简算法。该方法建立在不完备混合决策粗糙集基础上,将决策代价和测试代价同时作为属性约简的优化目标,基于特定类的代价敏感而设计。实验结果表明,所提算法具有更高的代价敏感属性约简性能,由于属性约简结果同时兼顾了决策代价和测试代价,该算法具有更高的实用性能。

不完备邻域多粒度决策理论粗糙集与三支决策

多粒度决策理论粗糙集是多粒度视角下三支决策中一种重要的模型。在数值型不完备数据下建立邻域容差关系;在其基础上提出乐观和悲观的邻域多粒度决策理论粗糙集模型。为了弥补这两种模型的局限,提出平均邻域多粒度决策理论粗糙集模型,并分析相关性质以及相互关系。同时为了使所提出的邻域多粒度决策理论粗糙集适用于不完备数据环境,运用区间值的形式表示代价函数,并通过选取不同参数的方式提出一种可变三支决策。实例分析表明,该模型与方法具有一定的合理性与灵活性。

不完备数据集的邻域容差互信息选择集成分类算法

针对不完备混合信息系统的分类问题,结合粒计算中的邻域容差关系和互信息理论,定义邻域容差互信息的概念,并利用集成学习的思想,提出不完备数据集的邻域容差互信息选择集成分类算法.该算法首先根据缺失属性得到信息粒,划分粒层构建粒空间,在不同的粒层上使用以BP神经网络作为基分类器的集成算法,构建新的基分类器;然后,根据每个信息粒的缺失属性计算出关于类属性的邻域容差互信息,来衡量各个信息粒的重要度,并根据基分类器预测准确率以及邻域容差互信息重新定义基分类器权重;最后,根据预测样本对基分类器加权集成预测分类结果,并与传统的集成分类算法进行对比分析.对于部分不完备混合型数据集,新提出的集成分类算法能有效提升分类准确率.

基于多粒度模糊邻域熵的在线流组特征选择

针对传统在线流组特征选择方法无法处理异常或者缺失的不完备混合数据,导致特征选择效果不佳的问题,在不完备系统中提出一种基于多粒度模糊邻域熵的在线流组特征选择算法。考虑不完备混合数据中的不确定信息,将决策自信息与模糊邻域熵相结合,从代数和信息视角提出多粒度模糊邻域熵;提出在线流组内、组间粒选度,根据模糊邻域对比度对特征组进行冗余分析。在8个公共数据集上进行实验对比分析,所提算法在处理不完备混合数据时能有效消除冗余特征,提高数据的分类精度。

不完备邻域粗糙集的不确定性度量和属性约简

针对现有的属性约简算法不适合处理数值型属性和符号型属性共同存在的不完备数据,提出了一种拓展不完备邻域粗糙集模型。首先,通过考虑属性值的概率分布来定义缺失属性值之间的距离,可以度量具有混合属性的不完备数据;其次,定义了邻域混合熵来评价属性约简的质量,分析证明了相关的性质定理,并构造了一种基于邻域混合熵的不完备邻域粗糙集属性约简算法;最后从UCI数据集中选取了7组数据进行实验,并分别与基于依赖度的属性约简(ARD)、基于邻域条件熵的属性约简(ARCE)、基于邻域组合测度的属性约简(ARNCM)算法进行了比较。理论分析和实验结果表明,所提算法约简属性比ARD、ARCE、ARNCM分别减少了约1,7,0个,所提算法的分类精度比ARD、ARCE、ARNCM分别提高了约2.5,2.1,0.8个百分点。所提算法不仅能够获得较少的约简属性,同时具有较高的分类精度。

基于矩阵策略的不完备混合型数据增量式特征选择算法

特征选择是粗糙集理论在数据挖掘等领域中一种重要的应用,如何对动态变化的信息系统进行增量式特征选择是目前粗糙集理论研究的重点。在不完备混合型信息系统中,属性集的不断增加是信息系统动态变化的一种重要形式。首先在不完备混合型信息系统中引入邻域条件熵的概念,并且利用矩阵的方法去表示邻域条件熵;然后针对属性集动态增加的情形,提出矩阵形式的邻域条件熵增量式更新,并且基于这种增量式更新机制给出了相应的增量式特征选择算法;最后,UCI数据集的实验结果表明,所提出的增量式特征选择算法比非增量式特征选择算法具有更高的特征选择性能。

基于邻域容差互信息和鲸鱼优化算法的非平衡数据特征选择

针对大多数特征选择算法未充分考虑数据的类不均匀分布、特征之间的相关性和不同参数对特征选择结果的影响等问题,提出一种基于邻域容差互信息和鲸鱼优化算法(WOA)的非平衡数据特征选择方法。首先,在不完备邻域决策系统中,针对二分类数据集和多分类数据集,基于上、下边界域定义两种非平衡数据的特征重要度;然后,为充分反映特征的决策能力和特征之间的相关性,构建邻域容差互信息;最后,通过将非平衡数据特征重要度和邻域容差互信息相结合,提出基于邻域容差互信息的非平衡数据特征选择(FSIDN)算法,该算法采用WOA获取特征选择算法中的最优参数,并引入非线性收敛因子和自适应惯性权重来改进WOA,以解决WOA易陷入局部最优的问题。在8个基准函数上进行实验,结果表明改进的WOA具有较好的优化性能;在13个二分类和4个多分类的非平衡数据集上进行特征选择实验,实验结果表明,与其他相关算法相比,所提算法能够有效地选择出具有良好分类性能的特征子集。

基于邻域粗糙集的转台故障诊断(英文)

针对转台的故障类型和特点,设计了基于邻域粗糙集的故障诊断系统。邻域粗糙集以邻域关系代替经典粗糙集的等价关系,通过邻域信息粒子逼近论域空间,可以直接处理数值型属性。提出了一种基于邻域等价关系的混合约简算法,通过计算条件属性的依赖度,对原始决策表进行约简,有效地剔除了系统的冗余属性。在约简决策表的基础提取分类规则,并最终生成分类机。通过对转台故障诊断的实验,验证了该方案的有效性和可行性。

混合值不完备系统的双邻域粗糙集分类方法

针对混合值不完备系统,提出一种基于双邻域粗糙集模型的分类方法.首先,定义一个新的不确定距离度量函数—–联系度距离函数,进而建立基于联系度距离函数的双邻域粗糙集模型;然后,基于所建立的模型讨论该模型的属性约简算法,并给出基于属性约简、覆盖约简的双邻域粗糙集规则学习分类算法;最后,通过多个UCI数据集进行实证分析,结果表明所提出的分类算法是客观有效的,特别是在缺失值较多的情况下,其优势更加明显.

不完备决策信息系统的混合条件熵与多属性决策

不完备决策信息系统的多属性决策具有应用意义,其主要依托不确定性度量.针对不完备决策信息系统,现有条件熵及相关决策排序方法具有信息单一缺点,对此提出混合条件熵与对应决策排序方法.首先,层次分解条件熵并引入依赖度,构建直接混合与层次混合两种新型条件熵,得到粒化单调性与度量值大小等性质.然后,由两种混合条件熵设计两种多属性决策排序算法,得到对比五种排序方法的有效性与改进性.最后,实施实际数据集的决策排序实验,证实新建排序方法能够取得条件熵排序方法的一致效果.混合条件熵分层融合了信息表示与代数表示,改进现有条件熵进而更全面表征系统不确定性,其合理排序有利于不完备决策信息系统的多属性决策应用.