基于描述逻辑的带依赖属性UML类图

分析基于描述逻辑的统一建模语言(UML)类图形式化方法的研究现状和存在的问题,提出一种基于描述逻辑的带依赖属性UML类图的形式化方法。研究带依赖属性UML类图的数据属性依赖、行为属性依赖和全局属性依赖的描述逻辑形式化问题。给出带依赖属性UML类图向描述逻辑知识库转化的方法,以及带依赖属性UML类图知识库可满足性定理及其正确性证明。

基于描述逻辑的带属性依赖时序ER模型

分析了描述逻辑在数据库中的研究现状和存在的问题,特别是描述逻辑与时序ER模型的关系,在Artale的基础上提出了一种形式化带属性依赖时序ER模型εRVTAD.针对带属性依赖时序ER模型εRVTAD的需求和特点,提出了一种新的描述逻辑,即时序描述逻辑ALCQI(D)US.给出了ALCQI(D)US的语法和语义,提出了基于ALCQI(D)US的带属性依赖时序ER模型,即给出了如何将带属性依赖时序ER模型εRVTAD转化为ALCQI(D)US知识库,以及利用ALCQI(D)US的推理机制给出了带属性依赖时序ER模型εRVTAD的可满足性、冗余性、包含关系和蕴含关系等自动推理问题,证明了这些推理问题的正确性.

基于粗集论中属性依赖度的ID3改进算法

决策树算法是一种重要的数据挖掘方法,ID3算法是最具影响的一种决策树生成算法。介绍了粗集理论的相关概念和传统的ID3算法基本原理,提出了一种以粗集论中的属性依赖度为基础的ID3改进算法,克服了传统ID3算法对取值较多属性的依赖,并通过实例验证该算法的高效性和精确性。改进算法对不同领域中分类预测方向上的数据挖掘均具有一定的参考价值。

基于属性依赖度分析的粗糙集数据挖掘方法应用

目的采用粗糙集中的属性依赖度分析方法对胶合板缺陷检测数据进行分析,获得各属性对决策的不同作用,并得出各属性间的依赖关系.方法采用粗糙集属性依赖度分析方法对实验数据进行有效分析,挖掘出对决策分析影响大的属性,去掉对决策分析影响小的冗余属性,构造数据挖掘模型.结果从胶合板缺陷检测数据中挖掘出各属性对决策分析的影响程度以及各有关属性间依赖关系的知识,在胶合板缺陷检测数据集的17个属性中,得到了3个重要属性,5个对决策影响较小的属性.结论基于粗糙集属性依赖度的数据挖掘方法提高获取规则的快速性,降低计算的复杂度,增强规则的可解释性,取得良好的研究结果.

知识过滤与属性f-迁移依赖

依据S-粗集,给出f-迁移知识,F-迁移知识,知识过滤度和知识过滤属性f-迁移依赖的概念,提出知识过滤属性f-迁移依赖定理,给出知识过滤属性f-迁移依赖在知识识别中的应用,揭露了知识过滤的本质.

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识[x]内的元素个数被减少;利用属性集α内的部分属性被删除,知识[x]内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。

面向在线顾客点评的属性依赖情感知识学习

该文研究属性依赖情感知识学习。首先提出了一个新颖的话题模型,属性观点联合模型(Joint Aspect/Opinion model,JAO),来同时抽取评论实体属性及属性相关观点词信息。在此基础上,对于各个属性,构造属性依赖的词关系图,并在该图上应用马尔科夫随机行走过程来计算观点词到少量褒、贬种子词的游走时间(Hitting Time),进而估计这些词的属性依赖的情感极性分值。在餐馆点评数据上的实验表明所提出的方法能有效抽取属性相关观点词,同时有效估计其属性依赖的情感极性分值。

基于条件属性依赖度的配置产品装配时间估算

准确地估算配置产品装配时间是确定产品销售报价和交货期的基础,是在大规模定制生产环境中取得竞争优势的关键。应用粗糙集的方法对企业现有产品的配置进行分析,定义了一个时间系数,并用回归分析的方法建立起该系数与装配时间的数学关系模型。此模型可通过新产品的时间系数对其装配时间进行估算。此外,以某企业的变压器装配时间为例对所提出的估算模型进行了验证,并对其误差作出了分析。

基于属性依赖度计算和PCA的C4.5算法

针对C4.5算法繁多的对数运算、无关属性地干扰和属性相关性的影响等问题,提出了基于属性依赖度计算和主成分分析(PCA)的C4.5算法。根据等价无穷小的原理简化运算公式;用属性依赖度的计算并借鉴PCA算法的压缩原理来处理属性相关性问题;引入了"平均波动率"和"应用权重"两个新概念,得到一个新的属性选择度量。用学生综合成绩的评定工作进行应用分析,并用UCI数据集进行性能比较,实验表明:改进后算法的评定结果更科学,并且分类更准确,运算效率更高。

基于属性依赖关系和对象相关性的自然聚类算法

针对数据集中属性间存在依赖关系以及对象间存在相关性,定义了一种新的相似关系模型,该模型所描述的相似关系能够体现对象之间的自然相关性.在此基础上提出一种基于属性依赖关系和对象相关性的自然聚类算法,该聚类算法在不事先指定聚类数目的情况下,将所有相似性达到设定阈值的对象自然聚为一类;当调整相似性阈值时,该算法还可实现不同粒度的聚类.通过分别对数值型数据集和分类型数据集进行实验比较分析,结果表明这种自然聚类算法与其他聚类算法相比,能够真实反映数据间的相关性以及数据集的自然簇结构,同时可以发现任意形状的簇,有效地提高了聚类的精度和质量.

基于属性依赖度的考研高等数学成绩影响因素分析

针对全国硕士研究生入学考试中高等数学成绩影响因素的多重性,在苏州大学文正学院2008级考研学生中,以高等数学为必考科目的所有学生作为研究样本,基于粗糙集理论中的属性依赖度原理,将这些学生的高考成绩、高等数学课程成绩和高等数学培训成绩作为考研高等数学成绩的主要影响因素,研究了考研高等数学成绩与其主要影响因素之间的关系,并通过对这些影响因素进行定量分析,挖掘这些影响因素在考研高等数学成绩中重要性的数值指标.本文的结果对于进一步深入研究普通高等学校高等数学课程的教学评价,从而提高高等数学课程的教学效果具有一定的理论意义.

属性依赖规则在概念格构建中的应用

在实际形式背景中,属性依赖关系的存在是不可避免的。因此,研究把属性依赖规则应用于概念格构建中是有意义的。通过对属性依赖规则表示和约简的定义,描述了一种新的构建概念格的方法,即把形式背景和约简后属性依赖规则作为输入数据,同时考虑其属性蕴含关系,从而在不需要构建整个概念格的情况下,产生基于属性依赖规则的概念格。其目的在于加快概念格的产生,使其在满足属性依赖规则的情况下,构建概念层次,发现潜在的信息。

基于属性依赖度的图像隐写分析算法

针对文献[6]将粗糙集属性约简应用于信息隐藏盲检测中检测正确率有所下降的问题,提出了基于属性依赖度的图像隐写分析算法,该算法利用粗糙集理论属性依赖度提出决策表离散优化的措施,寻找一种提高整个决策表分类能力的办法,以达到提高检测正确率的目的。首先利用该算法对决策表进行优化,其次通过属性约简得到最小约简,最后采用支持向量机构造分类器,对Cox、Piva两种不同隐写术进行实验结果表明,使用该算法不仅检测正确率有较大提高,而且检测效率也有较大提高。

基于属性依赖关系的模式匹配方法

结合数据实例信息和结构信息给出了一种基于属性依赖关系的模式匹配方法,该方法先是根据实例信息计算出各属性间的依赖度,进而建立关系的属性依赖图,依据属性依赖图计算出属性间的依赖结构相似度,最后确定了属性之间相对应的关系.在后面的实验中可以看出其查准率、查全率和一些性能指标与其它方法相比较优.

电子商务中多属性依赖谈判模型近期研究综述

本文对电子谈判研究的新趋势—多属性依赖谈判模型的近期研究进行综述,介绍当前国内外研究者的主要研究内容,并指出多属性依赖电子谈判研究中仍存在的主要问题,进一步指明了可能的研究方向,为电子谈判相关研究提供借鉴。

信息系统中属性依赖关系的算法研究

本文介绍了信息系统理论的基本概念,以及信息系统中的求等价划分a粍、Sˇ和属性依赖关系的算法,分析了这些算法的时间复杂性,对算法的作用及在数据仓库设计中的应用也作了相应阐述。

一种新的基于粗糙集属性依赖的属性约简算法

属性约简是粗糙集研究的重要内容之一,首先利用反例指出蔡莉等人提出的基于依赖度的决策表约简算法的错误,然后给出一种新的基于属性依赖的约简算法。通过一个信息系统实例,证明该算法的可行性和有效性。

基于属性依赖的混合约束半监督特征选择

针对利用成对约束及互信息的特征选择算法通常忽略特征与特征之间的依赖性、对特征选择的因素考虑不够全面的问题,提出了一种基于属性依赖的混合约束半监督特征选择算法。主要工作包括:第一,根据相关系数确定特征之间的正依赖、负依赖关系构建属性成对约束矩阵M和C;第二,在原始数据上加入属性成对约束矩阵,使用样本成对约束作为监督信息计算每一维特征的得分并进行特征选择;第三,利用K-means聚类方法对特征选择结果进行聚类,分析特征选择的性能。与5种特征选择算法基于互信息的无监督特征选择(UFSMI)、Laplacian Score、多分类/聚类特征选择(MCFS)、谱特征选择(SPECFS)、线性判别分析(LDA)对比,在12种UCI数据集上的聚类平均准确率达到60.4%,最高准确率达到91.39%。理论分析及实验结果表明,该算法能够有效提高特征选择的准确率。

基于布尔矩阵的单属性依赖集候选码求解方法

给出了一个基于布尔矩阵的单属性依赖集候选码求解算法,该算法不用考虑N类属性、回路、子图等问题,能够非常容易的在计算机上编程实现,能十分有效地求出指定问题域中的所有候选码。同时,该算法也为复合属性依赖集的候选码求解方法提供了良好的基础。

粗糙集属性依赖度强化的应急数据挖掘模型

在粗糙集的核心方法属性约简理论中,针对次要属性过多时属性依赖度一致引发的约简困难现象,以粗糙集属性依赖度强化为基本方法构建数据挖掘模型。模型中,计算各属性在组合中的依赖度,将组合中的依赖度合并于各属性从而强化属性依赖度。为合理化计算过程,给出一种离散化方法并构建探索模型进行实验,缩小离散量范围与属性组合范围。最后所得依赖度作为属性重要性,挖掘重要属性。实验证明,在部分地区5级以上震后经济损失影响因素分析中,比较传统属性约简,该模型可更有效地分析属性之间的重要性,解决了约简困难的问题,使用测试数据时该模型与传统方法的结果有86%的一致性。