一种基于粗糙集理论的值约简算法

基于粗糙集理论,提出一种无需建立差别矩阵,无需计算分明函数的值约简算法,阐述该算法的设计思想和具体步骤,并用具体算例证明此算法可行,而且获取的规则是完备无冗余的。

一种新的基于粗糙集的值约简算法

对粗糙集(Rough Set)理论中属性约简和值约简算法进行了研究，提出了一种新的基于粗糙集的值约简算法。实验表明，该算法所得结果比目前通用的基于粗糙集的值约简算法更简化和有效，它可以应用到各种与值约简相关的实际问题中。

基于粗糙集的启发式值约简的改进算法

本文根据粗糙集理论讨论了属性值约简问题,基于属性值的重要度提出了一种改进的启发式值约简方法。首先,通过约简广义特征表和决策表获得决策表的属性值核。其次,用条件属性与决策属性之间的互信息增量来度量值重要度,进行启发式信息、构建和属性值约简。最后,用属性蒸发率和置信度等指标对决策规则质量进行评价,验证了算法的有效性。

一种基于Rough集的属性值约简算法

文章将Rough集理论应用于不同类型的决策表(一致决策表和不一致决策表)的约简,给出了广义决策、决策规则的一致程度、属性值重要性等定义,在此基础上提出了一种基于Rough集的属性值约简算法。该算法不仅能得到更为简洁的决策规则,而且能保持决策规则的一致程度不变。实例分析表明该算法是可行的。

基于值约简和决策树的最简规则提取算法

粗糙集理论中的值约简和数据挖掘领域中的决策树都是有效的分类方法,但二者都有其局限性。将这两种方法结合起来,生成一种新的基于值核的极小化方法对决策树进行修剪,提出了约简规则的判定准则,缩小了约简的范围,最后再对生成的规则进行极大化处理,以保证规则覆盖信息的一致性,实验验证了该算法的有效性。

一种属性与值约简简化算法

Rough Set理论是处理不确定性知识、不完整数据的重要工具 ,在 Rough Set中属性最小约简与规则提取 NP-hard的 .本文针对现有属性约简与值约简算法的问题 ,分析了区分矩阵的特性 ,在此基础上 ,提出了属性与值约简的简化算法 ,并用实例作了验证 .

一种基于粗集的决策表属性值约简改进算法

属性约简和值约简是粗糙集理论中的重要内容。文章提出一种适用于决策表的属性值约简改进算法AVRIMC,对分辨矩阵中的每一行,直接利用吸收率和求得的值核信息,优化该行后续元素的构造;最后用UCI数据集进行实验,并与文献中算法相比较,结果表明本算法在保持正确性的基础上,时间性能有一定程度的改进。

一种粗糙集值约简算法及其应用

对已有的粗糙集约简算法进行了研究,分析了这些算法中存在的问题。提出一种粗糙集值约简算法。该算法重点不在于求得最佳属性约简,而在于求得满足用户需求的最佳值约简。通过实例介绍了该算法的应用。算法能实现粗糙集的值约简,并能计算出各规则的支持度。

基于决策熵的值约简算法

值约简是Rough集理论研究的核心内容之一,高效的值约简算法可以有助于快速做出决策.目前的值算法要么识别率不高,要么时间复杂度较高,而且也不能客观地反映决策规则的决策能力的变化情况.为了尽量克服这些缺点,文中利用置信度的概念以及决策熵能客观反映决策规则的决策能力的变化情况的优势,提出了一种基于决策熵的值约简算法.本算法采用了等价划分和容差关系在属性空间上对决策表分解,再根据置信度和决策熵判断每条决策规则中属性值是否该删除,并最终得到正确识别率上接近已有的确定规则获取算法的识别率,并且运行时间较低的结果.文中算法给出了详细地步骤以及相关实例说明,并将本算法与启发式值约简和基于决策矩阵的值约简算法做对比实验,实验结果表明,文中算法是一种可行性的值约简方法.

基于属性值重要性的Rough集值约简算法

值约简是Rough集理论的一个重要研究课题。很多学者对它进行了研究并提出了不同的值约简算法,但是在执行效率上还有待提高。在启发式值约简算法基础上,结合属性值的重要性,提出了一种改进的基于属性值重要性的Rough集值约简算法,该算法在执行效率上有很大的提高,通过实例分析验证了该算法的可行性和有效性。

不一致决策表的值约简方法

对目前求不一致决策表最简规则方法存在的问题进行了分析,提出了一种构造区分矩阵的方法,能更好地适用于多决策属性存在的决策表中。借助区分矩阵进行值约简,提出了一种新的规则提取算法。利用属性的重要度来描述条件属性所提供的知识对决策表的影响程度,引入规则准确度来衡量算法是否造成决策表的新的不一致规则。该算法不会破坏决策系统中一致规则和不一致规则所蕴含的信息量,保持约简前后规则的准确度不变。

基于受限区分矩阵的值约简方法

一般启发式值约简算法中启发信息选取不够合理,获取规则的置信度不高,同时还需要多次遍历决策表,时间开销较大。针对上述问题,提出了一种基于加权平均的属性值重要度的概念,并利用受限区分矩阵构造了一种新的值约简方法。该方法无须多次遍历决策表,且不必考虑属性值恢复的问题,大大方便了规则摄取,有效地降低了计算的时间复杂度,且属性值约简更加合理,保证了最后获取的规则具有较高的置信度。最后通过真实的医学数据实验结果表明,该方法具有较好的约简效果。

一种基于Hash的快速值约简方法

本文在研究粗糙集、决策树与粒计算的基础上,结合Hash算法快速、高效的特点,提出了一种基于Hash的快速值约简方法。该方法在处理信息系统过程中,能够快速划分等价类,并计算出正区域;在基于粗糙集理论针对每一个属性进行属性约简和值约简的过程中,利用Hash方法能够对数据压缩的特点,实现快速高效的规则提取。通过仿真实验显示,与一般的值约简方法相比,本方法在时间复杂性上具有优势。

基于Rough Set的属性值约简算法研究

从逻辑的角度分析了属性值约简的本质及过程,在此基础上构造辨识矩阵,提出了一种基于Roughset的属性值约简新算法,并对此进行了证明。该算法比以往的算法更简便、直观,易于编程实现,也更易从本质上理解属性值约简的实质及过程,并且算法不破坏决策系统中的不一致规则所蕴含的信息量。实例分析表明该算法是有效可行的。

基于粗糙集的实属性值约简算法

在A.Skowron关于属性值约简研究的基础上,给出截断点集的逻辑抽取方法,并基于复杂度的考虑提出一种改进的启发式算法,使属性的值集规模有实质性的约简.

基于粗糙集的一种属性值约简算法及其应用

阐述粗糙集理论的基本概念,并且对属性约简和值约简算法进行研究,提出了一种基于粗糙集的属性值约简算法。通过实例介绍该算法的应用。研究表明,该算法不仅能得到最佳的决策规则,而且能够大大降低信息系统所需的存储空间,该算法可以解决各种有关的实际问题。

一种基于辨识矩阵的启发式属性值约简新算法

属性值约简是Rough Sets知识约简的核心内容之一。针对经典算法存在的不足,对属性值约简的本质及过程进行了深入研究,在此基础上构造辨识矩阵,提出了一种启发式的属性值约简新算法,并对其正确性进行了分析和证明。实验表明该算法有效可行,不仅可以得到更加简练的决策规则,而且不破坏决策系统中不一致规则所蕴含的信息量,弥补了经典算法的不足。

一种基于粗糙集的属性值约简方法

利用矩阵的可操作性等优点,将决策表中的知识通过区分矩阵反映出来,对决策表的值约简操作转换为对矩阵的运算。提出基于区分矩阵的一些重要性质及在此基础上的属性值约简方法,最后通过实验和实例验证了该算法是有效可行的。

基于不可辨识矩阵的值约简算法

属性值约简是粗糙集理论的重要研究课题之一,很多学者对它进行研究并提出了不同的算法,但由于值约简是NP-hard问题,目前还没有高效的方法.根据可辨识矩阵的定义,提出了不可辨识矩阵,将其运用到属性值约简的问题中.实验结果验证了此算法的可行性和有效性,能节省循环比较时间,提高计算速度.

基于粗糙集的旋转机械故障诊断方法研究——使用明析矩阵的属性值约简新方法

论文探讨了旋转机械故障诊断中,用粗糙集理论进行知识获取的方法。粗糙集理论在知识获取方面有很多的优越性能。在使用粗糙集理论进行知识获取时,决策表约简是关键一步。明晰矩阵可以进行属性约简和属性值约简。但是使用明晰矩阵存在占用存储空间大,运算时间长的缺点。论文提出了一种基于明析矩阵的属性值约简新算法。这种算法能够有效地缩短计算时间和节约存储空间,操作简便。