集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能,提出了基于广义粗集的集成特征选择方法.为在集成特征选择的同时获取各特征空间中的多类模式可分性信息,研究并提出了关于多决策表的相对优势决策约简,给出了关于集成特征选择的集成属性约简(Ensemble attribute reduction,EAR)方法,结合基于知识发现的KD-DWV算法进行了高光谱遥感图像植被分类比较实验.结果表明,EAR方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.

广义粗集的公理化

粗集理论在数据挖掘等领域得到了广泛的应用 ,对粗集理论进行推广可得到各种广义粗集。该文研究了广义粗集的多个公理组 ,证明了公理组中各公理的独立性 ,并给出了普通粗集理论的另一个公理组 ,它有

加细覆盖下模糊广义粗集的一些基本结果

论文从拓扑学角度研究覆盖近似空间(U,C),提出了加细覆盖的概念,讨论了加细覆盖近似空间的约简问题;同时给出了对定义在加细覆盖近似空间上的模糊集进行上、下近似计算的一种计算方法,并讨论该算法的一些性质。

基于覆盖广义粗集的模糊性

本文定义了基于覆盖广义粗集的模糊性度量,给出一种度量表示并讨论此种模糊性度量的性质;定义了正负域覆盖广义粗集的模糊度,并通过一个具体实例给出直观解释。

近似空间与测度空间及广义粗集与不可测集

将粗集与不可测集关系的讨论扩大到广义粗集范畴.证明了近似空间是测度空间的基础空间,广义粗集和不可测集分别是在近似空间和测度空间中对集合的不确定性的不同表述;在非零有穷测度的条件下,近似空间中的一个广义粗集,是其扩展的测度空间中的不可测集.结果表明:测度论同术是不确定知识表示和处理的一种有力理论工具.

关于覆盖广义粗集的一些基本结果

粗集理论是数据挖掘的一个重要工具,本文研究一类广义粗集,即覆盖广义粗集.主要的结果有:(1)与经典的Pawlak粗集理论相对应的覆盖广义粗集的基本性质;(2)一个论域上两个覆盖生成相同覆盖广义粗集的充分必要条件;(3)一个覆盖的约简,即一个覆盖能生成原覆盖广义粗集的最小部分;(4)覆盖广义粗集中上下近似运算的相互依赖性;(5)覆盖下近似运算的公理化.

覆盖广义粗集理论中的拓扑学方法

本文是从拓扑学的角度来看覆盖广义粗集理论,先引进拓扑空间的相对内部和相对闭包的概念并对其进行了较深入的研究,主要结果有,(1)相对内部和相对闭包的基本性质;(2)同一拓扑的两个子基生成相同的相对内部和相对闭包的充分必要条件;(3)相对内部运算和相对闭包运算的公理化。这些结果可以看作是覆盖广义粗集的理论基础,同时对于覆盖广义粗集理论的研究也提供了一种尝试的方法。

基于加细覆盖的广义粗糙集研究

覆盖广义粗集是Paw lak粗集理论的一种重要扩展.本文从拓扑学的角度,利用邻域系重新定义了广义粗集近似集的概念,并分析了这些近似集概念之间的差异;证明了在加细覆盖条件下,上、下近似集运算存在一些特别性质;给出了加细覆盖下近似集运算的公理化构造条件。

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.

L-余拓扑Vs.广义粗集

引入L-余覆盖广义粗集的概念,证明研究该广义粗集的上、下近似与研究L-余拓扑的余子基生成的闭包和内部是等价的,并且以此为基础,讨论该广义粗集的性质。

广义单向S-粗集和它的一般结构

基于单向S-粗集和一般二元关系?,本文给出广义单向S-粗集,对广义单向S-粗集的一般结构进行了描述,对广义单向S-粗集的有关性质进行了讨论.广义单向S-粗集为研究一般系统动态的近似特性提供了新的途径和方法.

广义双向S-粗集和它的一般结构

基于双向S-粗集和一般二元关系,提出广义双向S-粗集,对广义双向S-粗集的一般结构进行了描述,对广义双向S-粗集的有关性质进行了讨论,并给出了具体实例和意义解释。广义双向S-粗集为研究一般系统动态的近似特性提供了新的途径和方法。

广义双向变异S-粗集与变异结构

基于变异S-粗集和相容关系,提出了广义双向变异S-粗集,给出了它的变异结构,并对广义双向变异S-粗集的有关性质进行了讨论。广义双向变异S-粗集为研究具有相容关系的动态系统提供了新的途径和方法。

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α(0≤α<0.5),给出了变精度广义s-粗集模型及其有关性质定理.通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系.

基于相容关系的粗糙模糊集的扩展

对Pawlak的粗糙集模型进行了扩展,提出了基于相容关系的粗糙模糊集模型。分别用相容核和相容关系构造了邻域算子m(x)和r(x),来代替粗糙集中的等价类[x],从而形成了两种基于相容关系的粗糙模糊集模型。并对这两种模型刻画观察对象的粗糙度ρR(A)和关于参数α,β的粗糙度ρAα,β分别做了比较,证明了基于m(x)的ρR(A)和ρAα,β都小于基于r(x)的。

特征-决策层多分类器融合的知识发现方法(英文)

为进一步提高多分类器系统的分类性能,提出了一种基于知识发现的特征决策层多分类器融合新方法.各分类器工作于具有互补分类信息的不同特征空间且其类型由不同的类间可分性度量决定.各分类器输出的不确定性度量从建立的多个决策表中导出,并具有条件mass函数的形式.进而基于广义粗集模型和Dempster-Shafer理论(DST)构造了一种新颖的特征决策层融合框架.高光谱遥感图像的分类实验表明,与多数表决融合(PV)相比,所提出的方法可有效提高多分类器系统的分类性能.