改进的粗糙集属性重要度

粗糙集理论知识库的属性重要度,体现的是去掉某个或某些属性前后的知识库分类变化的程度。对现有粗糙集理论的属性重要度确立方法的不足,充分考虑条件属性对决策的直接和间接的影响,提出一种新的基于粗糙集属性依赖度的属性重要度确定方法。此外,针对原有属性重要度与改进重要度的差别,讨论改进的属性重要度的意义,并证明改进的属性重要度更加可信。最后,利用改进的方法对机械故障属性重要度进行仿真;对比原有属性重要度的数据,改进方法获得的数据不但更符合属性约简结果,并且具有更大区分度,十分有利于决策者快速做出判断。

一种基于改进邻域粗糙集中属性重要度的快速属性约简方法

冗余属性过多是影响分类算法运行效率和准确率的重要因素。为了提高分类算法的运行效率和分类准确率,提出一种基于改进邻域粗糙集属性重要度的快速属性约简算法。首先,提出一种改进的KNN属性重要度;其次,利用改进过属性重要度的邻域粗糙集对原始数据的条件属性进行重要度排序,利用排序结果对原始数据进行属性约简,得到约简后的特征子集;最后,将约简后的特征子集输入分类模型进行分类预测。实验仿真结果表明,与改进前的基于邻域粗糙集的属性约简算法相比,所提出的方法具有较高预测精度和较快运行速度。

一种基于粗糙集属性重要度和密度聚集的匿名化方法

基于微聚集技术的k-匿名化MDAV算法没有考虑数据属性的分布情况和数据属性重要性在聚类中的作用,易产生不合理的划分,从而对数据的保护程度与数据可用性之间关系带来影响。针对这个问题本文提出一种基于属性重要度和密度聚类的MDAV改进方法实现对数据集k-匿名化。首先采用基于密度聚类DENCLUE方法对数据表进行聚集成簇,然后对每个簇采用基于粗糙集属性重要度作为加权距离的权值来计算相似样本,实现对数据集的k-划分。与MDAV算法比较测试,所改进的方法改善了发布数据的可用性。

基于粗糙集属性重要度的岗位评价方法及其应用

提出一种基于粗糙集差别矩阵属性重要度的岗位评价方法,该方法充分考虑各个属性的重要程度,降低了打分的主观影响。从岗位的评价出发,根据评价体系赋值的属性重要度来确定岗位包含各种属性的权重,最后得出岗位的评价值,与传统方法采用的指标得分简单加权求和的方法相比,所提方法更具合理性。

基于粗糙集的组合属性重要度确定单属性重要度新方法

为改进属性重要度概念,给出了一种基于粗糙集理论的单属性重要度和组合属性重要度结合的确定属性重要度的方法。通过实例考证表明,改进的粗糙集重要度计算方法具有普适性,解决了在文献[3]中提出而没有解决的问题。

基于粗糙集属性重要度的TOPSIS方法

本文结合粗糙集中的属性重要度，给出了基于粗糙集属性重要度的TOPSIS方法，说明决策者可以根据论域上不同的属性而得到的知识对备选方案进行排序，从而作出最后的决策．

基于粗糙集与信息熵的属性重要性度量

阐述了粗糙集和信息熵的概念,在此基础上给出了基于信息熵的属性重要性度量公式,并证明了属性集中绝对必要元素与属性重要度之间的关系.最后,通过实例分析表明该公式的有效性.

基于粗糙集的改进重要度绩效分析法

为处理属性绩效值和总体顾客满意度间的非线性关系,以及属性绩效值和属性重要度间的依赖关系,提出基于粗糙集的改进重要度绩效分析法。通过挖掘绩效值和总体顾客满意度间的数据关系,获得潜在的属性重要度。由于粗糙集无法处理连续属性,结合模糊c均值聚类算法对数据进行离散化处理。该方法克服了传统重要度绩效分析法难以准确描述绩效值、重要度和总体顾客满意度间的关系,且重要度的确定主观性强的缺陷。以水平定向钻机的维修服务为例,验证了所提方法的可行性与有效性。

基于属性相容度和重要度的粗糙集属性约简混合算法研究

针对粗糙集属性约简算法中时间效率较低的问题,结合属性相容度模型和属性重要度的模型,提出一种混合相容度和重要度的粗糙集属性约简算法。该算法利用属性的相容度模型,快速地从众多属性中将核集筛选出来,作为基本核集;然后通过属性的重要度模型对基本核集进行补充和完善,作为约简后的最终核集,以确保核集的完整性。实验结果表明,在保证约简结果完整性的基础上,该混合模型算法,大大提高了时间效率,降低了算法的时间复杂度。

基于属性重要度的变精度邻域粗糙集属性约简算法

邻域粗糙集理论主要用于知识发现、属性选择、决策分析和数据挖掘等领域,能够根据数据的特点选择合适的离散化策略,在处理模糊和不确定性知识方面表现良好。但是,传统粗糙集属性约简算法存在难以确保获得约简、约简后的粗糙集属性识别准确率低等不足。对此,文中提出了一种基于属性重要度的属性约简算法。在充分考虑现有条件信息熵多方面不足的基础上,借鉴变精度邻域粗糙集理论对阈值参数进行重选,以新的条件信息熵作为度量基准,根据决策信息系统中的偏好属性推导出偏好决策规则集。对偏好决策规则集进行粗糙规则提取,并通过邻域粒化方法建立了变精度邻域粗糙集模型。该模型在处理大规模粗糙集属性数据时,计算时间较长,冗余属性过多。针对该问题,给出了一种属性重要度评价策略,在此基础上通过融合多叉树理论设计了变精度邻域粗糙集属性约简算法。实验结果表明,与传统方法相比,所提算法的属性识别准确率为92%,提高了10%左右,这充分验证了所设计的属性约简算法具有较强的有效性和较高的应用价值。

一种改进的粗糙集属性约简启发式算法

提出了一种改进的属性约简启发式算法 ,讨论了启发式信息的构造 .通过两个反例证明了现有的两种属性重要度定义 (基于属性依赖度的定义和基于信息熵的定义 )的不完备性 ,提出了一种加权平均的属性重要度定义 ;在此基础上构造了两种启发式算法 .通过

基于粗糙集的CBR系统属性约简改进算法

提出一种基于粗糙集的改进的约简算法和决策表预处理方法,在对决策表进行预处理后,以核为基础,用改进的加权属性重要度方法选择非核属性,增加反向删除操作。该算法能够充分反映专家经验知识,保证得到一个Pawlak约简,大幅度提高案例的检索效率。运用Matlab编程实现了该算法,通过实例对算法进行分析、对比,证明了其正确性和有效性。

基于属性重要度的ID3改进算法

ID3算法是数据挖掘中最经典的分类算法。该算法偏向于选择取值较多的属性,而属性值较多的属性不总是重要的,从而影响了分类预测的高效性。通过对ID3算法的研究,依据属性重要度粗糙集理论的思想,对经典的ID3算法做了相应的改进,改进后的ID3算法(AIID3),提高了算法的决策效率。最后的实例及应用表明,改进的算法更有效,更快速。

变精度粗糙集属性约简的算法

针对变精度粗糙集属性约简问题,在分析变精度粗糙集理论的基础上,分别从属性依赖度增量、互信息的增量、基于覆盖度与准确度相结合的度量以及属性的不确定性量度等角度,对属性重要度进行分析。并分别以这四个属性重要度作为启发式信息,提出变精度粗糙集属性约简的启发式算法,进而得到信息系统的最小约简,并将所给的算法应用MATLAB程序进行实现。最后,通过具体算例说明所给算法的有效性和实用性。

一种基于变精度粗糙集理论的属性约简算法

属性约简是粗糙集理论研究的核心问题之一,而且现已证明寻找一个决策表的最小约简是NP-hard问题。针对变精度粗糙集理论的属性约简问题,从相对可辨识矩阵,属性的重要度作为启发式的信息,给出变精度粗糙集的属性约简算法的改进,在一定程度上简化了属性约简的计算,提高了属性约简的效率。最后通过实例证明了改进的算法给出信息系统的属性约简结果的正确性。

一种粗糙集属性约简的改进算法

通过对属性的重要性以及属性提供的信息量进行研究,提出一种综合考虑属性重要性和属性的信息量的属性加权平均重要度的概念,并构造在决策表中的基于此重要度的一种新的属性约简方法。通过实例计算表明,该算法简单有效。

一种基于重要度的实值粗糙集模型及其在交通状态辨识中的应用

在分析现有粗糙集理论和算法在处理实值决策系统问题的局限性的基础上,提出了一种新的实值属性重要度定义,并在此定义基础上提出了实值粗糙集扩展模型及其属性快速约简算法,避免了经典粗糙集理论必须离散化数据的弊端.最后将所提出的算法和其它算法应用于区域交通状态辨识中,对比测试结果验证了所提出的方法具有较高的分类准确率.

基于一种改进相似度的扩展粗糙集模型

应用经典粗糙集理论处理连续值属性决策表问题时,对连续值属性进行离散化会造成信息损失.本文在分析已有相似度不足的基础上提出一种改进的相似度,建立基于改进相似度的扩展粗糙集模型,并提出一种基于重要度的约简算法.

粗糙集属性约简算法的分析与改进

研究应用粗糙集理论对信息系统进行属性约简的方法。在分析粗糙集理论基本概念的基础上,根据属性的依赖度和重要度等性质,提出一种改进的属性约简算法,并运用实例对算法的有效性进行分析和验证。

基于决策表的粗糙集属性约简算法改进及应用

针对决策属性集合中只存在两个决策集合的情况,为简化决策属性的表达和计算复杂度,提高约简效率,提出一种改进粗糙集决策表的属性约简算法。该算法以条件属性对决策属性的支持度为基础,采用新的约简规则,基于可分辨矩阵的启发式算法,根据属性重要度改进属性约简算法。以高新技术企业智力资本测量指标体系为例,得到了高新技术企业智力资本的最小约简集。结果表明,该约简算法能够得到一个完备的最小约简集,并能显著提高求解约简集的效率。