介粒度空间中的最优粒度选择和属性约简

以往的形式概念分析采用介粒度形式背景,满足对数据跨层粒化的需求,但其既没有将寻找最优粒度和属性约简有效结合起来,又没有在多粒度的背景下高效地解决组合爆炸问题。为此,基于介粒度中粒度选择和属性约简的联系,提出了一种新的最优粒度选择方式——最优粒度约简,以同步进行粒度选择和属性约简。鉴于寻找最优粒度约简存在组合爆炸的问题,设计了逐步搜索方法,通过已搜索的信息更新粒度空间,去除大量非最优粒度约简,显著提高了搜索效率。实验结果表明了所提方法的有效性和优势。

模糊曼哈顿距离加权最优粒度选择算法

针对不同用户数据类别偏好,不同等级样本需改进属性侧重点不同,在控制样本等级权限前提下,为同等级样本给出最佳优化方案,提出一种模糊曼哈顿距离加权最优粒度选择算法。分析属性间关联,定义模糊曼哈顿距离,构建层次粒空间,根据属性重要度及距离进行加权,实现最优粒度选择。该算法在不影响分类的前提下,对不同等级样本改良给出优化意见。利用长江经济带水资源数据,验证该算法的有效性。

多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.

多粒度决策系统属性约简的最优粒度选择

粒计算理论从多个角度、多个不同的粒度层次出发,对不确定、不精确或复杂的问题进行求解,现已成为人工智能领域研究的一种重要方法。针对决策系统属性约简与高效决策的粒度选择问题,分析了多粒度决策系统中信息粒与粒度划分的概念,定义了粒化度量和粒结构关于对象的粒化粗糙度,能够准确地反映决策系统中不同粒结构下的知识粒度大小。为弥补传统决策系统约简往往只考虑基于论域属性约简的缺陷,讨论了基于对象的局部约简方法,提出了基于论域和对象的决策系统最优粒度选择约简算法,并结合实例验证了该算法的有效性。

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究。首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质。其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法。最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的。

基于代价敏感的序贯三支决策最优粒度选择方法

最优粒度选择是序贯三支决策领域研究的热点之一,旨在通过合理的粒度选择来对复杂问题进行求解。在现阶段最优粒度选择中,代价敏感是影响决策的重要因素之一。针对这个问题,该文首先基于信息增益和卡方检验提出一种新的属性重要度计算方法;其次,为了更好地符合实际应用场景,在构建多粒度空间时将代价参数与粒度大小相结合,设置了相应的惩罚规则,并分析了决策阈值的变化规律;最后,为了消除测试代价和决策代价量纲不一致所带来的影响,借助变异系数设计了一种客观的代价计算方法。实验结果表明,该模型适用于现有代价认知场景,能在给定代价情况下选出代价最小的最优粒层。

多标记决策表的最优粒度选择

针对多标记决策分类中的粒度选择问题,提出了基于决策表的全局最优粒度选择方法和基于对象的局部最优粒度选择方法.首先基于多个粒度层次分析了多标记决策表的粒度划分,引入了多粒度多标记决策表的粒化粗糙度度量方法;然后针对协调决策表和不协调决策表讨论了通用的决策表最优粒度选择方法;最后,针对全局最优粒度选择不能使每个对象都达到最优粒度的局限性,以及不协调决策表中有些对象关于决策标记分类的不确定性问题,讨论了对象的局部最优粒度选择方法,并结合实例验证了该方法的有效性.

多标记的不完备多粒度决策系统的最优粒度选择

粒计算是针对复杂问题求解、海量数据挖掘的一个重要方法.在许多实际应用中,人们往往通过选择合适的粒度来解决问题.针对不完备信息系统的粒度选择问题,首先,引入了多标记的不完备多粒度决策系统,定义了多粒度视角下隶属度概念;其次,介绍了决策系统协调性判断标准,讨论了决策系统的全局最优粒度选择;最后,为弥补全局粒度选择不能使每个对象都达到最优粒度的局限性,给出了对象的局部最优粒度选择方法.

基于局部广义多粒度粗糙集的多标记最优粒度选择

在多粒度粗糙集模型中,粒度选择总是与正域有关.由于全体标记确定对象集上的分类过细,落入正域的对象很少或为空集,导致正域约简方法可能丢失大量信息甚至失效.为了克服这一缺陷,文中提出基于局部广义多粒度粗糙集的多标记最优粒度选择方法.首先,引入广义局部多粒度粗糙集的相关概念,通过设置信息水平参数,对单个标记的对象集合进行近似.然后,通过定义多粒度多标记信息系统的粒度质量,给出粒度重要性.最后,设计最优粒度选择的启发式算法,并通过实例验证文中方法的有效性.

对象更新环境下的多粒度决策系统的最优粒度选择

多粒度决策系统是一类重要的关系数据库,最优粒度选择是研究多粒度决策系统的主要目的之一。讨论了对象更新环境下的多粒度决策系统的最优粒度选择。首先,介绍了多粒度信息系统和多粒度决策系统;然后,引入了广义决策函数,并利用此函数定义多粒度决策系统的协调性和最优粒度;最后,讨论了对象更新环境下不同协调性的多粒度决策系统的最优粒度的变化规律。

多决策的多粒度标记系统的最优粒度选择

目前查看到的关于多粒度标记信息系统的研究仅是基于单决策情况,较少有关于多决策的研究,而在实际生活中处理的数据表常带有多决策。针对该情况,首先给出了多决策的多粒度标记信息系统的概念,并定义了适用于该系统下的广义决策函数;然后,利用广义决策函数探讨协调、不协调两种信息系统的最优粒度选择策略,并根据两者之间的联系给出了同时适用于协调与不协调两种信息系统选择最优粒度的策略;最后,给出了相应的例子帮助说明所提出的方法的可行性。

不完备多粒度决策系统的局部最优粒度选择

粒计算是知识表示和数据挖掘的一个重要方法.从粒计算来看,一个粒是由多个比较小的颗粒组成的更大的一个单元.在许多实际应用中,由于不同标记尺度对数据集进行分割会得到不同层次的粒度,许多人在用粒计算解决问题时自然而然地考虑不同层次的粒度问题.这就促使思考如何选择一个合适的粒度层次来解决问题.围绕不完备多粒度决策系统,研究了基于局部最优粒度的规则提取方法.1)介绍了不完备多粒度决策系统的概念;2)在协调的不完备多粒度决策系统中定义了最优粒度和局部最优粒度、介绍了基于局部最优粒度的属性约简和规则提取方法,在不协调的不完备多粒度决策系统中引入了广义决策、定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则提取方法;3)给出了在公开的数据集上的实验结果.

多标记序决策系统中基于局部最优粒度的规则获取

多粒度是当前粒计算研究的一个重要方面.在实践中,人们往往选择比较合适的粒度层次来解决问题.作为信息系统的一种特殊情况,多粒度决策系统是经常使用数据表示形式.在这样的系统中,对象可以在属性的不同粒度层次上取不同的观测值.实际使用时,常常遇到在数据属性上需要比较大小,即属性带有序关系.序关系分析是多指标决策的重要内容,而粗糙集是一种处理序关系有效方法.围绕多标记序决策系统的知识获取问题来开展研究,首先,介绍了多标记序决策系统的概念;然后,在协调的多标记序决策系统中定义了最优粒度和局部最优粒度,并介绍了基于局部最优粒度的属性约简和规则获取方法;最后,在不协调的多标记序决策系统中引入了广义决策,定义了广义最优粒度和广义局部最优粒度,并给出了基于广义局部最优粒度的属性约简和规则获取方法.

动态更新属性值变化时的最优粒度

针对在实际应用中可能由于人为或其他因素造成某个粒度下属性值变化的问题,研究了某个粒度下属性值变化时最优粒度的选择策略,并根据理论研究内容设计了相应的静态和动态最优粒度选择算法,最后在UCI数据库中选取6组数据进行了实验.实验结果表明,新提出的方法是可行且有效的,且相对比静态算法动态最优粒度选择算法在一定程度上减少了计算时间,提高了时间效率.

石粉在蛋鸡饲料中的作用及最优粒度石粉的推广

石粉也叫做石灰石粉,是一种白色或灰白色粉末,由天然石灰石粉压制粉碎而成,主要成分是碳酸钙,含钙量可达40%,是蛋鸡产蛋高峰期的一种重要饲料添加剂。不同粒度的石粉作为饲料添加剂,对蛋鸡的生产性能以及蛋品质的影响有较大的差异。对石粉在蛋鸡饲料中的作用进行了分析,通过试验分析可知,0.8~2.0 mm为石粉最优粒度,并提出最优粒度石粉的推广措施及成效。

多源多粒度标记决策系统的最优粒度选择

多粒度标记决策系统是一种重要的关系数据库,近年来学者们对多粒度标记决策系统的最优粒度选择、属性约简及规则约简展开了研究。然而,目前未见有关多源多粒度标记决策系统的研究。首先,介绍了多源多粒度标记决策系统的概念并给出了多源情况下基本信息粒的表示、上下近似算子和信任函数;然后,讨论了多源多粒度标记决策系统中局部信息源的协调性及其在协调与不协调情况下最优粒度选择的策略,并进一步研究了协调与不协调系统的最优粒度选择策略的关系,给出了同时适用于协调与不协调两种信息系统选择最优粒度的方法。最后,结合局部信息源所选的最优粒度,从不同角度出发给出了乐观、悲观及广义三种选择全局最优粒度的方法。

随机多粒度标记序决策系统的最优粒度选择

传统随机信息系统的属性一般只有一个粒度层面,即系统中的每一个对象在每一个属性上取唯一的值,而在实际应用中,人们往往需要从不同的粒度层面去获取知识.实际生活中数据集的一个对象在同一个属性上根据不同的粒度可以取不同值.针对多粒度数据集的知识获取问题,本文讨论随机多粒度标记序信息(决策)系统的最优粒度选择问题.首先,通过优势关系给出随机多粒度标记序信息系统的信息粒表示,进一步定义由条件属性集导出集合的下近似与上近似,描述在不同标记下的信息粒的结构以及上、下近似的变化关系;其次,用证据理论的信任函数与似然函数来刻画随机多粒度标记序决策系统的两种最优粒度;最后,给出协调和不协调随机多粒度标记序决策系统的最优粒度选择算法.

不同粒度存查煤样稳定性与最优存放时间关系探究

不同粒度存查煤样在常规储存条件下存放一定时间后,其性质发生一定的改变后影响煤质的稳定性,但存查煤样的稳定性对煤质分析结果的二次分析起至关重要的作用,因而需探究不同粒度存查煤样的稳定性与最优存放时间的关系,以期为现场煤样存储工作提供合理化的指导建议。实验选取不同粒度条件下特低灰、神混、石炭3种系列煤的存查煤样,研究灰分、挥发分和发热量随时间的变化规律,分析3种系列煤的最优保存粒度和最长存放期限。结果表明:特低灰煤的存查煤样最长存放时间为60 d,神混系列煤的存查煤样最长存放时间以不超过60 d为宜,石炭系列煤的存查煤样在120 d内无明显变化,建议3种系列煤均以标称最大粒度为3 mm的煤样作为存查煤样。

多粒度形式背景的不确定性度量与最优粒度选择

多粒度形式概念分析是数据挖掘与知识发现的重要工具,但现有的多粒度形式概念分析理论中并未提出选择最优形式背景的标准,这导致只能对多个单粒度形式背景逐一研究其知识发现问题,因此无法应对含有多个粒度属性的形式背景.鉴于此,对多粒度形式背景的粒度树上的属性块进行组合,将信息熵作为组合形式背景优劣的判别标准以评价最优粒度选择的性能.首先,基于粒度树提出广义介粒度剪枝形式背景,它既能实现属性块内部跨粒度组合,又能实现属性块之间跨层组合;其次,给出广义介粒度剪枝形式背景的信息熵,以评价广义介粒度剪枝形式背景的优劣,并设计出最优粒度选择算法;接着,利用信息熵度量多粒度剪枝类属性块和粒度树的重要性;最后,通过实验分析表明基于信息熵的最优粒度选择和粒度树重要性度量方法是有效的.

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。