粒化单调的条件邻域熵及其相关属性约简

在邻域粗糙集中,基于信息度量的属性约简具有重要应用意义.然而,条件邻域熵具有粒化非单调性,故其属性约简具有应用局限性.对此,采用粒计算技术及相关的3层粒结构,构建具有粒化单调性的条件邻域熵,进而研究其相关属性约简.首先,揭示条件邻域熵的粒化非单调性及其根源;其次,采用3层粒结构,自底向上构建一种新型条件邻域熵,获得其粒化单调性;进而,基于粒化单调的条件邻域熵,建立属性约简及启发式约简算法;最后,采用UCI(University of CaliforniaIrvine)数据实验,验证改进条件邻域熵的单调性与启发式约简算法的有效性.所得结果表明:新建条件邻域熵具有粒化单调性,改进了条件邻域熵,其诱导的属性约简具有应用前景.

基于改进条件邻域熵的接头疲劳寿命影响因素分析

引入监督策略对粒化条件邻域熵进行改进,提出基于监督粒化的条件邻域熵属性约简算法.在4个公开的数据集上对算法性能进行了试验.结果表明,所提出的算法具有较高的约简率和分类准确率.建立了基于该算法的铝合金焊接接头疲劳寿命影响因素分析模型,并基于互信息理论分析了焊接接头疲劳寿命各影响因素之间的耦合关系.分析结果表明,应力集中系数受接头类型与焊接方法影响最大,受焊脚长度影响最小,说明在计算应力集中系数时接头类型与焊接方法的影响需要重点考虑;等效结构应力范围对于接头疲劳寿命影响的权重为0.461 2,名义应力范围的权重为0.347 3,说明经过应力修正之后,等效结构应力范围相较于名义应力范围对接头疲劳寿命影响的权重值增加,因而能更准确的预测接头的疲劳寿命.

邻域近似条件熵的特定类属性约简及启发算法

针对属性约简的推广,采用邻域近似条件熵,建立邻域粗糙集的特定类属性约简及其启发算法。粒化分解决策分类的高层邻域近似条件熵,提取定义特定类的中层邻域近似条件熵并得到上下界与粒化非单调性;提出基于邻域近似条件熵的特定类属性约简,设计启发式约简算法;采用决策表实例与数据集实验进行有效验证。所得结果有利于特定类模式识别的不确定性度量与优化应用。

基于邻域粗糙互信息熵的非单调性属性约简

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.

基于三层粒结构的三支邻域熵

邻域粗糙集在实际应用中具有灵活性,相关的邻域信息度量在不确定性分析和知识发现中具有重要作用.经典的条件邻域熵具有相交不完备性和非层次性.对条件邻域熵进行扩展改进,建立了基于三层粒结构的三支邻域熵.首先,提出三支概率,研究三支概率的系统性和单调性;然后,利用三支概率函数及层次构建思想,提出基于三层粒结构的三支邻域熵,并获得系统性、单调性/非单调性;最后,利用实例和实验对以上相关度量的关系、性质进行验证.结果表明提出的三支邻域熵扩展和丰富了条件邻域熵.

基于矩阵策略的不完备混合型数据增量式特征选择算法

特征选择是粗糙集理论在数据挖掘等领域中一种重要的应用,如何对动态变化的信息系统进行增量式特征选择是目前粗糙集理论研究的重点。在不完备混合型信息系统中,属性集的不断增加是信息系统动态变化的一种重要形式。首先在不完备混合型信息系统中引入邻域条件熵的概念,并且利用矩阵的方法去表示邻域条件熵;然后针对属性集动态增加的情形,提出矩阵形式的邻域条件熵增量式更新,并且基于这种增量式更新机制给出了相应的增量式特征选择算法;最后,UCI数据集的实验结果表明,所提出的增量式特征选择算法比非增量式特征选择算法具有更高的特征选择性能。

基于单调信息度量的特定类属性约简

邻域粗糙集中属性约简的主流是基于决策表宏观高层的分类属性约简,但分类属性约简不能反映每个决策类的特殊性,而只反映所有决策类的平均性,具有应用局限.因此,利用已有的信息度量,从层次视角研究基于决策表中观中层的特定类属性约简.首先,提出基于中观中层条件邻域熵的特定类属性约简定义,并设计基于属性重要度的特定类属性约简启发式算法;其次,讨论特定类约简和分类约简的关系;最后利用实例对以上算法和关系进行验证说明.