不完备信息系统中测试代价敏感的可变精度分类粗糙集

在不完备信息系统中,可变精度分类关系是限制容差关系的改进形式,但其并未考虑数据集中属性的测试代价。为解决这一问题,提出了基于测试代价敏感的可变精度分类粗糙集模型。进一步地,通过分析传统启发式算法没有考虑测试代价以及回溯算法的时间消耗等因素,提出一种新的属性重要度测量,并在此基础上设计了一种新的启发式算法。通过实验对比分析,说明了新提出算法的有效性。

基于测试代价敏感的多粒度模糊粗糙集模型

多粒度模糊粗糙集是经典多粒度粗糙集模型在模糊环境下的有益扩展,然而,已有的多粒度模糊粗糙集并未考虑考虑数据的测试代价,为解决这一问题,本文提出了基于测试代价敏感的多粒度模糊粗糙集模型,分析了其相关性质。研究表明,本文提出的模型是传统多粒度模型在应用背景下的有力扩展。

基于测试代价敏感的不完备决策系统属性约简算法

提出不完备决策系统测试代价敏感属性约简问题,给出不一致对象集定义以及求解不一致对象集的算法。根据不一致对象的性质改进属性重要性定义,考虑测试代价因素以及不一致对象个数的改变量给出一个新的属性重要性的定义和属性重要性中权重的设置方法,并给出属性重要性的计算算法。在此基础上,给出一个时间复杂度为O(k|C|2|U|)和空间复杂度为O(|U|)的启发式属性约简算法,并通过理论分析、实例分析和实验分析说明该算法准确性和可行性。

基于免疫量子粒子群优化的测试代价敏感属性约简算法

为了解决测试代价敏感属性约简的高效性和准确性问题,提出一种基于免疫量子粒子群优化的最小测试代价属性约简算法。依据条件信息熵和测试代价因素定义适当的适应值函数,将最小测试代价属性约简问题转化为0-1组合优化问题,提出最小属性的属性约简问题是一种具有特殊测试代价的最小测试代价属性约简问题。最后结合量子粒子群和人工免疫方法给出约简算法。实验对比已有的最小属性约简算法和测试代价敏感属性约简算法,实验结果表明本算法是有效的。

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.

测试代价敏感的F-粗糙集方法

基于F-粗糙集在处理动态数据问题的优势,提出测试代价敏感的α量化F-粗糙集模型。利用5组UCI数据集对算法进行实验。结果验证TCPPA算法的有效性,找到了每个数据集的最小测试代价。

代价敏感粗糙集及其在印刷数据中的应用

现实工程中的数据多以数据表形式存储,印刷工业也不例外,同时其数据有其代价性。作为一种粗糙集模型,多粒度模糊粗糙集是经典多粒度粗糙集模型在模糊环境下的有益扩展,然而,已有的多粒度模糊粗糙集并未考虑考虑数据的测试代价,为解决这一问题,本文提出了基于测试代价敏感的多粒度模糊粗糙集模型,分析了其相关性质。研究表明,本文提出的模型是传统多粒度模型在印刷数据处理背景下的有力扩展。

集覆盖问题的粗糙集属性约简方法

集覆盖问题和粗糙集属性约简问题都是当前的研究热点,两者均有广泛的应用背景。目前,集覆盖理论与粗糙集理论的交叉研究还处于起步阶段。文章的工作主要是把集覆盖问题转化成测试代价敏感粗糙集属性约简问题,使得可应用粗糙集理论来研究集覆盖问题,目的在于丰富集覆盖理论与粗糙集理论的交叉研究。首先构造集覆盖的分辨矩阵,然后在该分辨矩阵上构造集覆盖对应的测试代价敏感信息系统模型,发现求解集合覆盖问题等价于求解对应测试代价敏感信息系统的最小测试代价约简。接着给出了基于正域正向近似加速器最小集覆盖问题的粗糙集解法。最后通过实例验证了该算法的可行性和有效性。