混合信息系统中基于邻域粗糙集的双评价三支聚类算法

三支聚类将不确定性高的样本置于边界域,可有效解决由数据的不确定性带来的误决策问题,因此具有良好的聚类性能.为了在混合信息系统中更合理地刻画样本间的相似性和存在的不确定性,本文提出了一种基于邻域粗糙集的双评价三支聚类算法.首先,在混合信息系统中建立广义邻域关系,并分别从样本间相似属性个数和样本间距离两个角度来建立样本间相似性的两个评价函数.然后,通过引入基于双评价函数的三支决策规则,处理了广义邻域关系下样本间的相似性和存在的不确定性.最终在混合信息系统中建立了基于广义邻域关系的双评价三支聚类模型.在UCI数据集上的实验结果证明,与已有三支聚类算法相比,本文的算法在F1-score和兰德系数上都具有较好的聚类表现.

混合信息系统属性约简

将属性分为基于等价关系的离散属性及基于优势关系的连续属性,利用U/{a}划分及正域方法对系统属性进行约简并提取规则,选用UCI中的6个数据集验证了方法的有效性。

基于粗糙集理论的不完备数据分析方法的混合信息系统填补算法

为了提高基于粗糙集理论的不完备数据分析方法(ROUSTIDA)在实际应用中对包含离散型(如整型、字符串型、枚举型)、连续型(如浮点数表达)、缺失型属性的混合信息系统(HIS)数据的填补能力,提出了一种基于粗糙集理论的混合信息系统缺失值填补方法(RSHISMIA)。首先,根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分,解决了填补后可能出现的决策规则冲突问题;其次,定义混合距离矩阵来合理量化对象间的相似性,从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点;然后,结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后,使用10个UCI标准数据集进行实验,将所提出的方法与ROUSTIDA、K近邻填补(KNNI)算法、随机森林填补(RFI)算法和矩阵分解(MF)等几种经典算法进行了比较。实验结果表明,与ROUSTIDA相比,所提方法在查全率上平均高出81%,在查准率上提升了5%~53%,且其归一化均方根误差(NRMSE)最多减小了0.12。此外,所提方法的分类准确率与ROUSTIDA相比平均提升了7%,且优于KNNI、RFI及MF等填补算法。

基于邻域粒化的混合信息系统动态规则提取

现有的混合信息系统知识发现模型涵盖的数据类型大多为符号型、数值型条件属性及符号型决策属性,且大多数模型的关注点是属性约简或特征选择,针对规则提取的研究相对较少。针对涵盖更多数据类型的混合信息系统构建一个动态规则提取模型。首先修正了现有的属性值距离的计算公式,对错层型属性值的距离给出了一种定义形式,从而定义了一个新的混合距离。其次提出了针对数值型决策属性诱导决策类的3种方法。其后构造了广义邻域粗糙集模型,提出了动态粒度下的上下近似及规则提取算法,构建了基于邻域粒化的动态规则提取模型。该模型可用于具有以下特点的信息系统的规则提取:(1)条件属性集可包括单层符号型、错层符号型、数值型、区间型、集值型、未知型等;(2)决策属性集可包括符号型、数值型。利用UCI数据库中的数据集进行了对比实验,分类精度表明了规则提取算法的有效性。

混合信息系统的邻域多粒度决策粗糙集及应用

为进一步有效处理混合型数据,在混合信息系统中引入邻域多粒度决策粗糙集;鉴于欧氏距离只考虑到数据之间的绝对距离,因此在模型中以卡方距离作为替代;在给定邻域半径之下,提出了混合信息系统的邻域多粒度决策粗糙集模型,对其相关性质进行了证明;实例分析结果表明,该模型具有更好的分类能力,并可通过调整相关参数使模型具有一定的容错性。

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。

不完备数据集的邻域容差互信息选择集成分类算法

针对不完备混合信息系统的分类问题,结合粒计算中的邻域容差关系和互信息理论,定义邻域容差互信息的概念,并利用集成学习的思想,提出不完备数据集的邻域容差互信息选择集成分类算法.该算法首先根据缺失属性得到信息粒,划分粒层构建粒空间,在不同的粒层上使用以BP神经网络作为基分类器的集成算法,构建新的基分类器;然后,根据每个信息粒的缺失属性计算出关于类属性的邻域容差互信息,来衡量各个信息粒的重要度,并根据基分类器预测准确率以及邻域容差互信息重新定义基分类器权重;最后,根据预测样本对基分类器加权集成预测分类结果,并与传统的集成分类算法进行对比分析.对于部分不完备混合型数据集,新提出的集成分类算法能有效提升分类准确率.

混合构架下医院信息系统的ORACLE性能优化

ORACLE数据库是现在各大中型医院的主要数据库系统。随着医院信息化的深入,现在的医院信息系统的架构已不是单一的一种架构,而是C/S架构与B/S架构及基于中间件的多层架构共存的混合架构。这种混合架构下的医院信息系统,对ORACLE数据库的优化提出新研究内容。本文结合医院信息系统的实例入手,从综合角度较全面提出一种混合架构下的医院信系统ORACLE性能优化的方法及技巧。

混合决策信息系统的模糊效用三支决策模型

在混合决策系统中提出模糊效用三支决策模型和两种启发式算法。在模糊效用三支决策模型中提出正域分布保持属性约简算法,扩展了效用三支决策模型的属性约简算法研究。首先结合混合距离概念与高斯核模糊T-等价关系,构造相应的模糊条件概率,然后使用效用函数为不同决策类生成概率阈值划分论域,最后提出最大效用启发式属性约简算法和正域分布保持的启发式属性约简算法。

混合型信息系统的邻域粗糙集模型动态更新算法

针对实际应用中混合型信息系统不断动态变化的情形,提出一种邻域粗糙集模型的动态更新算法.首先针对邻域粗糙集中对象邻域类的计算,文中将信息系统论域构造出一个对象子集族,然后利用该对象子集族可以快速地计算对象的邻域类,并用于论域增加后邻域类的增量式更新,从而进一步地动态更新邻域粗糙集的上下近似集,最后给出了相应的邻域粗糙集动态更新算法.通过实验分析证明了该算法的有效性和优越性.

基于邻域粗糙集组合度量的混合数据属性约简算法

属性约简是一种重要的数据挖掘方法。为了对混合型信息系统达到更好的属性约简性能,提出一种邻域组合度量的启发式属性约简算法。邻域依赖度是构造混合信息系统属性约简的常用方法,根据粒计算的视角,在混合信息系统中提出邻域知识粒度用于评估属性的粒化能力。将邻域依赖度与邻域知识粒度进行结合,提出混合信息系统下的邻域组合度量,并将该度量方法作为启发式函数,提出一种属性约简算法。实验分析表明,该算法比混合信息系统的其他相关属性约简算法具有更高的约简性能。

一种属性变化局部变精度邻域粗糙集动态算法

传统的邻域粗糙集模型对混合型数据的抗噪能力和计算效率低下,基于矩阵理论建立了一种属性动态变化的局部变精度邻域粗糙集模型。在局部对角矩阵和中间矩阵的更新规律的基础上,构建了混合信息系统局部变精度邻域粗糙集下近似的动态更新机制,提出了一种新的属性变化的局部变精度邻域粗糙集动态算法。通过实验分析可知:所提出的动态算法具有较高的计算效率和良好的稳健性。

基于最小化邻域互信息的邻域熵属性约简算法

属性约简是粗糙集理论的重要研究内容,混合型信息系统下的属性约简是目前的主要研究方向.在邻域粗糙集模型中,基于邻域熵的方法在进行属性约简时,由于未考虑属性之间的独立性,本文通过融入邻域互信息熵提出一种改进的属性约简算法.文中首先在邻域熵的基础上,提出了混合型信息系统下的邻域互信息熵,然后通过理论分析表明了邻域互信息熵可以作为属性之间独立性的评估,最后将邻域互信息熵融入传统的邻域熵属性约简中,提出一种基于最小化邻域互信息的邻域熵属性约简算法.仿真实验结果表明,该算法可以进一步地提高属性约简结果中属性的独立程度,比相关的属性约简算法具有更高的约简性能.

维度变化的不完备混合型数据增量式属性约简

增量式属性约简是目前粗糙集理论的重点研究内容。针对不完备混合型信息系统属性变化的情形,提出一种基于正区域方法的增量式属性约简算法。提出了不完备混合型信息系统下正区域的一种等价且高效的计算表达形式,利用这种计算形式分别构造了属性增加和属性减少时正区域地增量式更新,理论证明了其高效性,基于这种增量式更新设计出了相应的增量式属性约简算法。UCI数据集的实验分析表明所提出增量式算法具有一定的有效性和优越性。

不完备混合决策粗糙集特定类多目标属性约简

为提高属性约简的实用性能,针对不完备混合型信息系统提出一种不完备混合决策粗糙集模型,构造一种基于特定类的多目标代价敏感属性约简算法。该方法建立在不完备混合决策粗糙集基础上,将决策代价和测试代价同时作为属性约简的优化目标,基于特定类的代价敏感而设计。实验结果表明,所提算法具有更高的代价敏感属性约简性能,由于属性约简结果同时兼顾了决策代价和测试代价,该算法具有更高的实用性能。

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。

基于邻域容差熵选择集成分类算法

针对不完备混合型信息系统的分类问题,融合粒计算和集成学习思想,引入邻域容差关系,提出基于邻域容差熵选择集成分类算法。首先根据样本中的缺失属性将不完备混合型数据集划分为不同的信息粒,并再次遍历数据集进行最大化信息粒,构成新的粒空间,用以BP神经网络为基分类器的集成算法在粒空间上训练最大化信息粒,构建新的基分类器;然后以每个信息粒的缺失属性作为条件计算出关于类别属性的邻域容差条件熵,各个信息粒的重要度通过邻域容差条件熵进行量化后,通过信息粒的大小、新训练出的基分类器预测准确率以及邻域容差条件熵重新定义各个基分类器的权重;最后根据预测样本对基分类器加权集成,预测分类结果,并与传统的集成分类算法进行对比分析。对于不完备混合型数据集,新提出的集成分类算法能有效提升分类准确率。

蛾类昆虫混合型性信息素研究进展

蛾类昆虫的种群繁衍离不开复杂的性信息素通讯系统,对蛾类性信息素化学结构的研究可以应用于害虫的种群监测和绿色防控。蛾类昆虫性信息素的多样性体现在组分的化学结构及不同组成,而性信息素组分根据化学结构又可以分为0型、Ⅰ型、Ⅱ型和Ⅲ型。一般而言,一种昆虫的性信息素组分只属于其中的一种类型。然而,近年来的研究显示越来越多的昆虫的性信息素组分属于混合型。因此,本文围绕使用混合型性信息素的昆虫,主要从性信息素的组成、分布、鉴定方法及行为功能等方面展开叙述,为深入认识蛾类昆虫丰富的性信息素通讯系统提供参考。

基于矩阵的混合型邻域决策粗糙集增量式更新算法

决策粗糙集模型是当前粗糙集理论最为重要的研究分支之一.然而,由于现实环境下数据类型的复杂多样以及数据的动态更新,使得传统的决策粗糙集模型面临着一定的局限和不足,针对这一问题,提出一种混合型信息系统的邻域决策粗糙集模型,并设计出一种矩阵方法的邻域决策粗糙集增量式更新算法.首先,将传统的离散型决策粗糙集模型在混合型信息系统下进行推广,提出一种邻域决策粗糙集模型,使得该模型可以直接处理混合型的数据;然后,利用矩阵的方法重新表示该邻域决策粗糙集模型,同时,针对混合型信息系统对象增加和对象减少时的情形,通过矩阵研究邻域决策粗糙集模型的增量式更新,并从理论上证明这种增量式方法的高效性;最后,基于矩阵的增量式更新方法,提出混合型信息系统邻域决策粗糙集的增量式更新算法.实验分析表明所提出的增量式更新算法具有一定的有效性和优越性.