置信优势关系粗糙集的属性约简方法

置信优势关系粗糙集是处理不完备有序信息的重要模型,属性约简是核心内容之一.首先考查了分类精度在属性域的单调性,提出保持分类精度不变的启发式约简方法.由于启发式约简方法在增加或删除一个属性时,需重新计算整个上、下近似集得到分类精度,效率不高.进一步,讨论了增加或删除一个属性后,置信优势关系粗糙集上、下近似集的变化情况,给出分类精度的动态更新方法,提出增量式约简方法.通过对UCI数据集的实验证明,启发式约简方法和增量式约简方法有效,在数据样本较多时,增量式方法更优.

对象集变化置信优势关系粗糙集近似集动态更新方法

对象集变化会造成近似集的改变,动态更新方法可以高效计算近似集.对于不完备有序信息系统,讨论了单个对象增加或删除造成的决策类、置信优势类及置信劣势类的变化情况,给出了基于置信优势关系粗糙集的近似集动态更新方法.通过M atlab在UCI数据集上的实验结果表明,与非增量式方法相比,所提出的动态更新方法在对象集变化情况下计算近似集时间效率更高.

置信优势关系下的加权多粒度粗糙集近似模型

在不完备多粒度决策信息系统中,已有多种拓展优势关系来处理多粒度粗糙集模型,然而未考虑优势关系的有序特性。所以希望在多粒度粗糙集模型中引入置信优势关系对条件属性作划分,考虑置信优势类与目标系统之间一致的定量信息。文中所研究的多粒度是基于属性集序列来对论域进行划分的多粒度。考虑不同粒度重要性的不同,讨论了置信优势关系下加权多粒度粗糙集模型的乐观、悲观多粒度粗糙集近似模型,提出了一种基于分类质量的粒度约简算法,最后通过算例验证与评估所提理论与方法的正确性与可行性。

基于置信优势关系的粗糙集近似模型

不完备有序信息处理是现实生活中的常见问题.多种拓展优势关系及其粗糙集模型被提出并用于解决不完全的偏好决策问题,但均未考虑序关系特性,与现实语义存在矛盾.对此,提出一种置信优势关系及其粗糙集近似模型,讨论了基于置信优势关系的粗糙集模型与已有模型的关系.与现有的拓展关系相比,该置信优势关系满足序关系特性,避免了语义上的矛盾.定理证明和实例分析表明,置信优势关系粗糙集近似模型的近似精度和分类精度更优.

基于置信优势关系粗糙集的近似集动态更新方法

置信优势关系粗糙集是处理不完备有序信息的重要模型,上、下近似集的计算是核心内容之一.在实际应用中,属性集通常会发生变化.根据属性集的增加或减少,首先讨论置信优势类及劣势类变化情况,随之给出上、下近似集增量式的变化规律,提出相应的近似集动态更新方法.通过Matlab在UCI数据集上的实验结果表明,与非增量式方法相比,所提出的置信优势关系粗糙集下的上、下近似集的增量式更新方法可行、高效.

基于不协调置信优势原理关系的知识约简

置信优势关系粗糙集用于处理不完备有序决策系统,知识约简是核心问题之一。在不完备有序决策系统下区分两个对象需考虑决策值之间的偏好关系,因此给出置信优势原理关系的定义,将满足此关系的对象视为是不可区分的。提出不协调优势原理关系下的约简定义,进一步给出约简的判定定理和辨识矩阵,从而提供了在不完备有序决策系统下新的知识约简方法。通过实例验证了新的知识约简方法的有效性。