基于测试代价的三支邻域属性约简算法

针对粗糙集属性约简时很少考虑属性自身的测试代价等问题,提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性,并结合属性自身的测试代价来构造性价比指标,以此指导属性的甄选。三支决策方法被用于划分属性集,为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验,结果表明,该算法可得到比对比算法更小的属性约简集合,在分类精度不降低的情况下,该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。

一种基于邻域粗糙集和TOPSIS法的组合决策方法及应用

传统的粗糙集-TOPSIS组合决策方法有效解决了TOPSIS法在构造评价矩阵时存在主观性的问题,提高了决策精度。但该方法只适应于处理离散型数据的决策表信息系统,对于连续数据的决策表信息系统,需要对数据进行离散化处理,而离散化处理会改变数据原始属性,产生数据失真,从而导致决策精度显著下降。针对此类问题,结合邻域粗糙集理论,提出了一种邻域分辨矩阵改进的邻域粗糙集-TOPSIS综合评价方法。该方法可以直接应用于连续数据的决策表信息系统,不仅能计算核心评价指标权重的重要度,而且能计算非核心评价指标权重的重要度;在辐射源威胁排序案例中的应用表明,其可显著提高连续数据决策表信息系统的决策精度。

结合分辨矩阵改进的邻域粗糙集属性约简算法

针对基于邻域粗糙集属性重要度约简算法在某些决策表中约简正确率下降等问题,结合基于等价关系下的分辨矩阵知识,定义一种邻域决策系统下的分辨矩阵,邻域分辨矩阵由能够分辨不同邻域对象的条件属性子集组成。根据条件属性在邻域分辨矩阵中的占比提出一种属性重要度的度量方法,以新的重要度作为启发性因子,设计一种邻域决策系统下属性重要度启发性约简算法。该算法以核属性集作为初始集合,依次选择重要度大的属性加入到核集,直至找到最小属性约简时,算法终止。实例分析和UCI数据集试验结果表明,与基于属性依赖度的约简算法相比,该算法能够更有效地找到最小属性约简集,并且可以有效减少计算工作量,证明了算法的有效性和可实用性。