基于模糊隶属度邻域覆盖的三支分类决策

传统的邻域分类决策方法对不确定数据进行了严格的分类,可能导致严重的分类错误,因此提出一种基于模糊隶属度邻域覆盖的三支分类决策方法。引入模糊邻域覆盖方法,构建邻域覆盖隶属度相关的不确定测度,并且提供数据分布的隶属度近似。通过三支分类策略降低分类风险。通过多个数据集分类实验结果可知,提出的方法在保证分类精度的条件下极大地降低了分类风险。

基于邻域覆盖约简的层次化规则学习算法

在大数据环境下的分类学习中,随着描述样本语义信息的丰富,数据的类别空间结构存在着层次化。然而,现有分层分类算法缺乏可解释性,为此本文提出了一种基于邻域覆盖约简的层次化规则学习算法。该算法框架主要包括:(1)定义了面向层次化结构数据的邻域覆盖约简模型;(2)定义了层次邻域系统中覆盖元的依赖度;(3)提出了一种基于覆盖元依赖度的层次化规则学习前向搜索算法。最后,实验表明本文所提算法的分类性能较优且具有较好的可解释性。

基于三角不等式判定和局部策略的高效邻域覆盖模型

邻域覆盖模型由于其原理简单以及对复杂数据具有较好的处理能力,在分类任务中得到了广泛应用。然而,邻域覆盖模型普遍存在运行效率较低的问题,且缺乏相关研究工作。为解决此问题,在传统邻域覆盖模型中引入距离间的三角不等式关系以提升构建邻域的效率,同时引入局部策略,定义了局部邻域覆盖以提升构建邻域覆盖的效率。为提升运行效率,从两个角度对传统邻域覆盖模型进行了改进,提出了基于三角不等式判定和局部策略的邻域覆盖模型(Neighborhood Covering Model based on Triangle Inequality Check and Local Strategy,TI-LNC)。此外,当前基于邻域覆盖模型的分类算法通常仅根据邻域中心以及邻域半径对样本进行分类,缺乏对邻域内样本信息的使用,从而影响了分类精度。为提高邻域覆盖模型的分类精度,增加了对邻域内样本信息的考虑,并基于TI-LNC设计了新的分类算法。在10个UCI数据集上的实验结果表明,所提模型能达到较高的运行效率以及较好的分类精度,具有一定的合理性及有效性。

融合密度与邻域覆盖约简的分类方法

针对现有大部分基于邻域覆盖的分类方法直接根据最近的邻域对样本分类,没有考虑邻域之间的差异性,从而导致分类错误的问题。引入局部密度去刻画邻域之间的差异性,并提出融合密度与邻域覆盖约简的分类方法(D-NCR)。首先,通过邻域覆盖约简剔除冗余的邻域;其次,将邻域中心的局部密度转化为权重,定义了测试样本到邻域中心的加权距离;最后,基于加权距离,对不同的测试样本提出两种分类策略。在UCI数据集上的实验结果表明,所提方法能达到较好的分类效果。

覆盖粗糙集模型转化的方法研究

通过研究邻域覆盖、覆盖导出的划分之间的内在关系,给出了一种新的转化方法.新方法证明了由一个覆盖可唯一导出一个划分、由覆盖与其覆盖约简导出的划分一致等结论,而且得出了由覆盖导出的等价关系的上、下近似算子更加细分等优良性质;提高了集合的近似程度,能更好地用于属性约简、核的求取和规则的生成等方面研究.

复合覆盖粗糙集模型及其应用

针对覆盖粗糙集仅适用于单一数据类型的论域覆盖的问题,提出复合覆盖粗糙集模型。在研究邻域覆盖粗糙集、集值覆盖粗糙集、区间值覆盖粗糙集的基础上,在复合数据模型下,通过建立多种覆盖关系(邻域覆盖、集值覆盖、区间值覆盖等),提出复合覆盖粗糙集模型,并给出复合覆盖粗糙集相关概念及性质。该模型适用于多种数据类型(符号数据、区间数据、集合数据、数值数据等)的论域覆盖问题,通过实例说明了该模型在复合信息系统中的应用,进一步加深对复合覆盖粗糙集相关概念的理解。

代表选举的分类策略对比

有学者已提出了针对名词型数据的基于代表的邻域覆盖的分类算法。在该算法中,当有不止一个有效代表距未分类对象最近时,采取简单的投票策略来决定待分类对象的类标签。简单的投票策略忽略了每个代表对未分类对象的影响能力不同。针对这个问题本文提出了基于密度和基于规模的分类策略。通过实验对简单的投票策略、基于密度的分类策略、基于规模的分类策略的分类性能做了对比。