面向噪声数据的多尺度粗糙集模型研究

针对Pawlak粗糙集模型处理噪声信息的局限性,借鉴变精度粗糙集模型的思想,引入多尺度变量,建立单维的多尺度粗糙集模型。通过构造尺度变量s与尺度函数(fs)的变化关系,对噪声数据进行多尺度、多角度的动态分析,提高抑制噪声的能力,根据评价指标不断地优化尺度,获取满足用户要求的决策规则。实例说明了该方法的优点及可行性。

基于多尺度粗糙集模型的决策树优化算法

针对经典决策树算法构造的决策树结构复杂、缺乏对噪声数据适应能力等局限性,基于多尺度粗糙集模型提出一种新的决策树构造算法。算法引入尺度变量和尺度函数概念,采用不同尺度下近似分类精度选择测试属性构造决策树,使用抑制因子对决策树进行修剪,有效地去除了噪声规则。结果表明该算法构造的决策树简单有效,对噪声数据有一定的抗干扰性,且能满足不同用户对决策精度的要求。

粗糙集中连续属性基于树结构离散化的多尺度遗传算法

将多尺度思想引入粗糙集连续属性离散化中,采用树结构对连续属性进行多尺度离散区间描述。发展多尺度遗传算法进行尺度优化,提出与传统遗传算法不同的交叉和变异策略。提出的方法实际上模拟了人类从不同立场、不同层次上观察和分析问题的方式,模拟人们在解决关系复杂、难于确定的问题时,由粗到细、由细到粗,逐步、反复尝试达到优化的目标。