基于不一致近邻的模糊粗糙集特征选择

模糊粗糙集可突破经典粗糙集仅能处理离散数据的局限,有效对连续型数值进行特征选择。然而,模糊粗糙集以对象为中心计算,时间复杂度高,难以处理高维和大规模数据。为此,基于水平截集提出一种不一致近邻加速策略。该策略跟踪论域中每个对象的模糊近邻集,持续删减其中不影响计算的近邻,若对象的不一致近邻删减至空,则删减该对象,从而提高算法效率。同时,设计一种基于不一致近邻递减的属性重要度,可有效抑制冗余特征入选,提升效率及分类精度。通过理论证明,所提的加速策略及属性重要度不影响属性入选的次序。在此基础上,提出新的模糊粗糙集特征选择算法。在9个UCI和scikit数据集上进行验证,实验结果表明,该算法不仅有效缩短运行时间,并可取得较高的分类精度,相比FA-FSCE、AVDP和IV-FS-FRS-2算法,运行时间至少可缩短9.44%,尤其在高维和大规模数据上可缩短61.01%~99.54%,在支持向量机和K-近邻算法的分类精度上最高可分别提高11.20%和19.95%。

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。

基于平均型聚合函数的多粒度模糊粗糙集

多粒度模糊粗糙集(multi-granulation fuzzy rough set,MGFRS)是一种重要的粗糙集模型。乐观多粒度模糊粗糙集和悲观多粒度模糊粗糙集分别给出了被描述对象的两种极端描述。从数据聚合角度看,将不同粒度值合并为单一粒度值时,乐观MGFRS采用的是取小算子,悲观MGFRS采用的是取大算子。将取小与取大算子拓展为一般的平均型聚合算子,提出了一种新的多粒度模糊粗糙集模型:基于平均型聚合函数的多粒度模糊粗糙集(multi-granulation fuzzy rough set model on the base of average aggregate function,MFA)模型。研究了MFA模型的基本性质,给出了MFA模型与乐观和悲观多粒度模糊粗糙集的关系。同时,基于MFA模型,提出了基于平均型聚合算子的粗糙近似集模型。

基于信息熵的Rough集粗糙性度量新方法

基于等价关系和一般二元关系,通过引入Rough集边界熵概念,利用Rough集边界的知识粗糙性和Rough集本身的粗糙度来刻画Rough集粗糙性,为Rough集粗糙性提供了一种更为合理的度量方法,为Rough集中概念的获取和刻画提供了理论依据。

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集,而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集,引入vague集进行融合扩张,研究双论域区间值直觉模糊vague粗糙集.首先,定义区间值直觉模糊vague相容类,构建双论域区间值直觉模糊vague粗糙集模型,提出关于双逼近近似和三支决策区域的计算算法,并确立该模型的精确度、粗糙度、依赖度.然后,研究该模型的近似算子与不确定性度量的性质.最后,采用医疗例子进行模型计算、度量测量、性质验证,并得到关于患者临床诊断的患病分析与治疗决策.

基于最大联盟粗糙集的三支聚类

针对邻域粗糙集模型受邻域参数影响大、刻画样本信息时不够精细等问题,提出了一种基于最大联盟理论的粗糙集模型。在标准化邻域信息系统后,引入最大联盟集来描述邻域颗粒信息,使得邻域粗糙集模型对信息的划分更加精细,从而显著降低了边界域的不确定性。将该模型与三支聚类相结合,设计了一种基于最大联盟粗糙集的三支聚类算法。在6个UCI公共数据集上进行对比实验,结果表明,所提算法相较于对比算法具有更好的聚类质量,在处理边界域样本时具有更高的比较正确率。

基于优化容许关系的集值粗糙集模型及属性约简

粗糙集理论是一种用于处理不确定性和模糊知识的数学工具,其基本思想是在保持系统分类能力不变的前提下,通过知识约简,导出问题的分类规则。集值信息系统使得粗糙集理论得到更广泛的应用。提出了具有协调性的优化容许关系,并讨论了基于该关系的粗糙集模型,证明了相关性质。讨论了不确定性度量问题,提出了优化容许关系下集值信息系统基于粗糙熵的属性约简,并给出了属性约简算法。

基于粗糙集对论的城市常规公交运力配置水平评估

为完善城市常规公交运力配置多层次综合评估指标体系及等级标准,基于粗糙集对指标体系进行筛选,并构建了指标体系等级标准,选取指数超标法确定评价指标的客观权重,通过计算指标的“同、异、反”联系度确定评估等级,提出了一种基于集对分析理论的城市常规公交运力配置水平综合评估模型,以青岛市2条常规公交线路为例进行模型验证。

容差粗糙集的结构化近似

将结构化技术用于容差粗糙集模型,提出结构化容差粗糙集模型,并借助φ算子对该模型进行刻画,研究其相关性质。由于结构化容差粗糙集的上、下近似是以容差类为元素的多重集,因而有效保地留对象间的结构信息。最后,对该模型的不精确性和不完备性的刻画进行讨论。

基于粗糙集的绿色产业集群知识产权投资策略研究

绿色产业集群的知识产权数量与质量是衡量区域产业集群绿色发展程度的关键指标。针对当前绿色集群企业知识资源有限和知识产权投资策略不清的问题,本文引入粗糙集理论,探讨绿色集群企业的知识产权建设决策,研究适用于绿色集群企业知识产权投资的决策规则。研究表明:绿色集群企业对专利权、数据平台等投入成本决定其知识产权收益水平高低;收益越高,同时投入商标权和著作权建设,越能带来较高收益;即绿色产业集群知识产权投资策略的关键在于专利权、数据平台的建设。本文仅供参考。

Rough集高效算法的研究

深入分析了现有Rough集算法低效性的根源 ,围绕不可区分关系和正区域两个核心概念 ,研究了不可区分关系的性质 ,给出并证明了正区域的一种等价计算方法 ,从而得出高效的Rough集基本算法 ;随后 ,分析了正区域的渐增式计算 ,并给出了一种完备的属性约简算法 .理论分析和实验结果表明 ,该约简算法在效率上较现有的算法有显著提高 .

基于凸Rough集的数据约简和规则发现研究

为了有效地从凸序列中约简数据和发现知识 ,解决Rough集中的凸序列处理问题 ,在深入研究凸序列和Rough集理论的基础上 ,提出了凸Rough集模型 ,定义了凸Rough集和凸Rough模糊集 ,给出了凸Rough模糊集的隶属函数和应用凸Rough集进行数据约简及规则发现的算法 .最后分析了一个应用案例 ,验证了模型的可行性 。

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一.为了能够有效地获取决策表中属性的最小相对约简,在Rough集理论的基础上构造了一个新的算子,将信息论角度定义的属性的重要性作为启发式信息,来描述在决策表中条件属性所提供的知识对决策属性的影响;并采用宽度优先搜索策略,提出了一种新的属性约简启发式算法.以原始条件属性集为起点并结合算子,通过向属性核的递减式逼近,得到属性的最小相对约简.实例分析表明,该算法能有效地对决策表属性进行约简.

一种粗糙集属性约简算法

该文针对RoughSet理论的属性约简进行了研究。利用RoughSet和信息论的相关知识,研究了通过可辨识矩阵求得属性约简集,并利用条件熵来计算属性约简集中属性间的相关性,其平均值最小的属性集即为求得的最佳属性约简的结果。实验证明,它可以取得比较理想的效果。最后利用该文的方法给出了对UCI机器学习数据库的例子的约简结果。

一种基于Rough集的层次聚类算法

Rough集理论是一种新型的处理含糊和不确定性知识的数学工具 ,将Rough集理论应用于知识发现中的聚类分析 ,给出了局部不可区分关系、个体之间的局部不可区分度和总不可区分度、类之间的不可区分度、聚类结果的综合近似精度等定义 ,在此基础上提出了一种基于Rough集的层次聚类算法 ,该算法能够自动调整参数 ,以寻求更优的聚类结果 实验结果验证了该算法的可行性 。

一种基于Rough集理论的数据过滤方法

Rough集 (粗集 )理论是一种处理不确定或模糊知识的重要工具 .在对 Rough集理论进行深入研究的基础上 ,提出了一种基于 Rough集理论的数据过滤算法 .该算法的基本思想是基于 P-确定的等价类的合并 ,算法直观 ,计算简便 .理论和实验表明 ,该算法能够减低信息系统中信息的粒度 ,在保持规则近似质量不变的前提下 ,有效地提高规则的统计意义和预测强度 .

粗糙集的近似集

粗糙集是1982年由Pawlak教授提出的解决集合边界不确定的重要方法,它通过两个精确的上、下近似集作为边界线来刻画目标集合(概念)X的不确定性,但它没有给出如何用已知的知识基(知识粒)来精确或近似地描述边界不确定的目标集合(概念)X的方法.首先给出了集合之间的相似度概念,然后分析了分别用上近似集R(X)和下近似集R(X)作为目标集合(概念)X近似描述的不足,提出了在已有知识基(粒)空间下寻找目标集合(概念)X的近似集的方法,并分析了用R0.5(X)作为X(概念)的近似集的优越性.最后讨论了不同知识粒度空间下R0.5(X)与X的相似度随知识粒度的变化关系.从新的角度提出了目标集合(概念)X近似集的构造方法,促进了粗糙集模型的发展.

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。

Rough集理论:现状与前景

经典逻辑中只有真、假二值,但实际上有大盆含糊现象存在于宾和假二值之间,因此,长以来许多逻辑学家和哲学家就致力于研究含糊概念。早在1904年谓词逻辑的创始人G.

Rough集理论代数观与信息观的差异量化分析

决策表是Rough集理论的处理对象,其核属性的计算往往是信息约简过程的出发点和关键.代数观和信息观是Rough集理论研究中的两种主要理论观点和方法.本文将针对决策表核属性的计算问题,探讨Rough集理论代数观和信息观这两种形式的关系,通过仿真实验,得到它们在决策表核属性问题上的统计量化差异,并发现在包括大量不相容信息的决策表系统中这两种观点之间的差异将达到极端情况.