基于邻域优势粗糙集的区分度动态属性约简算法

为解决动态环境下数值型偏序关系数据的属性约简问题,利用优势粗糙集的区分度提出一种增量式属性约简算法。在数值型信息系统环境下,定义邻域优势区分度度量,通过邻域优势区分度设出一种非增量式属性约简算法;研究和分析对象变化场景下邻域优势区分度进行增量式更新的原理;分别提出数据对象增加和减少情形下数据集属性约简的增量式更新算法。在多个UCI数据集上进行实验验证,实验结果表明,该增量式算法能够有效完成动态数据的属性约简任务。

优势信息系统中的启发式属性约简算法

在优势信息系统中引入粒度熵概念,定义其相关的性质和定理,并以优势关系下的粒度熵为启发式信息,给出属性的重要性度量。在此基础上提出一种基于粒度熵的启发式属性约简算法,并分析该算法的时间复杂度。通过实例说明该算法的有效性,为进一步研究优势目标信息系统的规则提取提供理论基础。

不协调优势目标信息系统的启发式下近似约简

基于不协调优势目标信息系统,给出刻画属性重要性的新指标,以该指标为启发式信息,提出一种新的下近似约简算法。该算法具有较大的灵活性,能从搜索空间逐次删除不重要属性,避免重复计算属性的重要性,从而提高搜索的效率,且时间复杂度较低。通过实例说明了该算法的有效性。

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.

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.