认知算子阈值变化的动态概念认知方法

在现实应用中,形式背景的隶属度可能随着时间发生变化。然而,现有的动态概念认知方法只能处理形式背景的对象和属性增量变化情况下的概念认知问题。当形式背景隶属度发生变化时,现有的动态概念认知方法不能实现认知。为了弥补这一不足,提出一种认知算子的阈值、形式背景的部分隶属度发生变化情况的动态概念认知方法。具体地,对于阈值发生变化的情况,利用增量算子将原概念转化为形式背景更新后的概念;对于隶属度发生变化的情况,利用变化情况的不同,将变化后的形式背景分成三个部分,分别在三个子形式背景上进行认知,最终生成形式背景更新后的概念。建立了一个可以处理认知算子阈值、隶属度同时发生变化的认知系统。给出了概念认知算法,并通过数据实验说明了算法的有效性。

不完备区间值决策系统的三支决策模型及增量式规则获取算法

在现实应用中,区间值数据会因为测量、干扰或信息传输等噪声影响导致数据出现缺失值,而且这些数据随着时间推移呈现动态递增趋势,忽略或删除这些数据很有可能导致有用信息的丢失而出现决策误判。为此,针对这一问题,提出面向不完备区间值决策系统的三支决策模型和增量式规则获取算法。首先定义不完备区间值数据的量化相似容差关系,构造出基于不完备区间值决策系统的三支决策模型;其次从两个层级分析对象集动态规则获取策略,提出增量式规则获取算法;最后,通过一组UCI数据集对该算法进行验证。实验结果表明,该算法不仅能减少误划分损失获得更高的划分精度,而且在运行时间上也具有较大优越性。

改进的区间值决策表决策代价最小化属性约简

近年来,基于贝叶斯决策代价最小化的属性约简在三支决策区间值系统中引起了众多学者的关注.然而在构造损失函数时,少有研究考虑由于相容等价类之间的差异性对约简结果带来的影响,针对这一问题,提出一种基于距离度量的决策代价最小化属性约简方法.文章首先通过度量决策类与相容类之间的距离,建立综合损失函数来描述对象之间的差异信息;然后根据贝叶斯决策规则和预先给定的初始代价函数,构建了自适应閾值对的计算方法,建立了区间值决策系统中决策成本最小化的属性约简算法;最后给出算例,结果表明所提出的约简算法能获得决策成本更小的约简结果,且在理论上更具有合理性。