一种新的基于粗糙集属性依赖的属性约简算法

属性约简是粗糙集研究的重要内容之一,首先利用反例指出蔡莉等人提出的基于依赖度的决策表约简算法的错误,然后给出一种新的基于属性依赖的约简算法。通过一个信息系统实例,证明该算法的可行性和有效性。     

一种基于粗糙集和粒子群优化算法的权重确定方法

为了克服基本粗糙集理论确定权重的不足,提出一种新的基于粗糙集和粒子群优化算法的权重确定方法.该方法先利用粗糙集和粒子群优化算法对决策表进行属性约简,对约简后的决策表再用粗糙集方法计算属性权重.运用该算法对教师职业倦怠与压力数据进行分析,得到影响教师职业倦怠的各种压力因子的权重.研究结果表明,基于粗糙集和粒子群优化算法可以对决策表的权重进行有效的分析.     

基于粗糙集的属性约简算法

属性约简是粗糙集理论研究的关键问题之一,现已证明寻找一个决策表的最优约简是N P-hard问题。本文首先介绍可辨识矩阵属性约简的基本算法并对求核算法进行了改进。在此基础上给出决策表中属性重要性的两种度量,并以此为启发式信息,提出了一种属性约简的启发式算法。最后,实验结果表明,该算法在大多数情况下能有效地获得决策表的最优约简。     

在Visual Basic环境下用粗糙集理论约简决策表属性

决策树是一种简单而且应用广泛的分类算法。一个决策表中包含大量的样本信息,一个样本就代表一条基本的决策规则。为了从决策表中抽取适应性大的规则,就需要对决策表进行属性约简。使用粗糙集理论对决策表进行约简比较出色。在用辨识矩阵方法对决策表进行属性约简时,需要考虑实现约简的一些技术问题。如建立决策表的可辨识矩阵,对所有取值非空集合元素建立相应的析取逻辑表达式,对析取表达式进行合取运算等。在VB编程环境下,实现了该算法的约简过程。实例仿真表明了该算法对于决策表属性约简是可行的。     

粗糙集正域在心理健康测量中的应用

分析粗糙集正域的相关理论,提出一种基于粗糙集正域的决策表约简算法,用属性重要度的大小来判断属性是否被约简.通过对心理健康量表数据实例验证,该算法在约简后得到影响测量结果的重要属性,为构建更为科学、合理的测评量表提供理论依据,具有一定的实用价值.     

一种改进的属性约简方法

属性约简是粗糙集理论的核心问题之一,寻找最优约简现已证明是NP—hard问题。本文在差别矩阵的基础上,采用贪心算法的策略,提出了一种启发式算法来寻求最优约简。该算法不仅能在有核的决策表中通过核进行属性扩充求得最优约简,而且在无核的决策袁中也能根据属性在差别矩阵中出现的频率求得最优约简。经实例验证该算法是有效的。     

基于粗糙集正域的医疗决策表约简算法

医学数据通常属性较多,这在很大程度上限制了信息系统对医疗数据的挖掘效率。通过分析粗糙集正域的相关思想,结合医学领域数据的特点,提出一种基于粗糙集正域的医疗决策表约简算法,并将其应用在医学诊断中。通过实例验证了该算法在医疗决策表约简中的正确性和有效性,具有一定的实用价值。     

序贯属性约简算法在发动机故障诊断中的应用

属性约简是粗糙集理论研究的关键问题之-.为了解决传统分明矩阵属性约简算法在处理高维数据时占用大量的存储空间、效率低的问题,根据决策表信息系统的分明矩阵及序贯思想,提出了序贯属性约简算法,并将其应用于发动机故障诊断系统中,对诊断特征参数表进行约简处理,以减少数据维数,提高诊断效率.该算法避免了大量的逻辑运算,实现了高维数据的高效属性约简.理论分析和实验结果表明该算法具有更高的运行效率.     

基于Rough Set的毕业论文质量决策分析

为了分析影响毕业论文质量的关键因素,以毕业论文评定表的原始数据为基础。利用粗糙集理论与算法对知识进行简化。对决策表采用了基于差别矩阵的属性约简算法、属性重要度分析、值约简和规则提取等操作,去除决策表中冗余的属性和属性值,得到了影响毕业论文质量的关键因素,对撰写好毕业论文做出了预测分析。     

基于粗糙集理论的属性约简算法的研究

粗糙集理论中的有效算法研究是粗糙集理论的一个研究热点,目前主要集中在决策规则提取算法、属性约简算法、粗糙集基本并行算法以及与粗糙集有关的神经网络和遗传算法等。其中,属性约简算法是粗糙集理论及应用研究的重要内容。本文对粗糙集理论中的属性约简进行了比较系统的研究,在总结现有方法的基础上,提出了一种基于可辨识矩阵的启发式属性约简方法。     

一种基于粗糙集的供应链合作伙伴选择新方法

用粗糙集中组合属性重要度确定单属性重要度的理论,给出了供应链最佳合作伙伴选择的新方法,改进了文献[1]的粗糙集评价方法,新方法计算的指标权重结果避免了文献[1]中计算的指标权重为0的情况出现,同时新算法计算的各指标重要度之和比原算法各指标重要度之和大,计算精度更高,评价结果更符合实际。     

一种垂直分布环境下的特征选择及规则提取算法

特征选择及规则提取是数据挖掘过程中的重要环节.Rough集理论提供了一种新的属性约简即特征选择及规则提取工具,但目前Rough集理论研究主要针对单个决策表(或信息系统),分布式环境下的粗糙集理论研究还不多见.文章提出一种垂直分布环境下的特征选择及规则提取算法,算法分析结果表明,该种算法是有效可行的.     

基于量子混合协同进化的自适应多级联属性约简(英文)

针对传统生物启发式方法在决策表中属性约简求解效率不高和难以协同约简等问题,提出一种基于量子混合协同进化的自适应多级联属性约简算法. 首先设计了一种新型高效的自适应量子角旋转策略,指导参与属性约简的进化种群自适应相互演进,加速算法收敛. 然后构建了合作和竞争混合的协同进化级联模型,根据执行经验记录分割属性种群集,提高约简子种群的多样性,并产生种群精英以增强其寻优经验共享,快速找到全局最小属性约简集. 实验结果表明,与同类典型算法相比,该算法在最小属性约简效率和精度方面具有明显优势.     

改进项编码及粗糙集算法在病害蔬菜叶片图像挖掘中的应用

针对病害蔬菜叶片图像数据挖掘效率较低的问题,提出了一种基于Apriori算法改进算法,得到极大相关组。并运用粗糙集算法进一步处理,合理划分属性区间,挖掘出病害的各个属性关联关系。研究得出结论显示受害面积和颜色、灰度均值程度最为相关。     

启发式的属性值约简在隐形眼镜诊断中的应用

根据粗糙集理论,讨论属性值的约简方法。属性值约简是在属性约简的基础上,对决策表中的每一条记录去掉冗余属性值,从而构成一个最小的决策规则集。重点根据启发式值约简方法,对隐形眼镜数据进行分析,为后序的数据分析减少冗余信息。     

基于区分能力大小的决策表属性约简算法

The attribute reduction algorithms of decision table based on discernible matrix are required to construct discernible matrix, which reduces efficiency of algorithms. In this paper, the relationship between attribute discernible matrix and its discernibility is first established for general information systems. Based on the idea that the equivalent discernible matrix has a same attribute reduction, existing matrices are modified and a formula of attribute discernibility associated with algebraic reduction for decision table is proposed. A heuristic attribute reduction algorithm based on attribute discernibility is presented. Experimental results indicate that the algorithm can more easily explore an optimal or sub-optimal reduction, and is efficient.