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。     

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。     

基于属性权重的区分矩阵启发式约简算法

介绍了基于区分矩阵的属性约简算法,通过分析,说明了算法的不足,提出相应的改进策略。将启发性知识结合区分矩阵,提出基于属性特征权重的区分矩阵的启发式约简算法,较以往的算法意义更加直观,计算也更加简单,提高了约简算法的速度。     

基于差别矩阵的启发式属性约简算法及其应用

为了降低决策表属性约简算法的计算代价,利用属性重要度作为启发式运算因子,对基于SKowron差别矩阵的属性约简算法进行改进,并证明该方法的合理性.实例计算结果表明,在获得相同的结果下,该算法可以使计算量减少,提高计算效率.     

粗糙集属性约简在高校评教中的应用

粗糙集属性约简就是在保持信息系统的分类和决策能力不变的条件下,删除不相关或不重要的属性,使原有系统得到简化。利用一种基于粗糙集的属性约简算法,通过计算属性在可分辨矩阵中出现的频率来定义属性的重要性,可使约简结果保持近似精度。实验表明该算法可以简化评教指标体系,降低信息系统所需存储空间。     

基于RBF网络的粗糙集属性约简策略

粗糙集理论被广泛应用于人工智能、模式识别、数据挖掘和知识发现等领域。而对象的属性约简是是粗糙集理论中的重要问题之一。由于属性约简计算量较大,影响了的粗糙集的实际应用。本文用RBF神经网络高效和OLS对称性的特点,研究粗糙集属性的约简,解决了属性约简的难题,完成了算法的实现,取得了较好的效果。     

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。     

基于模糊粗糙集属性约简的模糊决策树

作者基于模糊粗糙集理论,利用模糊等价关系、模糊上下近似,去除模糊信息系统的冗余属性,找出模糊信息系统的约简,然后利用模糊ID3算法,生成模糊决策树,产生一组模糊规则,实验结果证明了这种方法的有效性.     

粗集中属性约简的一种启发式算法

属性约简是知识获取中的关键问题之一。为了能够较为有效地获得较优的属性约简，在基于可辨识矩阵的属性约简算法的基础上，加入了属性代价值为启发性知识，提出了一种基于相对差异表的启发式属性约简算法。实例分析表明，文章提供的算法能够以较大的概率和较高的效率获得较优的属性约简，具有良好的效果。     

基于Rough集理论的数据挖掘属性约简技术的研究

经过20多年的发展，Rough集理论获得了广泛的认识和运用，特别在数据挖掘、知识发现的研究中发挥着越来越大的作用．属性约简是大数据集压缩冗余数据的关键技术，Rough集理论基于数据分类的原理，提出了属性约简判定理论，并发展了多种约简技术，使数据挖掘中的属性约简难题摆脱了依赖主观处理的阶段，得到了有效的处理，并向高效约简的方向发展．     

基于粗集理论的信息系统数据行约简

一种判断数据是否是冗余数据的方法被提出,即分别计算出删除这些数据之前和之后的信息系统属性约简,若两者相同,则说明这些数据是冗余数据;若不相同,则不是.从这一思想出发,先提出了数据行的概念,接着给出了数据行约简的定义,最后通过示例演示了数据行约简的过程.     

基于粗集理论的知识发现

知识发现是知识信息处理的关键问题之一,粗集作为一种数据分析理论能有效地从不确定性的数据中发现知识,是目前在知识发现领域研究的热点之一。本文首先对知识发现和粗集理论做了简单介绍,在此基础上论述了粗集作为一种数学工具在知识发现领域中的重要性,并提出粗集的进一步可能发展方向。     

基于粗糙集与信息熵的属性重要性度量

阐述了粗糙集和信息熵的概念,在此基础上给出了基于信息熵的属性重要性度量公式,并证明了属性集中绝对必要元素与属性重要度之间的关系.最后,通过实例分析表明该公式的有效性.     

一种基于粗糙集的属性权重新算法

给出了属性重要度新定义,提出了一种新的基于粗集理论的属性权重的计算方法,并通过实例进行了验证。结果表明,这种权重计算方法更符合实际,可以解决原有粗糙集计算方法存在的问题。