基于信息熵的属性约简在多属性决策中的应用

属性约简是在信息系统中的一个重要操作.分类是属性约简的基础,且直接在大数据集上进行属性约简往往存在效率低下的问题.以分类为基础提出了一种基于信息熵的信息系统属性约简算法.算法通过信息熵的计算,在属性约简的同时对原信息系统逐层分解,从而实现了属性的约简并缩小了搜索空间.提出了依据信息熵来确定属性的不必要性及简约属性集,应用在多属性决策中所带来的优势.     

覆盖粗糙集属性约简的新算法

覆盖广义粗糙集是Pawlak粗糙集的重要推广,其属性约简是粗糙集理论中最重要的问题之一.Tsang等基于一种生成覆盖设计了覆盖信息系统属性约简算法,但并未明确指出其适用的覆盖粗糙集类型.在本文中,我们首先指出Tsang的属性约简算法适用的覆盖粗糙集是第五,第六和第七类.其次,我们通过建立覆盖与自反且传递的二元关系之间的等价关系,提出了一种时间复杂度更低的属性约简算法,并证明了本文中的属性约简方法就是Wang等所提出的一般二元关系属性约简的特例.本文不仅提出了属性约简的简化算法,还首次建立起覆盖属性约简与二元关系属性约简之间的联系,具有理论和实际的双重意义.     

基于概念格的决策形式背景属性约简及规则提取

给出了决策形式背景下的属性约简与规则提取方法.为此,针对属性约简中起不同作用的属性,区分了必要属性与不必要属性,给出了各类属性的特征和判别方法;在此基础上得到了决策形式背景下的规则提取与属性约简方法,并通过实例表明了该约简方法的可行性与有效性.     

改进的简化决策表及属性约简

研究了不一致决策表的简化与属性约简问题,指出目前简化的决策表的局限:在简化的决策表上用现有的属性约简方法与在原决策表上基于正区域的属性约简方法,所得到的结果不一致.进一步对简化的决策表进行转换,得到新的决策表.基于正区域的属性约简,证明了在原决策表上约简与在新的决策表上约简结果相同.从而保证在实际应用中,对新的决策表可以用任意一种属性约简方法.     

基于粒关系包含度矩阵的属性约简算法研究

针对信息系统属性约简问题,通过借助粒关系包含度矩阵这一中间工具,给出一种决策表属性启发式约简算法.首先,计算决策表中条件属性与决策属性之间的粒关系包含度矩阵;然后,将粒关系包含度矩阵中隐含的信息L_B作为启发式算子对决策表进行属性约简;最后,删除冗余属性并设置终止条件,实现决策表的属性约简.通过实例验证了该算法的有效性.     

不一致不完备直觉模糊信息系统的属性约简

利用广义优势关系,可完成不完备直觉模糊信息系统属性约简工作.若不完备直觉模糊信息系统属性约简不一致时,则可进一步利用广义优势关系定义此类信息系统的分布函数和最大分布函数,然后介绍分布约简和最大分布约简的概念,最后给出求分布约简和最大分布约简的有效方法.由此可成功解决不一致不完备直觉模糊信息系统属性约简问题.     

基于相似关系的条件熵属性约简及其算法

不完备决策系统关联于数据分析,其属性约简具有应用意义,并已具有基于容差关系的条件熵研究.基于相似关系,研究不完备决策系统的条件熵属性约简及其算法.利用相似关系确立条件熵,提出等价于广义决策函数保持约简的条件熵保持约简,建立具有误差容忍机制的条件熵容忍约简;针对两种新建属性约简,揭示它们间的扩张关系与强弱关系,构建相应的全局算法与局部算法;最后,提供决策表实例分析,说明基于相似关系的条件熵属性约简及其算法的有效性.相关研究完善了不完备决策系统属性约简,具有理论价值与应用意义.     

基于可辨识矩阵的属性约简算法及应用

针对决策信息系统最大分布约简问题,从代数角度给出了一种启发式属性约简算法.该算法在最大分布可辨识属性矩阵基础上,首先以最大分布核属性集为起点,然后对其余属性按其在可辨识属性矩阵中出现的频数大小逐次添加到核属性集中,再根据启发式算子对新的属性集给出最大分布约简的判断.重复以上步骤,直到找到最大分布约简.算例分析表明该算法的有效性和可行性.     

基于信息量的集值信息系统的属性约简

属性约简是粗糙集理论研究的核心内容之一.在集值信息系统中引入信息量和属性重要性,给出它们的性质及与属性约简之间的关系.针对集值信息系统提出了一种基于信息量和属性重要性的属性约简算法及算法的时间复杂度.通过实例说明,该算法是有效的.     

基于粗糙集的房屋销售评价方法

首先,利用非协调覆盖决策系统的属性约简方法和知识表达系统中差别矩阵的决策属性约简方法,针对同一个房屋销售问题,对房屋的属性进行属性约简,得到的共同属性可增强决策的可靠性,然后分析了两种方法的异同点以及分别适用的情况,最后得到了粗糙集的属性约简方法在房屋销售中有很好的应用的结论。     

Updating attribute reduction in incomplete decision systems with the variation of attribute set

In rough set theory, attribute reduction is a challenging problem in the applications in which data with numbers of attributes available. Moreover, due to dynamic characteristics of data collection in decision systems, attribute reduction will change dynamically as attribute set in decision systems varies over time. How to carry out updating attribute reduction by utilizing previous information is an important task that can help to improve the efficiency of knowledge discovery. In view of that attribute reduction algorithms in incomplete decision systems with the variation of attribute set have not yet been discussed so far. This paper focuses on positive region-based attribute reduction algorithm to solve the attribute reduction problem efficiently in the incomplete decision systems with dynamically varying attribute set. We first introduce an incremental manner to calculate the new positive region and tolerance classes. Consequently, based on the calculated positive region and tolerance classes, the corresponding attribute reduction algorithms on how to compute new attribute reduct are put forward respectively when an attribute set is added into and deleted from the incomplete decision systems. Finally, numerical experiments conducted on different data sets from UCI validate the effectiveness and efficiency of the proposed algorithms in incomplete decision systems with the variation of attribute set.     

区间值信息系统基于极大相容类的属性约简

区间值信息系统是单值信息系统的一种广义模型,通过引入变精度相容关系以及极大变精度相容类,提出区间值信息系统的属性约简与对象的相对属性约简.进一步,基于区分矩阵,定义一种区分函数与相对区分函数,得到计算区间值信息系统上属性约简与相对约简的具体操作方法.     

An incremental attribute reduction approach based on knowledge granularity under the attribute generalization

Attribute reduction is a key step to discover interesting patterns in the decision system with numbers of attributes available. In recent years, with the fast development of data processing tools, the information system may increase quickly in attributes over time. How to update attribute reducts efficiently under the attribute generalization becomes an important task in knowledge discovery related tasks since the result of attribute reduction may alter with the increase of attributes. This paper aims for investigation of incremental attribute reduction algorithm based on knowledge granularity in the decision system under the variation of attributes. Incremental mechanisms to calculate the new knowledge granularity are first introduced. Then, the corresponding incremental algorithms are presented for attribute reduction based on the calculated knowledge granularity when multiple attributes are added to the decision system. Finally, experiments performed on UCI data sets and the complexity analysis show that the proposed incremental methods are effective and efficient to update attribute reducts with the increase of attributes.     

集值信息系统在相容关系下的属性约简

借助于属性集值的相似程度在集值信息系统上定义了一种新的相客关系,给出了这种相客关系下集值信息系统的属性约简与判定,得到了集值信息系统属性约简的具体探作方法,并讨论了相似水平对集值信息系统的属性约简的影响.     

基于粗集与概念格的属性简约讨论

概念格的属性简约是在形式背景下解决复杂问题的重要途径,通过对概念格、粗糙集的讨论,将两者有效结合,并借助粗糙集上(下)近似的方法,得出了一个对概念格属性简约的方法,方法将二维的概念格属性简约转化为一维的一种对象格的简约,避免了形式背景下的概念的计算和进一步的可辨识矩阵的计算,方法简便,算法简单易实现,是概念格属性简约有效的算法.     

集值信息系统及其属性约简

阐明集值信息系统具有知识表达的实际意义;引入关于相容关系的最大相容分类方法对论域中的对象分类,以保证每个相容类中的对象具有共同的属性特征;讨论集值信息系统的属性约简问题,利用区分函数,给出核及约简的求法.     

Evidence-theory-based numerical algorithms of attribute reduction with neighborhood-covering rough sets

Covering rough sets generalize traditional rough sets by considering coverings of the universe instead of partitions, and neighborhood-covering rough sets have been demonstrated to be a reasonable selection for attribute reduction with covering rough sets. In this paper, numerical algorithms of attribute reduction with neighborhood-covering rough sets are developed by using evidence theory. We firstly employ belief and plausibility functions to measure lower and upper approximations in neighborhood-covering rough sets, and then, the attribute reductions of covering information systems and decision systems are characterized by these respective functions. The concepts of the significance and the relative significance of coverings are also developed to design algorithms for finding reducts. Based on these discussions, connections between neighborhood-covering rough sets and evidence theory are set up to establish a basic framework of numerical characterizations of attribute reduction with these sets.     

基于依赖空间的不协调决策信息系统的分配约简

从属性集角度研究不协调决策信息系统的分配约简问题。定义了一种决策分配二元关系,并利用这种关系建立了属性集幂集上的等价关系,由此产生依赖空间。同时利用决策分配二元关系和依赖空间给出了不协调决策信息系统分配协调集的判定定理,进而得到了一种保持不协调决策信息系统分配不变的属性约简方法。同时通过实例验证方法的有效性。