分类算法中基于差别矩阵的属性约简方法

差别矩阵中会出现大量的重复元素占用大量内存,当数据太稠密时,构成的差别矩阵太大不容易操作且计算代价较高。本文提出了一种基于简化差别矩阵的属性约简算法(SDMAR),在属性约简之前,通过计算属性相似度,对属性进行了合并操作,得到简化决策表。根据简化决策表构造差别矩阵,计算差别矩阵中出现次数最多的属性并删除包含该属性的元素,当差别矩阵为空时终止操作,以达到对决策表属性约简的目的。通过算法及实例分析得到属性约简过程的时间复杂度有所减小。     

基于相似差别矩阵的粗糙集理论

针对经典粗糙集理论只能处理离散数据,不能将其直接应用到连续系统的数据挖掘中。本文利用样本之间的相似关系建立相似差别矩阵,通过实例仿真说明该方法是合理有效的。     

改进的差别矩阵及其求核方法

粗糙集方法提供了一种新的处理不精确、不完全与不相容知识的数学工具．属性约简是粗糙集理论的重要研究内容之一,而现有的很多属性约简算法都是从信息系统(或决策表)的核开始．针对HU利用差别矩阵求解粗糙集中的核方法的错误,叶东毅提出了新的差别矩阵及其求核方法,但计算代价高．为此,给出了改进的差别矩阵定义和求核方法,该方法纠正HU方法的错误,且可有效地降低计算代价．     

一种基于差别矩阵的属性约简完备算法

提出了一种基于差别矩阵的粗糙集属性约简完备算法，算法的求解策略是在每次迭代过程中只选择必要的条件属性，如果在某次迭代过程中找不到这样的条件属性，则任意排除一条件属性，为下一次迭代中找到必要的条件属性做准备．分析了算法在最坏情况下的时间复杂性，给出了该算法相对Pawlak约简的完备性的证明．同已有的同类约简算法相比，该算法在最坏情况下具有更小的时间复杂性．     

一种基于区分链表的决策系统求核算法

针对决策系统核属性的计算问题,提出一种基于决策系统的求核算法。该算法不需要建立分辨矩阵,具有较低的时间复杂度和空间复杂度。     

基于差别矩阵的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一.提出了一种基于差别矩阵的属性约简算法.该算法引进栈的概念,利用栈的特点,对文献[1]中算法进行改进,提出了一种求所有约简的算法.     

一个新的差别矩阵及其求核方法

作者针对已有的利用差别矩阵来求粗糙集中核的方法存在的不足,将粗糙集的代数观与信息观结合起来研究,给出一个新的差别矩阵的定义和求核方法.     

基于区分矩阵求决策算法的约简

利用区分矩阵的特点，给出了另一种求决策表的属性约简与属性核、决策规则的约简与核的方法，进而给出了一种求决策算法约简的方法，这种方法简单易行，尤其在求决策规则约简时更体现了它的优越性。     

基于差别矩阵属性约简算法的改进

利用差别矩阵计算约简的算法,具有直观、易理解和完备性的特点,但也存在一定缺点,差别矩阵中存在大量冗余元素,这类元素的生成和存储将造成时空上的浪费.文章给出的算法在生成差别矩阵时,判断其元素是否冗余,若是冗余立即约去它,从而提高属性的约简效率.实例表明,该算法是正确和有效的。     

一个改进的决策信息系统求核算法

通过刻画决策信息系统的核属性,为张文修等学者的著作中关于决策信息系统的核属性集与其可辨识矩阵中单元素集相等的结论补充了证明.然后,针对该著作中给出的基于可辨识矩阵的求属性核算法具有较高的计算复杂性,文中提出了一种改进的决策信息系统求属性核算法,并证明了它的正确性.改进后算法的计算量随决策信息系统不协调程度的增加而减少.     

基于Skowron分明矩阵的有效属性约简算法

为降低基于Skowron分明矩阵属性约简算法的复杂度,提出了简化分明矩阵及其相应属性约简的定义,并证明了基于简化分明矩阵的属性约简与基于原分明矩阵的属性约简等价.在简化决策表的基础上,定义了一个函数,该函数能度量条件属性在简化分明矩阵中出现的频率,并给出了计算该函数的快速算法,其时间和空间复杂度均为O(|U/C|).用该函数设计了一个有效的基于原分明矩阵属性约简算法,算法的时间复杂度降为O(|C||U|)+O(|C|2|U/C|),空间复杂度降为O(|U|);并用实例证明了算法的有效性.     

一种基于二进制分辨矩阵的属性约简新算法

决策表的属性约简是粗糙集理论中的关键问题之一,高效启发式约简算法有待深入研究。基于二进制分辨矩阵,定义“加权重要度”来度量属性相对重要性;这一概念综合利用分辨矩阵行和列2个方向的特征,将其集成为一个归一化的概念,因而在排序过程中能有效避免从行、列2个方向独立排序。基于“加权重要度”概念,提出一种新的启发式属性约简算法;仿真实验结果表明,与参考算法相比,新算法有效缩短了运行时间,更有可能获得系统的最优约简。     

不相容决策表属性约简计算的一个可辨识矩阵方法

基于Skowron可辨识矩阵求属性约简的分辨函数方法只适合于相容的决策表,对于不相容的决策表,该方法可能产生错误的结果.对Skowron方法进行改进,提出一个计算不相容决策表属性约简的可辨识矩阵方法,并给出方法正确性的证明.     

基于可辨识矩阵的属性频率约简算法

阐述了粗糙集理论的基本概念,知识约简是粗糙集理论研究的核心内容之一,将可辨识矩阵中出现次数多少作为属性重要性的判断依据.算法求取的是所有约简结果中的某一个或某一些f当某两个条件属性出现频率相同时)结果,当信息系统的复杂程度较高时,其求解的复杂度大大小于原来的约简方法.     

基于修正差别矩阵的高效属性约简算法

为降低基于修正差别矩阵的属性约简算法的复杂度,给出了基于修正差别矩阵的简化差别矩阵,证明了基于该简化差别矩阵的属性约简定义与基于原修正差别矩阵的属性约简定义是等价的.在此基础上设计了一个基于简化差别矩阵的属性约简算法,其空间和时间复杂度分别被降为O(|C|(|U'pos||U/C|))和max{O(|C|2(|U'pos||U/C|)),O(|C||U|log|U|)}.实例说明:用新算法进行属性约简,不仅减少了计算量,而且减少了存储空间,因而是一种高效的属性约简算法.     

基于区分矩阵的属性约简算法改进策略

针对大容量数据表构造的区分矩阵过于庞大致使属性约简算法效率低的问题,引入置信度和支持度,提取大型数据库中的高概率事件,重新构造决策数据表,并在构造区分矩阵过程中剔除重复项和包含项,结果使得比较次数减少、存储空间节省、约简效率提高。     

A Method for Data Classification Based on Discernibility Matrix and Discernibility Function

0 IntroductionDiantga .cl Dasesciifsiicoanti otrneies r aengr ie smspioornta,n Bta yperosibalnem claisnsi dfiactaati omnin&-Bayesian network, decision tree[1], neural network andSVM[2 ,3]are the technologies of data classificationin commonnow. They have extensively appliedin machine learning,ex-pert systemandstatistics etc .Inthese methods ,the most tra-ditional method is C4 .5[1]based on information entropy,which had extensively applied in practical problems . But themain problemof this me…     

一种基于粗集的决策表求核算法

决策表是粗集理论的处理对象,其核属性的计算往往是决策信息约简过程的出发点和关键.大多数决策表的求核方法是基于差别矩阵的,具有较高的时间复杂度和空间复杂度.基于区分表,提出一种效率更高的计算核属性的算法,并验证了算法的正确性.