一般二元关系下的关系决策系统属性约简

文献[Wang C Z,Wu C X,Chen D G.A systematic study on attribute reduction with rough sets based on general binary relations.Information Sciences,178(2008),2237～2261]将基于经典粗糙集上的属性约简模型推广到基于广义粗糙集模型上,给出了关系决策系统中属性约简的判定定理和辨识矩阵.但是在属性约简模型中,支撑域的界定使模型的一般性受到限制.本文通过重新定义决策域的正域,给出了改进的决策系统属性约简判定定理和辨识矩阵,并对约简性质进行研究,实现关系决策系统基于正域的属性约简.     

基于k-means聚类与粗糙集算法的指标筛选方法研究

针对多属性决策中指标的信息重复和不确定性问题,提出了一种基于改进的k-means聚类与粗糙集算法相结合的指标筛选方法。首先,定义样本的空间分布密度,实现初始聚类中心优化的k-means算法,对连续型指标进行离散化处理;然后利用粗糙集的相对约简原理进行指标约简,删除存在信息重复的冗余指标,并结合绿色经济指标体系构建的案例验证了该方法的合理性和有效性。     

基于粗糙集的突发事件属性约简方法

针对突发事件不完备信息系统中的原始数据存在大量属性冗余的问题,提出一种基于粗糙集的不完备信息系统属性约简方法,以剔除冗余属性,提高知识清晰度。首先对缺失、冗余、噪声以及连续型数据进行预处理;然后进行属性分类,将属性分为条件属性与决策属性,进而建立决策表;最后根据决策表的特征,结合有序加权平均算子的思想,提出一种基于属性重要度的启发式属性约简算法。文末,通过实例验证了方法的正确性与有效性,并利用该方法实现了火灾数据的属性约简。     

基于模糊粗糙集极大差别对的增量属性约简

属性约简是模糊粗糙集理论的重要研究内容,它能够删除冗余的属性,保留数据集中的关键信息.本论文旨在给出动态数据信息下的属性约简方法.基于模糊粗糙集模型中的极大样本差别对,给出了当样本发生变化时的增量属性约简算法.首先引入了增加一个样本时的约简更新机制,通过更新极大差别对,提出了相应的属性约简算法,基于此,给出了增加多个样...     

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.     

区间值优势关系系统中属性约简及规则提取方法北大核心

本文以包含偏序关系的区间值决策系统为研究对象,对连续属性值进行模糊化处理,构造一种模糊优势关系粗糙集模型,并讨论了其相关性质。基于新模型提出一种不确定性度量-模糊粗糙熵,并以此为启发信息构造一种启发式约简算法,同时给出了该算法的时间复杂度分析结果。由该算法所得到的决策规则集具备较高的准确度和覆盖度,从而保证了数据预测、分类的准确性和合理性。通过实例分析,证明该算法是区间值优势关系系统中规则获取的有效方法。     

基于近似分类质量及特异度的属性约简算法的部分改进

对基于近似分类质量及特异度的属性约简算法做了部分改进。主要解决已有算法的如下问题:当几个属性集合的近似分类质量或特异度相等、且其对应的属性组合数目也相等时,以前的算法无法分辨、只能随机选择。本文通过引入两个新的评判指标,当遇到前述问题时,计算这两个指标可以在一定程度上分别做出进一步筛选。数据结果表明,改进后算法能较快找到约简,提高了约简速度。     

集值决策表基于邻域关系的属性约简

集值信息系统是完备信息系统的广义形式,它当中的一些对象在某些属性下的取值可能不止一个,反映的是信息的不确定性.本文在集值信息系统上引入对象的邻域关系,并以每个对象的邻域作为基本集,建立了集值信息系统的粗糙集方法.为了简化的知识表示,我们进一步讨论了邻域协调集值决策表的正域约简与邻域不协调集值决策表的近似分布约简,给出了正域约简与近似分布约简的等价刻画条件,并借助区分函数给出了计算正域约简与近似分布约简的方法.     

基于模糊区分矩阵的增量属性约简

在实际应用中,决策系统的属性集可能随时间而变化。如何有效地更新约简成为数据挖掘中的重要任务之一。当属性集发生变化时,经典约简算法需要重新计算整个数据。而增量学习充分利用了现有的约简信息,避免了大量的重复计算,从而提高了计算效率。本文针对属性增加和减少的动态数据研究了增量属性约简方法。首先分别设计了属性增加和减少时模糊区分矩阵的更新机制;然后提出了新的属性增加的属性约简算法AIFDM和属性减少的属性约简算法ADFDM.最后,实验结果表明所提的增量算法能够有效的根据属性的增加和减少更新约简,且计算效率提升约1至4.9倍。     

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.     

基于可辨识矩阵的模糊目标系统决策约简算法

在模糊目标信息系统决策约简和可辨识矩阵定义的基础上,讨论了可辨识矩阵的性质以及与决策约简集之间的关系.同时定义一种新的属性重要度,并将此作为启发式信息,设计了一种模糊目标决策信息系统最小决策约简算法,通过实例验证该算法简捷、有效.     

基于直觉模糊相似关系下的粗糙集属性约简

描述了直觉模糊相似关系下的粗糙集模型,并在此基础上了定义了正域,依赖度与非依赖度的概念,提出了运用直觉模糊集合理论的粗糙集属性约简算法.最后,用实例证明了该算法的可行性.     

基于RS和SVM的动态供应链成员选择算法

良好的成员选择方法是动态供应链平稳运行的重要基础,针对动态供应链成员选择时面临决策属性多且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的动态供应链成员选择算法,核心是应用粗糙集进行属性约简,然后结合支持向量机进行链上成员分类.方法在保证不会降低分类性能的前提下,达到降低数据维数和分类过程中复杂度的目的.     

基于粗糙集理论的知识约简及应用实例

在保持分类能力不变的前提下 ,通过利用粗糙集理论中的知识约简方法 ,在保护知识库分类不变的条件下 ,删除其中不相关或不重要的知识 ,从而导出问题的决策 .利用基于决策表的粗糙集模型算法 ,实例分析如何数字化表示决策表 ,并对其进行属性约简和属性值的约简 ,从而提取决策规则 .     

基于粗糙集理论的数据挖掘法在房地产选址决策中的应用

通过构建粗糙集BP神经网络模型,对影响房地产选址决策的指标进行约简,提取影响选址评价的主要指标因素用属性约简算法约简,将降维后的数据送入网络进行学习和训练,最后用训练好的的网络检验测试样本.模型使学习训练的速度和识别率提高了,为房地产企业在房地产选址决策中提供了一种更为有效和实用的新方法.     

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...     

不完备直觉模糊信息系统的属性约简

利用优势关系,可对完备直觉模糊信息系统与决策信息表进行属性约简.将优势关系改进为广义优势关系,在此基础上构建了不完备直觉模糊信息系统与决策信息表的辨识矩阵,得到了求解属性约简与相对约简的具体方法.     

决策系统属性约简的双向算法

提出了决策系统中对象约简的新思想,即在搜索属性约简的同时不断地缩小论域;并设计了一个采用增量式方法计算决策系统的双向约简算法;分析了算法的时间复杂度,最后用一个实例说明了算法的可行性与有效性.     

决策信息系统的变换及其变换规则形式化

传统的粗糙集分类、约简、规则挖掘方法处理的对象是某个时间点上的静态信息系统,因而获得的知识也是静态的.实际上信息系统通常表现为易变性和过程性,为了挖掘决策信息系统动态变换的趋势和规则,本文扩展了粗糙集中传统的分类、约简、规则挖掘的应用模式,提出决策信息系统基于时间序列单步和过程变换模型, 建立面向决策信息系统变化趋势的类划分机制和相应的语义,对条件属性变迁与决策属性变迁的相关性进行研究,并给出变换规则的形式化表示.