排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
将三支决策与密度敏感谱聚类结合,提出了一种基于三支决策的密度敏感谱聚类算法。该算法通过在密度敏感谱聚类的聚类过程引入容差参数得到每个类的上界,然后通过扰动分析算法从上界中分离出核心域,上界和核心域的差值被认定为该类的边界域。聚类结果用核心域和边界域来表示每个类簇,可以更全面地展示数据的结构信息。与传统的硬聚类算法在UCI数据集的实验结果相比较,本文使用核心域计算聚类的评价指标DBI、AS和ACC都有所提升,较好地解决了不确定性对象的聚类问题。 相似文献
2.
以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象,根据特征关系讨论了其中的知识约简问题.在不完备决策系统中,引入了近似分布约简的概念并给出了相应的判定定理与辨识矩阵,为从复杂的不完备系统中获取知识提供了新的理论基础与技术手段. 相似文献
3.
该文从多视角考虑粗糙近似逼近问题,讨论了邻域系统粗糙集模型的性质.将邻域系统粗糙集模型与两种重要的广义粗糙集模型,即可变精度粗糙集和多粒度粗糙集进行了对比分析,分别根据分类错误率和多粒度构建了不同的领域系统.该文研究结果证明了可变精度粗糙集模型和多粒度粗糙集模型是邻域系统粗糙集模型的特例,邻域系统粗糙集模型是一种更为广义的粗糙集表现形式. 相似文献
4.
属性约简是粗糙集理论研究的核心内容。目前已有的研究成果往往是根据分类性能、代价或不确定性等一些度量来定义及求解约简,并未充分考虑数据扰动有可能对约简结果产生的波动影响。为解决这一问题,提出了一种可以求解稳定约简的启发式算法框架:首先,在全体样本集上利用多次聚类进行多重采样以得到若干边界样本集合;其次,利用集成策略,对每一个属性在所有边界样本集合上求得的重要度进行融合;最后,选择重要度较高的属性加入到约简集合中。在8个UCI数据集上将新算法与传统算法进行对比分析,实验结果表明当数据发生扰动时,所提出的方法不仅能够有效地提升求解约简的时间效率与约简结果的稳定性,而且依据约简所求得分类结果的稳定性也有显著增强。 相似文献
5.
利用近似质量作为度量标准,借助启发式算法求解约简,其本质是根据近似质量的变化情况来找出冗余属性,但这一方法其并未考虑每一个决策类别所对应的下近似集合在约简前后的变化程度.鉴于此,提出了一种基于类别近似质量的属性约简策略,其目标是使得每一个类别的近似质量都满足约简的约束条件.借助邻域粗糙集模型,在UCI数据集上将传统约简策略与类别近似质量约简策略进行了对比分析,实验结果不仅验证了类别近似质量约简策略的有效性,而且表明这种策略依然能够满足传统约简的约束条件. 相似文献
6.
传统邻域粗糙集需指定半径或通过搜索方式找出适用于问题求解的半径,这在数据预处理过程中会带来极大的时间消耗.而粒球粗糙集方法则能够依据数据分布,自适应地生成合适的粒结构.以粒球的纯度为度量准则,粒球粗糙集方法亦为属性约简问题的研究引入新的思路.利用前向贪心搜索求解约简时,需尝试计算每一个候选属性被加入约简池后所引起的粒球... 相似文献
7.
八旋翼微型飞行器的不确定性导致很难获得稳定的控制。鉴于此,提出一个稳定的八旋翼微型飞行器的姿态控制策略以适应系统的不确定性因素和外部干扰。首先,采用区间二型模糊神经网络来逼近八旋翼微型飞行器动力学模型中的非线性和不确定性函数。然后,用李诺夫稳定性定理证明闭环系统的渐近稳定性,并利用对区间二型模糊神经网络和滑模控制增益进行在线调整。仿真结果表明,基于区间二型模糊神经网络的自适应滑模控制器能够保证在不确定性因素和有外部干扰的情况下保证八旋翼微型飞行器控制系统的良好性能,与传统的自适应滑模控制器及基于区间一型模糊神经网络的滑模控制器相比,性能显著提高。 相似文献
8.
将数字图像处理中模糊锐化算子与三支聚类进行结合,提出了一种基于图像处理的三支聚类算法。该算法通过逆多元二次核函数将数据集的密度量化为灰度值,对数据总体采用模糊与锐化操作,提取锐化后灰度值较高的数据区域,将低密度区域从原始数据中删除。对灰度值较高的数据采用传统的聚类算法得到不同的类簇,然后对每个类簇利用图像模糊算子得到类簇的核心域,锐化算子得到类簇数据边界域,从而获得每个类簇的三支表示。试验采用不同的UCI数据集,通过比较聚类指标Adjusted Rand Index(ARI),Normalized Mutual Information(NMI)和Adjusted Mutual Information(AMI),验证了该聚类算法的有效性。 相似文献
9.
以同时具有丢失型和遗漏型未知属性值的不完备系统为研究对象,根据特征关系讨论了其中的知识约简问题.在不完备决策系统中,引入了近似分布约简的概念并给出了相应的判定定理与辨识矩阵,为从复杂的不完备系统中获取知识提供了新的理论基础与技术手段. 相似文献
10.
为了进一步提高约简求解的效率,该文在桶模型的基础上,从数据中属性间的相似性程度出发,将属性划分为不同的簇,使得在约简的搜索进程中,只需以属性簇为基准进行候选属性的筛选即可达到压缩属性搜索空间的目的。实验结果表明,无论是采用传统的邻域计算或是基于桶模型的邻域计算,在不降低分类性能的前提下,基于属性簇的搜索策略都能显著降低求解约简的时间消耗。该文研究可从样本和属性两方面为约简求解加速提供参考。 相似文献