基于粗糙集和混合聚类法的决策表约简算法

在分析粗糙集理论、分层聚类算法和k-means聚类算法的基础上,提出一种基于粗糙集和混合聚类法的决策表约简算法,该算法首先是使用基于分层聚类的k-means混合聚类法离散化决策表中的连续属性,然后利用粗糙集理论对离散后的决策表进行属性约简,得到决策规则集,并通过在铁路客运量预测系统中的应用验证了算法的可行性和有效性.     

一种知识距离的集值信息系统属性约简算法

在研究集值信息系统和知识距离性质的基础上,提出了一种基于知识距离的集值信息系统属性约简算法.该算法首先利用知识距离来描述知识间的差距,进而度量集值信息系统模型的划分和知识粒度的大小,然后根据知识距离的性质有效的判定集值信息系统模型的宽松度和属性重要性.最后通过理论分析和实例的结果表明,该算法降低了时空复杂度,从而提高了算法的运行效率.     

基于粗糙集理论的模型结构选择与知识发现

为了合理选择决策模型，提出了一种基于粗糙集理论获取模型选择知识并利用获取的知识选择模型的方法．通过随机设定模型参数，得到备选模型的属性值为连续值的决策表；通过设定误差范围，获得决策表中对象之间的关系；利用该关系和粗糙集理论，对决策表进行属性约简，获得决策规则；按该决策规则进行推理，实现智能决策的模型选择．实例表明，该算法是可行的。     

用粗集理论挖掘项目审查(评估)中的专家共识

为了改进现有的评估方法。在项目审查(评估)中，采用基于决策表的粗糙集模型算法。从众多专家的决策中找到潜在地存在于各个决策中的、公认的决策共识作为项目审查的依据和最终结果．应用该算法可以找出条件属性集中对决策最为重要的影响因素，确定实际应用中的数据采集规则．提出采用条件属性集的约简作为新的条件属性集的方法，以降低决策的复杂性，防止决策者个体的舞弊行为．     

一种改进的最小属性约简算法

最小属性约简是粗糙集理论中的一个重要内容,通过对属性约简算法的研究,指出基于U/{a}划分的最小属性约简算法中的不足,并提出了一种改进的最小属性约简算法.该算法以基于等价类的方法对论域进行压缩,有效地降低了算法的空间复杂度,用基于核的方法求解最小约简,从而保证可获得最小约简.实验结果表明,该算法具有复杂性低、存储空间小和效率高的特点,是一种有效的最小属性约简算法.     

基于评价指数的属性约简算法

从粗糙集理论出发,提出可分辨关系和对象差异矩阵的概念,并以此为基础构造出基于评价指数的属性约简算法.算法采用自底向上的方法,利用属性的评价指数作为启发式信息,求得属性集合的约简.在多个UCI数据集上进行试验,理论分析和实验数据表明,文中提出的属性约简算法是有效、可行的,具有较高的效率.     

基于评价指数的属性约简算法

从粗糙集理论出发,提出可分辨关系和对象差异矩阵的概念,并以此为基础构造出基于评价指数的属性约简算法.算法采用自底向上的方法,利用属性的评价指数作为启发式信息,求得属性集合的约简.在多个UC I数据集上进行试验,理论分析和实验数据表明,文中提出的属性约简算法是有效、可行的,具有较高的效率.     

属性序下的增量式Pawlak约简算法

为了对动态变化的决策表进行属性约简处理,在给定的属性序下,提出了一种基于分辨矩阵元素集的增量式Pawlak约简算法.该算法根据新增对象的不同情况快速更新分辨矩阵元素集,并依据其元素的变化,在给定属性序下快速更新Pawlak约简.实例和仿真实验结果表明,该算法是有效、可行的,与非增量式算法相比,效率平均提高91.4%.     

基于Rough熵的决策表约简算法研究

知识约简是Rough 集理论研究中的核心内容之一,已证明求决策表的最小约简是NP-hard问题,解决办法一般是采用启发式算法.本文分析了信息熵在Rough集理论中的应用,利用Rough熵定义了决策表中条件属性的相对重要度,讨论了其性质,在此基础上提出了一种用于计算决策表中的相对约简的启发式算法.     

改进可辨识矩阵的启发式知识约简及规则算法

首先提出了改进可辨识矩阵,然后对属性重要性进行了重新定义,并且将模糊聚类应用于属性重要性划分,从而在此基础上提出了一种启发式知识约简及决策规则提取算法.给出了新的不相容率的概念,用于描述知识数据库中数据不相容特征和修正提取的决策规则的决策错误率.经过实验,该算法具有优良的性能.