导读:本文包含了属性区分能力论文开题报告文献综述及选题提纲参考文献,主要关键词:布尔矩阵,条件区分能力,属性约简,完备算法
属性区分能力论文文献综述
冯卫兵,张梅[1](2016)在《基于核与改进的条件区分能力的反向删除属性约简算法》一文中研究指出粗糙集理论的布尔矩阵表示形式具有直观、易于理解的优点,它的引入为研究粗糙集的理论提供了一个新的思路。在对布尔矩阵性质研究的基础上,针对已有的基于布尔矩阵算法没有考虑到核属性在浓缩布尔矩阵时的重要性的不足,将属性重要性与改进的条件区分能力相结合,提出基于核与改进的条件区分能力的属性约简算法,借助反向删除确保约简集的完备性。实例表明改进后的算法在条件区分能力上更加准确,并且使约简结果更具有较强的完备性。(本文来源于《计算机应用与软件》期刊2016年05期)
朱红,丁世飞[2](2016)在《基于属性区分能力和AP聚类的属性粒化方法》一文中研究指出提出了一种基于属性区分能力和AP聚类的属性粒化方法(Attribute Granulation based on attribute discernibility and AP algorithm,AGAP)。该方法首先依据属性依赖度计算属性的区分能力;然后将所有属性作为潜在的聚类中心,使用AP算法聚类,得到若干个属性簇类;最后采取选用代表属性的方法得到较粗的属性粒子,从而达到属性粗粒化的要求。对高维数据的特征降维,这种算法比传统的属性约简算法大大提高了运算效率,在属性粒化精度要求不是很严格的情况下,所提算法优势明显。(本文来源于《计算机科学》期刊2016年02期)
杨丽,李龙澍,纪霞,姚晟[3](2015)在《决策表的区分能力属性约简算法研究》一文中研究指出属性约简是粗糙集理论的一个核心内容,现有的基于区分能力属性约简算法的时间复杂度较高,为此,提出改进的基于区分能力约简算法.针对决策表,引入相对知识量的概念对条件属性的区分能力进行量化,利用等价类基数递归计算相对知识量,并简化其计算过程,最后利用相对知识量作为启发信息进行属性约简.文中提出两种基于区分能力的属性约简启发式算法,一种是以决策表的相对知识量作为结束条件,另一种是以动态约简集的相对知识量改变与否作为结束条件.数值算例和实验结果表明,本文提出的两种算法是正确的、高效的.(本文来源于《小型微型计算机系统》期刊2015年06期)
杨丽[4](2015)在《决策表的区分能力属性约简算法研究》一文中研究指出粗糙集理论是波兰着名教授Z.Pawlak于20世纪80年代初提出的一种新型数据分析工具,对于海量数据难题,可以有效地分析处理其中不一致、不完备以及不确定的信息,简化数据系统的同时获取有效的决策。属性约简是粗糙集理论的核心内容,也是知识发现和决策研究的重要基础,其基本思想是在保持知识库的分类能力不变的前提下,约去其中冗余、错误或者不需要的知识。SKM.Wong等人已经证明获取信息表的最优约简或全部约简是NP难题,因此如何优化属性约简算法,提高计算效率,降低时空复杂度,获取更优的约简结果,一直是粗糙集的主要研究课题。针对现有的基于区分能力属性约简算法的时间复杂度较高的这一问题,本文提出了改进的区分能力启发式约简算法。基于决策表,引入相对知识量的概念对条件属性的区分能力进行量化,通过等价类基数递归计算相对知识量,优化计算过程,最后利用相对知识量作为启发式信息指导属性约简过程。文中提出两种基于区分能力的属性约简启发式算法,一种是以决策表的相对知识量作为结束条件,另一种是以动态约简集的相对知识量改变与否作为结束条件。本文首先概要阐述粗糙集理论的研究背景和研究现状以及本文的研究目的意义;其次简单说明Pawlak经典粗糙集模型的基本思想和基本概念;再次系统分析目前经典的属性约简算法,包括基于正区域、属性重要度、信息熵和差别矩阵的四种属性约简算法,并比较它们的优缺点:最后详细介绍本文提出的两种改进的基于区分能力的决策表启发式属性约简算法,主要阐述算法理论背景,介绍算法思想,说明算法原理,描述算法流程,分析算法复杂度,并将算法应用于实例,进行实现和比较。本文的主要工作有:(1)引入相对知识量的概念对知识的区分能力进行量化。本文利用等价类基数递归计算相对知识量,首先计算条件属性的等价类划分,再计算其中每个子类相对于决策属性的等价类分类基数,根据相对知识量的概念,计算所有子类的相对知识量,最后迭加即得该条件属性的相对知识量。(2)本文利用相对知识量作为启发信息,提出了两种改进属性约简算法,分别为基于区分能力的添加属性约简算法和基于区分能力的更新属性约简算法,提高了算法效率。一是以决策表的相对知识量作为结束条件;一是以约简过程中动态约简集的相对知识量改变与否作为结束条件。(3)针对UCI数据集,实现本文两种改进算法,并进行分析比较,说明了本文提出算法的有效性。基于区分能力的添加属性约简算法适应于约简后的条件属性数目与原始条件属性数目差距较大的情况,而更新属性算法适应于数目相差不大的情况。(本文来源于《安徽大学》期刊2015-05-01)
冀素琴,石洪波,吕亚丽[5](2015)在《基于粒计算与区分能力的属性约简算法》一文中研究指出传统的属性约简方法将整个数据集一次性装入内存,很难适应大数据背景下的数据分析.为此文中提出基于粒计算与区分能力的属性约简算法.该算法运用统计学中的分层抽样技术,拆分原始大数据集为多个样本子集(粒),在每个粒上运用属性的区分能力进行属性约简,最后将各粒约简结果进行加权融合,得到原始大数据集的属性约简结果.实验表明该算法对海量数据集进行属性约简的可行性和高效性.(本文来源于《模式识别与人工智能》期刊2015年04期)
黄国顺,曾凡智,陈广义,文翰[6](2012)在《基于区分能力的HU差别矩阵属性约简算法》一文中研究指出将决策表属性区分能力大小与HU差别矩阵结合起来,建立起属性区别能力与该属性在HU差别矩阵中出现次数之间的关系.提出与HU差别矩阵属性约简相适应,只依赖于等价类基数计算的属性区分能力计算公式,得到HU差别矩阵约简的属性区分能力判定定理.定义了以属性区分能力为基础的属性相对重要性概念,提出以相对重要性为启发式信息的HU属性约简算法.由于该算法不必构造差别矩阵,只依赖于等价类基数的计算,从而大大提高了算法效率.数值算例和实验结果表明,该算法更有利于最优或次优约简结果的搜索.(本文来源于《小型微型计算机系统》期刊2012年08期)
曾凡智,卢炎生,黄国顺[7](2008)在《基于区分能力大小的决策表属性约简算法(英文)》一文中研究指出The attribute reduction algorithms of decision table based on discernible matrix are required to construct discernible matrix, which reduces effciency of algorithms.In this paper, the relationship between attribute discernible matrix and its discernibility is first established for general information systems.Based on the idea that the equivalent discernible matrix has a same attribute reduction, existing matrices are modified and a formula of attribute discernibility associated with algebraic reduction for decision table is proposed.A heuristic attribute reduction algorithm based on attribute discernibility is presented.Experimental results indicate that the algorithm can more easily explore an optimal or sub-optimal reduction, and is effcient.(本文来源于《Journal of Shanghai University(English Edition)》期刊2008年06期)
属性区分能力论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
提出了一种基于属性区分能力和AP聚类的属性粒化方法(Attribute Granulation based on attribute discernibility and AP algorithm,AGAP)。该方法首先依据属性依赖度计算属性的区分能力;然后将所有属性作为潜在的聚类中心,使用AP算法聚类,得到若干个属性簇类;最后采取选用代表属性的方法得到较粗的属性粒子,从而达到属性粗粒化的要求。对高维数据的特征降维,这种算法比传统的属性约简算法大大提高了运算效率,在属性粒化精度要求不是很严格的情况下,所提算法优势明显。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
属性区分能力论文参考文献
[1].冯卫兵,张梅.基于核与改进的条件区分能力的反向删除属性约简算法[J].计算机应用与软件.2016
[2].朱红,丁世飞.基于属性区分能力和AP聚类的属性粒化方法[J].计算机科学.2016
[3].杨丽,李龙澍,纪霞,姚晟.决策表的区分能力属性约简算法研究[J].小型微型计算机系统.2015
[4].杨丽.决策表的区分能力属性约简算法研究[D].安徽大学.2015
[5].冀素琴,石洪波,吕亚丽.基于粒计算与区分能力的属性约简算法[J].模式识别与人工智能.2015
[6].黄国顺,曾凡智,陈广义,文翰.基于区分能力的HU差别矩阵属性约简算法[J].小型微型计算机系统.2012
[7].曾凡智,卢炎生,黄国顺.基于区分能力大小的决策表属性约简算法(英文)[J].JournalofShanghaiUniversity(EnglishEdition).2008