属性约简是粗糙集理论的核心问题之一,针对求取决策表所有决策约简集的NP问题,化繁为简将问题转化为对象动态增加下的决策约简求取问题。在深入分析了可辨识矩阵中可辨识集的特点及相互关系的基础上,优化改进决策辨识矩阵:①两对象之间不作逆向比较;②将决策可辨识矩阵列简化为属性等价类;③正域等价类作为决策可辨识矩阵的行,分情况给出了新决策表求取所有决策约简集的极小析取范式属性约简方法。该方法统一解决了相容和不相容决策表所有决策约简集的求取问题,最后通过实例分析验证了算法的可行性与有效性,为决策表的属性约简提供了一条高
2022-03-14 15:55:20
653KB
1
目前计算不一致决策表的分布约简、 最大分布约简和分配约简的方法均基于可辨识属性矩阵, 在大数据集下耗时较多.为此, 提出转化算法, 将计算原不一致决策表的上述3 种约简转化为计算3种一致决策表的Pawlak约简.通过应用针对后者的高效启发式算法,有效地减少了计算时间.此外,引入λ-约简的概念, 通过调节λ 的值, 能得到一族反映决策矢量不同水平相似程度的知识约简.该方法降低了分布约简对决策表区分能力的过高要求, 较上述3种约简更为灵活.
2021-12-14 15:35:16
341KB
1
提出了一种基于模糊决策属性依赖度的属性相对约简算法。该算法利用粗糙集理论分析的方法，通过在知识表达系统中引入模糊决策属性依赖度的概念，来描述由条件属性所提供的知识对整体决策的依赖程度，并通过模糊决策属性依赖度定义了条件属性对模糊决策属性的相对重要性，以此作为启发式信息，可以方便地求出相对核，再以相对核作为求解最小相对约简的起点。按重要性的不同逐次选择重要属性添加到相对核中，直至其依赖度达到整体条件属性依赖度时为止。
2021-12-06 11:07:52
510KB
1
针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测(CODHD-Stream)算法.该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的K-means聚类算法将数据集划分成微聚类,并检测微聚类的离群点.通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度.
2021-11-21 16:30:45
4.32MB
1