属性约简（Attribute reduction），又名特征选择，就是剔除冗余属性或冗余特征，起到降维作用，它是机器学习与模式识别等诸多领域中的重要研究课题。粗糙集（Rough Set）理论是一种刻划不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等各种不完备信息，其主要研究属性约简和规则提取。为此，基于粗糙集的属性约简技术研究成为当今研究热点。本报告根据自己所做的相关工作和发表的相关论文，主要讲解基于属性重要性的属性约简、基于属性相似度的属性约简和基于进化计算的高维属性约简等内容。
2021-05-06 13:10:14
1.17MB
1
为了提高基于群体智能的粗糙集最小属性约简算法的求解质量和计算效率,提出一个结合长期记忆禁忌搜索方法的粒子群并行子群优化算法.并行的各子群不仅具有禁忌约束,而且包含多样性和增强性策略.由于并行的子群共同陷入局部最优的概率小于一个粒子群陷入局部最优的概率,该算法可提高获得全局最优的可能性,并减少受初始粒子群体的影响.多个UC I数据集的实验计算表明,提出的算法相对于其他的属性约简算法具有更高的概率搜索到最小粗糙集约简.因此所提出的算法用于求解最小属性约简问题是可行和较为有效的.
2021-04-22 12:08:18
896KB
1
本文在介绍粗糙集理论的基础上,给出粗糙集
理论在数据挖掘中的应用,属性约简的启发式算法,
通过一个实例说明了算法的有效性
2021-04-20 14:34:26
25KB
1
针对粗糙集理论中的属性约简问题做了探讨研究。从寻找属性约简的角度,首先描述了决策表中的属性的重要性,并利用已求得的正区域使处理数据的范围不断缩小,约简集中的属性从核集开始,通过向属性核添加重要性最大的属性,得到属性的最小相对约简。从而减少求约简的时间。最后进行实证,该算法同传统的算法相比,在计算量减少的同时能得到更简约的结果,证明了该算法的正确性和可行性。
2021-04-20 14:26:31
179KB
1
属性约简是粗糙集理论研究的重要内容。传统的基于差别矩阵的属性约简方法只能处理一致决策表，改进的差别矩阵针对决策表中一致和不一致的对象做不同的处理，从而解决了这一问题。浓缩布尔矩阵进一步节省了矩阵的存储空间并提高了矩阵的生成效率，从而可以快速计算得到约简。在此基础上，结合变精度的思想把部分不一致对象合理地加入到一致对象的集合中，瓜、而增加了一致数据的信息量，并通过使用浓缩布尔矩阵有效降低了约简的计算消耗。实验表明，所才是方法在运行速度和分类精度方面均表现出了优势。
2021-03-14 19:09:57
801KB
1