基于属性重要度的变精度邻域粗糙集属性约简算法

论文摘要

邻域粗糙集理论主要用于知识发现、属性选择、决策分析和数据挖掘等领域,能够根据数据的特点选择合适的离散化策略,在处理模糊和不确定性知识方面表现良好。但是,传统粗糙集属性约简算法存在难以确保获得约简、约简后的粗糙集属性识别准确率低等不足。对此,文中提出了一种基于属性重要度的属性约简算法。在充分考虑现有条件信息熵多方面不足的基础上,借鉴变精度邻域粗糙集理论对阈值参数进行重选,以新的条件信息熵作为度量基准,根据决策信息系统中的偏好属性推导出偏好决策规则集。对偏好决策规则集进行粗糙规则提取,并通过邻域粒化方法建立了变精度邻域粗糙集模型。该模型在处理大规模粗糙集属性数据时,计算时间较长,冗余属性过多。针对该问题,给出了一种属性重要度评价策略,在此基础上通过融合多叉树理论设计了变精度邻域粗糙集属性约简算法。实验结果表明,与传统方法相比,所提算法的属性识别准确率为92%,提高了10%左右,这充分验证了所设计的属性约简算法具有较强的有效性和较高的应用价值。

论文目录

• 1 引言
• 2 属性约简算法
•   2.1 基于模糊决策系统的变精度邻域粗糙集
•     1)最终构建一系列规则
•     2)生产决策语法规则
•   2.2 基于属性重要度的粗糙集属性约简
•   2.3 融合多叉树的粗糙集属性约简算法
• 3 仿真实验与结果分析

文章来源

类型: 期刊论文

作者: 郑文彬,李进金,何秋红

关键词: 属性重要度,变精度邻域,粗糙集,属性约简,多叉树

来源: 计算机科学 2019年12期

年度: 2019

分类: 信息科技

专业: 自动化技术

单位: 闽南师范大学计算机学院,福建省粒计算及其应用重点实验室(闽南师范大学),闽南师范大学数学与统计学院

基金: 国家自然科学基金项目(11871259),国家自然科学青年基金项目(11701258),福建省自然科学基金项目(2019J01749)资助

分类号: TP18

页码: 261-265

总页数: 5

文件大小: 206K

下载量: 381