一、基于二进制可辨矩阵的属性约简启发式算法（论文文献综述）
黄丽萍[1]（2020）在《二进制辨识矩阵的属性约简及不必要属性的求解》文中认为针对现有二进制辨识矩阵的属性约简算法得不到最小约简且效率较低的问题,提出从行和列的角度对属性的重要度进行计算,求取属性约简,并在约简的过程中对辨识矩阵进行删减,提高了算法效率.在计算属性约简的过程中可以求得核属性、绝对和相对不必要属性.最后通过实例和实验证明,该方法的有效性和可行性.
段超[2]（2020）在《基于遗传算法和概率粗糙集的属性约简研究》文中研究说明粗糙集作为一种新型的数学工具用来处理一些不确定和不完整信息,利用集合中各属性之间的不可分辨关系,将系统中的信息更加简洁有效地表示出来,目前已经被应用到各个领域。经典粗糙集模型的假设分类必须是确定的,在实际应用中缺乏一定的灵活性,因而存在着很大的局限性,不能很好地处理含有干扰信息的数据。为此,众多学者在传统粗糙集的基础上引入概率阈值提出了概率粗糙集模型。属性约简是粗糙集理论研究中最主要的问题之一,从客观上来讲,冗余信息存在于各类知识决策系统当中,属性约简就是删除其中不相关的属性,对系统中的属性进行简化。所谓最小约简就是更加简明有效的属性决策规则,然而能否求出最小属性约简问题被证明是一个NP问题。要探寻一种合适的属性约简算法在日常生活中就显得尤为重要。本文针对概率粗糙集处理属性约简过程出现的不确定性,与遗传算法结合提高约简效率,对概率粗糙集属性约简进行更深入的研究,提出了两种属性约简算法,取得主要研究成果如下:1.针对基于概率粗糙集的启发式属性约简算法,必须在属性核的基础上计算所有属性添加和删除之后的概率近似精度的更新值,计算量大且所需存储空间多,导致效率低。基于此,提出改进近似精度和概率粗糙集属性的约简算法。该方法开始时计算每个属性的改进近似精度和属性重要度,不需要计算所有属性增删后的近似精度,根据属性重要度的大小顺序以及改进概率近似精度,并按这个顺序去掉属性约简中冗余的属性,从而得到最小属性约简。与原算法相比求解效率和约简准确度有了一定的提高。2.传统遗传算法和粗糙集结合进行的属性约简算法,其适应度函数存在一定的局限性,使得属性约简算法必须检查一个属性集合的所有子集。为了提高属性约简的精度和效率,结合遗传算法,提出了基于遗传算法和概率粗糙集的属性约简算法,初始化种群时用核属性加以限制初始种群个体编码的方式,计算适应度时加入修正算子,并且该方法改进原有的适应度函数,并将条件信息量作为判断依据,随时修正种群的进化方向,确保进化方向和种群的多样性,使得最后保留下来的最优个体即为最小属性约简。
唐静昕[3]（2020）在《序贯多类三支决策模型研究》文中指出作为传统二支决策的扩展,三支决策在处理不确定信息的决策问题中起到重要作用。三支决策引入了除接受决策和拒绝决策外的第三种决策,延迟决策。在信息不充分时做出延迟决策,能在很大程度上降低直接做出接受或拒绝决策带来的损失。三支决策对三种决策行为给出了合理的语义解释。其中,划分到正域中的对象表示做出接受决策,划分到负域中的对象表示做出拒绝决策,划分到边界域中的对象表示做出延迟决策。传统的三支决策主要关注二分类问题。但是,多类分类问题在实际应用中更为常见。例如,在医学诊断过程中,医生不仅要诊断患者是否患有某种疾病,还要诊断患者是多类疾病中哪种类型。因此,基于三支决策的多类分类问题引起了学者的广泛关注。然而,基于三支决策处理多类分类问题时,存在两个问题:一是,对于海量高维数据,基于三支决策处理多类分类问题的效率有待提高;二是,基于三支决策处理多类分类问题时,可能存在决策冲突,即对象划分到多个决策类的正域中。针对多类分类决策中的两个重要问题,本文的具体工作如下所示:（1）针对粗糙集中传统可辨识矩阵在构造过程中存在大量冗余元素的局限性,本文改进了构造可辨识矩阵的方法,在计算任意两个对象的区分信息之前,先判别它们在核属性上的取值是否一致,如果不一致则直接将对应元素项置为?,而不必再对其它条件属性进行判断,从而减少了矩阵中的元素项。基于可辨识矩阵,综合考虑每个条件属性占可辨识矩阵中非空元素项的比率与每个属性对区分对象的贡献程度,给出了属性加权重要度的概念。为了进一步减少可辨识矩阵中的冗余元素,提出基于属性加权重要度的改进差别信息树。最后,提出了基于改进差别信息树的属性约简算法,通过实验证实了算法的有效性。（2）针对三支决策处理多类分类问题时的决策冲突,目前主要有两种冲突解决策略:一种策略是决策后解决决策冲突,另一种策略是决策前解决决策冲突。考虑到决策冲突也是一种不确定性,而信息不充分是产生决策冲突的主要原因,因此本文结合序贯的方法,通过逐步添加更详细的信息来解决决策冲突问题,称之为决策过程中解决冲突的方法。本文将该决策冲突解决方法与三种多类分类方法相结合,提出了三种序贯多类三支决策模型,分别定义为“one-versus-rest”模型、“one-versus-one”模型和“one-versus-multiple”模型。其中,“one-versus-rest”模型采取的多类分类策略是将m分类转换为m个二分类,然后对m个二分类分别进行三支决策。“one-versus-one”模型采取的多类分类策略是选择任意两个类构成一个二分类,因此可以形成m（m-1）个二分类。然后对m（m-1）个二分类分别进行三支决策。“one-versus-multiple”模型采取的多类分类策略是直接同时对m分类进行三支决策。三个模型中具有决策冲突的对象都将在下一个粒度层上进行处理,只有可以做出明确决策且没有决策冲突的对象才能被划分到相应的决策类中。最后,本文比较了三种冲突解决策略的性能和所提三种模型的性能,通过实验验证了三种模型的有效性。
杨星星[4]（2014）在《基于二进制可辨矩阵的知识获取算法研究》文中研究说明随着科学技术的迅猛发展，数据库中存储的数据量越来越大，并且由于数据搜集能力有限等原因常常使得大量的数据是不完备的不可分辨的，从这些大量的杂乱无章的数据中获取隐含的模式化的规律变得日益重要。这使得知识获取成为了一个热门的研究问题。随着知识获取技术的日趋成熟，针对数据中存在的不可分辨的、不相容的、模糊不确定的信息，很多的知识获取算法与粗糙集理论、二进制可辨矩阵相结合。研究工作以粗糙集理论与二进制可辨矩阵为基础来处理不完备的不相容的数据集合，主要包括以下几方面内容：1、提出一种广义二进制可辨矩阵的概念和定义。知识获取包括属性约简和规则提取。以往的属性约简重点在基于经典粗糙集理论的完备信息系统，对于不完备信息系统的处理，有各种不同的扩充粗糙集模型被提出，然而对于多种扩充粗糙集模型用来进行属性约简尚没有统一的定义以及相对较成熟的方法。广义二进制可辨矩阵修正了传统二进制可辨矩阵，适用于完备决策表的不可分辨关系和不完备决策表的多种扩充粗糙集模型，能够使算法更具灵活性，为后续的完备决策表、不完备决策表的属性约简和规则提取提供了实现方法。2、提出一种改进的基于广义二进制可辨矩阵的属性求核算法。研究分析了属性求核的各种算法，发现基于二进制可辨矩阵求取属性核时存在不合理不精确的问题。即将二进制可辨矩阵中行中1的总数作为衡量和确定属性核的唯一标准，在处理信息系统时难免会造成产生的属性核的误差。改进的属性求核算法针对每个求得的核属性，使用统一的阈值过滤掉那些成为核属性的概率相对较小的属性。求得的核属性可以直接加入属性约简结果，而被滤掉的未成为核属性的属性还需按照属性约简的步骤，符合条件的属性才可能加入约简结果中。实验证明，算法具有较好的约简性能，可以提高后续属性约简的合理性与精确度。3、提出一种基于广义二进制可辨矩阵的属性约简和规则提取算法。基于对粗糙集模型和二进制可辨矩阵的研究分析，完备决策表是经典粗糙集理论的理想处理对象，然而，数据对象的模糊不确定不相容现象却是很常见。广义二进制可辨矩阵用于完备、不完备决策表的属性约简和规则提取，将更加精确，更具灵活性。通过对UCI数据的实例仿真，分析验证了广义二进制可辨矩阵用于完备、不完备信息系统属性约简算法和规则提取算法的有效性。综上所述，对基于粗糙集理论和二进制可辨矩阵相结合的知识获取算法的研究，为处理知识获取算法中的不完备不相容的问题提供了有利的支持，具有很好的理论价值与意义。
陈宸,赵军[5]（2013）在《一种新的基于二进制分辨矩阵的属性约简方法》文中研究表明对基于二进制分辨矩阵的属性约简算法进行深入研究,分析对比几种典型的属性约简算法的性能。在此基础上提出一种基于二进制分辨矩阵的启发式算法。该算法以矩阵的行与列两个方向的特征作为度量属性重要性的依据,更有可能获得决策表的一个最优约简。实验结果表明,该算法有效地提高了约简性能和识别率。
尹林子[6]（2013）在《不一致决策表数据处理方法研究》文中提出摘要粗糙集是一种处理不确定性信息的数学工具,通过求核属性集、属性约简以及规则提取等步骤,从原始数据集中提取有效的知识。然而,在不一致决策表数据处理过程中,粗糙集处理方法面临着不一致决策表核属性集的不一致问题,不一致决策表的多种处理流程在实际应用中的选择问题,以及最小约简计算的NP难题等问题的困扰。为克服上述问题对处理性能的影响,本文研究相关的解决策略,以提供一套较为系统的不一致决策表数据处理方法。主要研究工作和创新性成果如下：1,针对不一致决策表中核属性集计算方法多且结论不一致所导致的难以判断全部有效核集的问题,提出基于信息粒划分的核属性集有效性判断方法,并计算所有有效的核属性集。首先,基于经典Pawlak模型分析不一致决策表信息粒的信息类型,并定义信息粒划分的概念描述不一致决策表中的有效信息,在此基础上,证实任一不一致决策表仅存在三类有效的信息粒划分。最后,针对三类信息粒划分提出基于可辨识矩阵的核属性集算法有效性判断方法,并计算所有有效的核属性集。2,针对不一致决策表多种处理流程共存,造成应用中难以正确选择处理流程的问题,基于信息粒划分构建不一致决策表数据处理框架,并提出一种直观的计算流程选择策略。首先,定义与三类信息粒划分对应的规则类型,建立信息粒划分、可辨识矩阵以及规则类型之间的映射关系,在此基础上,提出基于规则类型的不一致决策表数据计算流程选择策略,建立不一致决策表数据处理框架,确保计算结果中的核属性集、约简以及规则集均包含用户感兴趣的知识。3,针对启发式算法难以获得最小约简的问题,提出属性排斥矩阵,优化传统启发式属性约简算法的性能。首先,研究最小约简约束下属性之间的排斥特征,提出满足最小约简必要条件的属性排斥矩阵,设计对应的最小约简属性启发策略。在此基础上,分别结合典型加法类与减法类启发式约简算法,提出两种基于属性排斥矩阵的启发式属性约简算法。UCI标准数据集测试表明,属性排斥矩阵包含丰富的最小约简启发信息,能全面提高启发式属性约简算法的性能。4,提出基于属性关联的启发式最小约简计算算法。首先,在属性排斥特征研究的基础上,进一步分析最小约简集属性之间的吸引特征（与属性排斥特征一起统称为属性关联性质）,并定义基于属性关联的属性重要度计算指数。在此基础上,提出基于该重要度的启发式属性约简算法。该算法采取兼顾单个属性的辨识能力以及属性之间关联的约简策略,提高最小约简获得概率。5,针对现有启发策略难以估计启发有效性的问题,提出了可信度高且可信度可以估计的属性启发策略。首先,基于属性排斥特征,提出对应的启发策略,建立其可信度模型；在此基础上,提出属性互斥特征及其对应的启发策略,并建立对应的可信度模型。最后,以可信度为依据,提出综合的可信度高且可信度可以估计的最小约简启发策略,并给出了具体的算法。UCI标准数据集实验测试表明,可信度模型有效且该策略具有较高的最小约简可信度。6,针对传统粗糙集数据处理过程面临的最优离散化以及属性约简的NP难题,提出利用规则约简代替属性约简的规则分层约简算法。一方面,提出基于单个属性下近似的分层规则提取方法,研究与分层规则约简相关的聚类策略实现规则约简,直接获得简化分层规则集。另一方面,在规则约简的基础上,基于聚类约束,实现不同离散化区间的相同编码,形成等价决策表,优化了传统粗糙集数据处理方法的计算性能。
尹林子,阳春华,王晓丽,周玮康[7]（2012）在《基于属性关联的约简算法》文中指出针对启发式约简算法难以获得最小约简的问题,研究属性之间的排斥与吸引等关联特性,给出属性重要度计算指数.在此基础上,结合属性频率方法,提出基于属性关联的启发式约简算法.该算法以最小约简为目标,采取兼顾单个属性的辨识能力以及属性之间关联的约简策略.实验结果表明,该算法比属性频率方法以及一些同类算法具有更少的属性启发次数,计算结果大部分为最小约简.
赵军,陈宸[8]（2012）在《一种基于二进制分辨矩阵的属性约简新算法》文中研究说明决策表的属性约简是粗糙集理论中的关键问题之一,高效启发式约简算法有待深入研究。基于二进制分辨矩阵,定义"加权重要度"来度量属性相对重要性;这一概念综合利用分辨矩阵行和列2个方向的特征,将其集成为一个归一化的概念,因而在排序过程中能有效避免从行、列2个方向独立排序。基于"加权重要度"概念,提出一种新的启发式属性约简算法;仿真实验结果表明,与参考算法相比,新算法有效缩短了运行时间,更有可能获得系统的最优约简。
杨传健,葛浩,汪志圣[9]（2012）在《基于粗糙集的属性约简方法研究综述》文中进行了进一步梳理针对经典粗糙集理论的属性约简,从三个方面对属性约简方法进行综述。最后对属性约简中存在的问题进行了分析,并提出了进一步研究的方向。
兰聪花[10]（2009）在《基于二进制区分矩阵的知识约简算法研究》文中提出粗糙集理论是一种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的数据分析工具。知识约简是粗糙集理论的核心内容之一,是粗糙集应用的关键技术,也是知识发现的重要研究课题。通过约简删除信息系统中的冗余信息,达到简化知识的目的。本文围绕知识约简中的两个重要问题:属性约简和值约简,在一致和不一致决策表上分别提出了新的算法,并通过实验证明算法的有效性。主要研究工作及创新点如下:（1）论文主要对粗糙集理论中的基于二进制区分矩阵约简算法进行研究,提出了一种新的二进制区分矩阵的构造方法,有效地减少了存储空间,加快了扫描速度。在二进制区分矩阵上,总结归纳出一些相关的性质和定理,并对其进行了相应的证明。算法只需对二进制区分矩阵进行简单的算术运算即可完成对决策表的约简操作;（2）给出了一种基于二进制区分矩阵的启发式属性约简算法,以属性重要度作为启发信息。对于不一致决策表的属性约简,给出了一种快速、简便的计算负域的方法;（3）分析了值约简的过程及本质,提出了基于对象的二进制区分矩阵概念,并在此矩阵上进行值约简。在值约简过程中定义了新的启发信息,以属性归纳性作为规则约简的度量标准;给出了一种新的规则准确度的简便计算方法和对重复或冗余规则的判定、处理办法。根据规则的准确度和属性归纳性求得决策表的最简规则,有效地提高了约简的速度。
二、基于二进制可辨矩阵的属性约简启发式算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于二进制可辨矩阵的属性约简启发式算法（论文提纲范文）
（1）二进制辨识矩阵的属性约简及不必要属性的求解（论文提纲范文）
| 0 引言 |
| 1 理论基础 |
| 2 约简算法 |
| 3 实例分析 |
| 4 实验仿真测试及结果分析 |
| 5 结束语 |
（2）基于遗传算法和概率粗糙集的属性约简研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.3 论文结构安排 |
| 第2章 基础理论概述 |
| 2.1 粗糙集理论 |
| 2.1.1 经典粗糙集 |
| 2.1.2 概率粗糙集 |
| 2.2 遗传算法 |
| 2.2.1 遗传算法产生背景 |
| 2.2.2 算法原理 |
| 2.2.3 算法流程 |
| 2.3 本章小结 |
| 第3章 传统的属性约简算法 |
| 3.1 关于经典粗糙集的属性约简算法 |
| 3.1.1 基于定义的属性约简算法 |
| 3.1.2 基于差别矩阵的属性约简 |
| 3.1.3 基于依赖度算法的属性约简 |
| 3.2 基于粒子群算法的属性约简 |
| 3.3 基于遗传算法的约简 |
| 3.4 本章小结 |
| 第4章 基于遗传算法和概率粗糙集的属性约简算法 |
| 4.1 概率粗糙集属性约简 |
| 4.2 基于改进近似精度和概率粗糙集的属性约简算法 |
| 4.3 基于遗传算法和概率粗糙集的属性约简算法 |
| 4.3.1 算法描述 |
| 4.3.2 算法设计 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（3）序贯多类三支决策模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容和组织结构 |
| 第二章 粗糙集基本理论 |
| 2.1 粗糙集基本概念 |
| 2.1.1 几种主流的粗糙集模型 |
| 2.1.2 属性约简的基本概念 |
| 2.2 三支决策的基本概念 |
| 2.2.1 三支决策理论 |
| 2.2.2 序贯三支决策理论 |
| 2.3 本章小结 |
| 第三章 基于改进差别信息树的属性约简 |
| 3.1 优化可辨识矩阵 |
| 3.2 属性加权重要度 |
| 3.3 改进的差别信息树 |
| 3.4 基于改进差别信息树的属性约简算法 |
| 3.5 本章小结 |
| 第四章 序贯多类三支决策模型 |
| 4.1 已有的三支多类决策模型 |
| 4.2 三种序贯多类三支决策模型 |
| 4.2.1 “one-versus-rest”模型 |
| 4.2.2 “one-versus-one”模型 |
| 4.2.3 “one-versus-multiple”模型 |
| 4.3 仿真实验 |
| 4.3.1与已有方法的对比实验 |
| 4.3.2 三种序贯多类三支决策模型对比 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 硕士学位期间参与的科研项目和取得的学术成果 |
| 致谢 |
（4）基于二进制可辨矩阵的知识获取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 研究现状及发展 |
| 1.2.1 粗糙集理论的发展 |
| 1.2.2 决策表知识约简的发展 |
| 1.2.3 基于二进制可辨矩阵知识约简的发展 |
| 1.3 本文的研究内容 |
| 1.4 本文的结构组织 |
| 第二章 粗糙集相关理论 |
| 2.1 粗糙集理论原理 |
| 2.1.1 信息系统与决策表 |
| 2.1.2 集合的上下近似与粗糙集 |
| 2.1.3 区分矩阵 |
| 2.1.4 属性重要度 |
| 2.2 知识约简与核 |
| 2.3 决策表属性约简 |
| 2.4 决策表规则提取 |
| 2.5 本章小结 |
| 第三章 广义二进制可辨矩阵的构造 |
| 3.1 引言 |
| 3.2 二进制可辨矩阵 |
| 3.2.1 二进制可辨矩阵的描述 |
| 3.2.2 适用于完备信息系统的二进制可辨矩阵 |
| 3.3 经典粗糙集的扩充关系模型 |
| 3.3.1 容差关系模型 |
| 3.3.2 限制容差关系模型 |
| 3.3.3 完备容差关系模型 |
| 3.4 广义二进制可辨矩阵的提出 |
| 3.4.1 设计思想 |
| 3.4.2 基本定义 |
| 3.4.3 相关定理及证明 |
| 3.5 本章小结 |
| 第四章 决策表的求核算法研究 |
| 4.1 引言 |
| 4.2 常用的求核算法 |
| 4.2.1 基于正区域的求核算法 |
| 4.2.2 基于信息熵的求核算法 |
| 4.2.3 基于可辨矩阵的求核算法 |
| 4.2.4 基于二进制可辨矩阵的求核算法 |
| 4.3 一种改进的基于二进制可辨矩阵的求核算法 |
| 4.3.1 设计思想 |
| 4.3.2 算法原理 |
| 4.3.3 算法步骤 |
| 4.4 实例仿真与分析 |
| 4.5 本章小结 |
| 第五章 基于广义二进制可辨矩阵的知识约简算法研究 |
| 5.1 引言 |
| 5.2 完备决策表属性约简算法 |
| 5.2.1 算法思想描述 |
| 5.2.2 算法步骤 |
| 5.2.3 实例仿真分析 |
| 5.3 不完备决策表属性约简算法 |
| 5.3.1 算法思想描述 |
| 5.3.2 算法步骤 |
| 5.3.3 实例仿真 |
| 5.4 基于广义二进制可辨矩阵的规则提取算法 |
| 5.4.1 算法思想描述 |
| 5.4.2 算法步骤 |
| 5.4.3 实例仿真 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录 1 程序清单 |
| 附录 2 攻读硕士学位期间撰写的论文 |
| 附录 3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（5）一种新的基于二进制分辨矩阵的属性约简方法（论文提纲范文）
| 0 引言 |
| 1 粗糙集基本概念 |
| 2 基于二进制分辨矩阵的属性约简 |
| 2.1 属性重要性 |
| 2.2 基于“行列重要度”的属性约简算法 |
| 2.3 算法优势性分析 |
| 2.4 算法举例 |
| 3 实验分析与讨论 |
| 4 结语 |
（6）不一致决策表数据处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 粗糙集国内外研究现状 |
| 1.2.1 离散化方法研究现状 |
| 1.2.2 核属性集计算研究现状 |
| 1.2.3 属性约简研究现状 |
| 1.2.4 规则提取研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 粗糙集理论的基本概念 |
| 2.1 粗糙集理论的基本概念 |
| 2.1.1 信息系统 |
| 2.1.2 辨识与不可辨识 |
| 2.1.3 近似、域以及粗糙集 |
| 2.2 粗糙集理论与数据处理有关的基本概念 |
| 2.2.1 约简与核 |
| 2.2.2 规则 |
| 2.3 粗糙集理论与其它智能理论 |
| 2.3.1 粗糙集与模糊集 |
| 2.3.2 粗糙集与神经网络、遗传算法等智能算法 |
| 2.4 粗糙集的研究方向与应用领域 |
| 2.5 本章小结 |
| 3 不一致决策表核属性集研究 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 不一致决策表核属性集计算的不一致现象 |
| 3.4 基于信息粒划分的有效核集计算 |
| 3.4.1 信息粒划分 |
| 3.4.2 不一致决策表有效核集计算 |
| 3.5 基于规则的不一致决策表核集计算方法选择策略 |
| 3.5.1 不一致决策表信息与规则 |
| 3.5.2 不一致决策表信息粒划分与规则 |
| 3.5.3 基于规则的不一致决策表核集选择策略 |
| 3.6 不一致决策表数据处理框架 |
| 3.7 实验验证 |
| 3.8 本章小结 |
| 4 基于属性排斥矩阵的属性约简算法 |
| 4.1 问题分析 |
| 4.2 约简与约简超集 |
| 4.3 属性排斥矩阵 |
| 4.3.1 属性吸收特征 |
| 4.3.2 属性排斥特征 |
| 4.3.3 属性排斥矩阵 |
| 4.4 基于属性排斥矩阵的启发式属性约简算法 |
| 4.5 实验验证 |
| 4.6 本章小结 |
| 5 基于属性关联的启发式约简算法 |
| 5.1 问题分析 |
| 5.2 属性关联分析 |
| 5.2.1 属性排斥集 |
| 5.2.2 属性吸引集 |
| 5.2.3 基于属性关联的属性启发策略 |
| 5.3 基于属性关联的约简算法 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 6 高可信度最小约简启发策略 |
| 6.1 问题分析 |
| 6.2 最小约简启发策略及其可信度模型 |
| 6.2.1 属性吸收特征及其可信度模型 |
| 6.2.2 属性排斥特征及其可信度模型 |
| 6.2.3 二元互斥及其可信度模型 |
| 6.2.4 属性多元互斥特征及其可信度模型 |
| 6.3 高可信度最小约简启发策略与算法 |
| 6.3.1 综合启发策略 |
| 6.3.2 启发式高可信度最小约简算法 |
| 6.4 实验验证 |
| 6.6 本章小结 |
| 7 规则分层约简算法 |
| 7.1 问题分析 |
| 7.2 HRR算法 |
| 7.2.1 基于下近似的规则分层提取 |
| 7.2.2 规则约简性质与聚类策略 |
| 7.3 基于HRR的数据处理流程 |
| 7.4 HRR算法与其他算法的性能比较 |
| 7.4.1 与分层递阶属性约简算法的比较 |
| 7.4.2 与属性重要性离散算法的比较 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果目录 |
| 致谢 |
（7）基于属性关联的约简算法（论文提纲范文）
| 1 引 言 |
| 2 相关基本概念 |
| 3 属性关联分析 |
| 3.1 二进制可辨识矩阵 |
| 3.2 属性关联分析 |
| 3.3 基于属性关联的属性启发策略 |
| 4 基于属性关联的约简算法 |
| 5 实验分析 |
| 6 结 束 语 |
（8）一种基于二进制分辨矩阵的属性约简新算法（论文提纲范文）
| 0 引 言 |
| 1粗糙集理论的基本知识[2] |
| 2 基于二进制分辨矩阵的加权属性重要度 |
| 3 基于加权属性重要度的属性约简算法 |
| 3.1 算法描述 |
| 3.2 算法复杂性分析 |
| 3.3 算法实例分析 |
| 4 算法仿真测试结果及分析 |
| 5 结 论 |
（9）基于粗糙集的属性约简方法研究综述（论文提纲范文）
| 1 属性约简方法的研究 |
| 1.1 静态信息系统属性约简 |
| 1.1.1 基于信息观的属性约简方法 |
| 1.1.2 基于可分辨矩阵的属性约简方法 |
| 1) 以属性重要性为启发式信息 |
| 2) 以属性频率为启发式信息 |
| 3) 属性删除的方法 |
| 4) 基于属性序的方法 |
| 5) 二进制可分辨矩阵的方法 |
| 1.1.3 基于正区域的属性约简方法 |
| 1.2 动态信息系统属性约简 |
| 1.3 海量信息系统属性约简 |
| 1.3.1 高效算法的研究 |
| 1.3.2 数据集分解方法的研究 |
| 2 有待进一步研究的内容 |
| 3 结束语 |
（10）基于二进制区分矩阵的知识约简算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 粗糙集理论的研究对象及特点 |
| 1.3 基于粗糙集的知识约简算法研究概况 |
| 1.4 论文研究内容和组织结构 |
| 第二章 粗糙集的基本理论 |
| 2.1 决策表 |
| 2.2 知识和不分明关系 |
| 2.3 粗糙集与近似 |
| 2.4 属性约简 |
| 2.4.1 属性的依赖性 |
| 2.4.2 属性的重要度 |
| 2.4.3 约简与核 |
| 2.5 决策规则 |
| 2.6 本章小结 |
| 第三章 决策系统的知识约简研究 |
| 3.1 属性约简 |
| 3.1.1 一般属性约简方法 |
| 3.1.2 基于度量理论的启发式属性约简方法 |
| 3.1.3 基于差别矩阵的粗糙集属性约简方法 |
| 3.1.4 基于二进制区分矩阵的粗糙集属性约简方法 |
| 3.1.5 改进后的用于属性约简中的二进制区分矩阵 |
| 3.2 值约简 |
| 3.2.1 核值的定义 |
| 3.2.2 一般的值约简算法 |
| 3.2.3 改进后的用于值约简中的二进制区分矩阵 |
| 3.3 本章小结 |
| 第四章 基于二进制区分矩阵的决策表约简算法 |
| 4.1 基于二进制区分矩阵的相容决策表的知识约简 |
| 4.1.1 一致决策表属性约简 |
| 4.1.2 一致决策表值约简 |
| 4.2 基于二进制区分矩阵的不相容决策表的知识约简 |
| 4.2.1 不一致决策表属性约简 |
| 4.2.2 不一致决策表值约简 |
| 4.3 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 一致决策表的实验分析 |
| 5.1.1 应用于一致决策表的属性约简实验结果及分析 |
| 5.1.2 应用于一致决策表的值约简实验结果及分析 |
| 5.2 不一致决策表的实验分析 |
| 5.2.1 应用于不一致决策表的属性约简实验结果及分析 |
| 5.2.2 应用于不一致决策表的值约简实验结果及分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 硕士在读期间的研究成果及参加的项目 |
| 致谢 |
四、基于二进制可辨矩阵的属性约简启发式算法（论文参考文献）
- [1]二进制辨识矩阵的属性约简及不必要属性的求解[J]. 黄丽萍. 太原师范学院学报(自然科学版), 2020(03)
- [2]基于遗传算法和概率粗糙集的属性约简研究[D]. 段超. 西北师范大学, 2020(01)
- [3]序贯多类三支决策模型研究[D]. 唐静昕. 安徽大学, 2020(07)
- [4]基于二进制可辨矩阵的知识获取算法研究[D]. 杨星星. 南京邮电大学, 2014(05)
- [5]一种新的基于二进制分辨矩阵的属性约简方法[J]. 陈宸,赵军. 计算机应用与软件, 2013(09)
- [6]不一致决策表数据处理方法研究[D]. 尹林子. 中南大学, 2013(02)
- [7]基于属性关联的约简算法[J]. 尹林子,阳春华,王晓丽,周玮康. 模式识别与人工智能, 2012(05)
- [8]一种基于二进制分辨矩阵的属性约简新算法[J]. 赵军,陈宸. 重庆邮电大学学报(自然科学版), 2012(04)
- [9]基于粗糙集的属性约简方法研究综述[J]. 杨传健,葛浩,汪志圣. 计算机应用研究, 2012(01)
- [10]基于二进制区分矩阵的知识约简算法研究[D]. 兰聪花. 兰州大学, 2009(12)