变精度下不完备邻域数据的属性约简研究

发布时间：2024-05-31 04:20

　　从大量数据中提炼出有效数据,需要对数据进行处理,粗糙集理论的提出,为处理大规模数据和不确定性问题带来了重要突破。在含有大规模数据的信息系统中,采用经典粗糙集理论约简连续型数据时会造成数据丢失的情况,邻域粗糙集模型可有效解决该问题。现阶段,邻域粗糙集模型在处理数值和符号的混合型数据中得到广泛应用。但是现有的邻域粗糙集计算方法大多研究的是完备的混合型数据,对不完备混合数据下的属性约简讨论相对较少。本文在数据是静态和动态两种情况下,针对含有缺失、连续型、符号型等数据的信息系统,分别设计了相应的数据处理方法,如下简述:在数据是静态的情况下,对含有缺失、连续型、符号型等数据的信息系统,本文首先应用粗糙集模型中多粒度理论和邻域粒化的方法,构建广义邻域下可变精度的粗糙集模型,并分析不完备混合数据系统下可变精度粗糙集模型的上、下近似;然后,构造评价属性重要度的方法,运用该方法设计了不完备邻域决策系统的属性约简算法。最后,通过实例数据的证明了算法的有效性。(对应第3章)在现实生活中,许多应用领域中的大量复杂数据往往是动态变化的,由于数据的动态变化将会影响到原属性约简结果。针对不完备的数值型和符号型的混合...

【文章页数】：46 页

【学位级别】：硕士

【部分图文】：

图4.1条件熵的增量式更新机制对于上述1）2）两种情况，可以利用定理2中的公式得到新的条件熵

新增对象v在属性集BC上的邻域(v)Bδ及其决策类(v)Dδ,其条件熵的变化有以下4种情况，如图1所示；1）新增对象v在属性集B上的邻域只有其自身无其他对象，且在系统中没有新增对象v的决策类；2）新增对象v在属性集B上的邻域只有其自身无其....

本文编号：3985118