多准则分类问题中近似集的增量更新方法

发布时间：2017-06-05 18:27

  本文关键词：多准则分类问题中近似集的增量更新方法，由笔耕文化传播整理发布。

【摘要】：在优势关系粗糙集方法(DRSA)的框架下,优势关系可用于处理带有序关系属性(准则)的数据,并且已经被广泛用于处理多准则决策问题。然而在实际应用中,当属性集和对象集发生变化时,信息系统会随之不断更新。在这种动态环境下,DRSA中用于属性约简、规则提取以及决策制定的近似集需要得到相应的更新。针对对象集发生变化时(增加或删除一个对象)的多准则分类问题,采用增量方法来更新近似集并提出两种相应的更新算法DRSA1和DRSA2。同时,对不同情况下的更新原则进行了讨论并给出了相关的理论结果与详细的证明。最后给出算例,并在UCI数据集上进行大量的实验,与非增量的方法(传统的DRSA)进行对比,结果充分体现了所提增量方法的有效性与可扩展性。
【作者单位】： 河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室;
【关键词】： 优势关系粗糙集 多准则分类 信息系统 近似集 增量更新
【基金】：国家自然科学基金(61170040,61473111) 河北省自然科学基金(F2014201100,A2014201003)资助
【分类号】：TP18
【正文快照】： 到稿日期:2016-05-16返修日期:2016-09-23本文受国家自然科学基金(61170040,61473111),河北省自然科学基金(F2014201100,A2014201003)资助。1引言Pawlak提出的粗糙集理论(RST)[1]是用于处理数据的不确定性和模糊性的数学工具。基于等价关系,所定义的上、下近似集可用于描述论

  本文关键词：多准则分类问题中近似集的增量更新方法，由笔耕文化传播整理发布。

，

本文编号：424359