基于模糊粗糙集属性约简方法的研究

发布时间：2017-09-25 19:04

  本文关键词：基于模糊粗糙集属性约简方法的研究

  更多相关文章： 属性约简 模糊粗糙集 模糊相似关系 模糊依赖度

【摘要】：属性约简是一种有效的处理高维数据的方法,它能够删除数据中的冗余特征,保持系统的分类能力不变。通过属性约简可以获取数据中的有用信息,使得知识处理过程更加简化。模糊粗糙集模型是一种重要的属性约简方法之一,它被广泛应用于模式识别和机器学习中。本文基于模糊粗糙集理论构造了四种属性约简的模型。1.距离测度的模糊粗糙集模型,首先将距离测度引入模糊粗糙集,并且给出一类基于距离测度的模糊相似关系。然后运用固定的距离参数构造了模糊粗糙集模型。在高维度的特征空间中,由于不变的距离参数可能导致不同模糊相似关系隶属度的区分度降低。为了解决这个问题,用可变的距离参数代不变的距离参数,构造了非单调的模糊依赖度函数,给出了计算依赖度和属性重要度的迭代公式,并证明了迭代计算公式的收敛性。最后,通过此迭代模型构造了属性约简的前向贪心算法。2.模糊邻域粗糙集模型,首先通过模糊邻域的概念定义样本的模糊决策,然后引入参数化的模糊信息粒来近似地刻画模糊决策,定义了模糊决策和模糊邻域之间的依赖函数,从而构造了一种新的属性约简模型:模糊邻域粗糙集模型。基于此模型给出了上下近似集合、边界域及正域的概念,并讨论了特征子集以及参数对它们的影响。为了使新的模型容忍数据噪声的影响,将此模型推广到了变精度的邻域粗糙集模型,该模型可降低样本被错误分类的可能性。最后定义了模糊决策和条件属性之间的变精度依赖度函数,通过此依赖函数来评估属性的重要性,从而构造了属性约简的算法。3.拟合模糊粗糙集模型,首先通过模糊邻域的概念定义样本的模糊决策,引入参数化的模糊相似关系进行数据聚类,形成模糊信息粒。基于模糊决策隶属度最大原理重新定义了样本的上下近似集合的概念,得到了一种新的模糊粗糙集模型--拟合模糊粗糙集模型。该模型可以很好的拟合数据,确保样本属于本类的隶属度最大,从而效地避免样本的错误分类。最后定义了模糊决策和条件属性之间的依赖函数,通过此函数来评估属性的重要性,从而构造了属性约简的算法。4.离散空间上的模糊粗糙集模型,首先引入参数化的相似性测度来刻画离散空间中样本间的相似性,进而给出了决策的模糊上、下近似集合、正域以及决策属性和条件属性之间的依赖函数等概念,并讨论了参数对它们的影响。从而构造了基于离散样本的模糊粗糙集模型。在高维度的特征空间中,由于相似性测度中的不变参数可能导致不同模糊相似关系隶属度的区分度降低。因而采用一个递增序列的渐进值作为参数的值,进一步得出了计算模糊依赖度和属性重要度的迭代公式,并证明了迭代计算公式的收敛性。最后,基于迭代公式构造了属性约简算法。同时,利用UCI数据集分别将以上的算法与一些经典的算法进行了比较,从而证明了以上算法的有效性和可行性。
【关键词】：属性约简 模糊粗糙集 模糊相似关系 模糊依赖度
【学位授予单位】：渤海大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;O159
【目录】：

• 摘要4-6
• abstract6-12
• 1 绪论12-17
• 1.1 引言12
• 1.2 属性约简算法的研究概况12-14
• 1.3 本文的组织结构14-17
• 2 基础知识17-20
• 2.1 经典粗糙集的基本概念17-18
• 2.2 模糊粗糙集的基本概念18-20
• 3 距离测度的模糊粗糙集模型20-33
• 3.1 不变距离参数的模型20-24
• 3.1.1 不变参数的模糊依赖度20-23
• 3.1.2 K阶模糊依赖度23-24
• 3.2 基于可变距离参数的模型24-28
• 3.2.1 非单调模糊依赖度的迭代计算24-27
• 3.2.2 基于非单调的模糊依赖度的算法27-28
• 3.3 实验分析28-32
• 3.4 本章小结32-33
• 4 模糊邻域粗糙集模型33-48
• 4.1 模糊邻域粗糙集模型33-39
• 4.1.1 模糊决策的依赖度函数及其性质33-37
• 4.1.2 变精度模糊邻域粗糙集模型37-39
• 4.2 基于模糊邻域粗糙集的属性约简39-41
• 4.2.1 属性重要度的定义40
• 4.2.2 算法设计40-41
• 4.3 实验分析41-47
• 4.4 本章小结47-48
• 5 模糊粗糙集拟合模型48-65
• 5.1 模糊粗糙集拟合模型48-54
• 5.1.1 经典模糊粗糙集的数据拟合分析48-51
• 5.1.2 拟合模糊粗糙集的依赖度及其性质51-54
• 5.2 基于拟合模糊粗糙集属性约简54-55
• 5.2.1 属性重要度的定义54
• 5.2.2 算法设计54-55
• 5.3 实验分析55-64
• 5.4 本章小结64-65
• 6 离散空间中的模糊粗糙集模型65-82
• 6.1 离散样本的模糊粗糙集模型65-68
• 6.1.1 离散空间中样本模糊相似性的刻画65-66
• 6.1.2 离散空间中模糊依赖度及其性质66-68
• 6.2 基于离散样本的模糊粗糙集属性约简算法68-72
• 6.2.1 模糊依赖度的迭代计算69-71
• 6.2.2 算法设计71-72
• 6.3 实验分析72-81
• 6.4 本章小结81-82
• 结论与展望82-83
• 参考文献83-91
• 发表论文情况91-92
• 致谢92-93

【相似文献】

中国期刊全文数据库 前10条

1 张诚一,周厚勇;关于模糊粗糙集的一个注记[J];兰州大学学报;2005年04期

2 姚红霞;;模糊粗糙集理论介绍和研究综述[J];重庆工学院学报;2006年08期

3 任志波;张沧生;;可变精度模糊粗糙集模型及其性质[J];数学的实践与认识;2009年04期

4 鲁小云;杨勇;;单向S-模糊粗糙集及其应用[J];山东大学学报(理学版);2011年08期

5 徐苏平;杨习贝;范霁月;钱林峰;马健;;基于测试代价敏感的多粒度模糊粗糙集模型[J];电子设计工程;2014年07期

6 孔平,张振良;模糊粗糙集的扩张定理[J];昆明理工大学学报(理工版);2003年06期

7 王艳平,王志强,佟绍成;模糊粗糙集与模糊粗糙逻辑算子[J];大连海事大学学报;2005年02期

8 黄正华;胡宝清;;模糊粗糙集理论研究进展[J];模糊系统与数学;2005年04期

9 李红杰;殷允强;张振良;;模糊粗糙集的一些性质[J];红河学院学报;2005年06期

10 王基一;林仁炳;;模糊粗糙集粗糙熵的修正[J];浙江师范大学学报(自然科学版);2006年04期

中国重要会议论文全文数据库 前3条

1 黄春娥;张振良;;基于截集的变精度模糊粗糙集模型[A];第12届全国模糊系统与模糊数学学术年会论文集[C];2004年

2 王全杰;苏晓庆;;基于云理论与模糊粗糙集理论的不确定知识表达[A];山东省测绘学术年会论文集[C];2006年

3 马翠;刘琼荪;赵娟;;一种改进的模糊粗糙集相似度量[A];第五届中国不确定系统年会论文集[C];2007年

中国博士学位论文全文数据库 前5条

1 安爽;稳健模糊粗糙集模型研究[D];哈尔滨工业大学;2011年

2 吴正江;L模糊粗糙集研究[D];西南交通大学;2009年

3 曲衍鹏;模糊分类新方法及应用[D];大连理工大学;2012年

4 邵迎超;软集合的代数结构及其应用研究[D];西南交通大学;2013年

5 黄正华;模糊粗糙集模型的若干拓展[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 费轶楠;数据分布引导的模糊粗糙近邻分类算法[D];大连海事大学;2015年

2 张艳;模糊粗糙回归算法及其应用[D];山西大学;2015年

3 宋晶晶;粒计算理论中层次结构的分析与应用研究[D];江苏科技大学;2015年

4 乔冲宇;基于模糊粗糙集的火灾监测系统研究[D];兰州交通大学;2015年

5 韩晓冰;模糊粗糙集的推广及其应用[D];辽宁工业大学;2016年

6 齐媛媛;基于邻域和模糊粗糙集的属性约简研究[D];渤海大学;2016年

7 齐亚丽;基于模糊粗糙集属性约简方法的研究[D];渤海大学;2016年

8 杨文霞;模糊粗糙集的度量及应用[D];华北电力大学（北京）;2009年

9 张月童;变精度模糊粗糙集理论与应用研究[D];哈尔滨工程大学;2008年

10 姚燕青;广义模糊粗糙集模型及其应用研究[D];河北师范大学;2010年

，

本文编号：919031