一、基于可辨识矩阵的启发式属性约简方法及其应用（论文文献综述）
侯文丽[1]（2020）在《基于邻域粗糙集的增量属性约简算法研究》文中进行了进一步梳理在科技时代背景下,信息技术时刻在高速率地发展着,各行各业中产生了大量的数据,据不完全统计,在互联网中每天有数万亿PB数据不断更新和增长。这不得不使得人们在收集大规模数据,以及储存处理数据的这些方面的技能迫切提升。在许多工业、教育以及医疗行业中都存在着大量多维的数据,针对于此类数据进行一定程度的数据分析,有利于人们从数据中挖掘出来隐藏在数据背后的有价值的信息,同时,也有利于预测出下一阶段数据的变化情况,这样,有利于针对于动态变化的数据提前做好应对之策。总之,数据挖掘和智能信息处理目前已经是研究工作者们近些年来重点关注的研究内容之一。粗糙集理论是用来处理模糊、不确定、不完备数据的一种有效的数学工具,它的优势在于很多时候仅仅需要利用生成的数据表中的信息本身,并不需要计算出其他的概率论的有关数学知识,如先验知识和其它附加信息等,通过简单的分析处理就可以很便利地分析数据表中的各项数据,进而发现隐藏在数据表中背后的有用的有研究意义的知识或者数据,粗糙集理论一定程度上,揭示潜在数学规律。就目前看来,粗糙集理论以及衍生出来的邻域粗糙集理论、变精度粗糙集理论、模糊粗糙集理论和覆盖粗糙集理论等理论,这些相关理论已经大量运用在数据挖掘、智能信息处理、模糊识别和知识约简等科学研究。属性约简是在保持属性区分能力不改变或者大方向不改变的情况下,去除掉数据中的无关或者不太重要的属性。近些年来,由于许多医疗、教育和工业领域中的数据通常都是在动态实时更新变化,每当数据的数据量増长到一定维度时候,从原始数据集中获取的属性约简和知识获取结果将不再适用,此时需对新生成的数据表,重新进行处理和分析。若使用静态的非增量式的属性约简方法来处理时,将导致属性约简算法的时间复杂度急剧增加,且较难寻找出新数据相较于原始数据的变化规律所在。因此,基于粗糙集理论围绕动态数据研究动态数据挖掘理论和方法具有很大的研究价值。本文的主要研究工作和创新工作如下:（1）基于邻域粗糙集模型和邻域条件熵的常规增量属性约简算法存在精度低,效率低。本文重新定义了一种新的邻域粗糙熵,并推导出邻域粗糙条件熵,分析了基于信息熵的属性约简算法相对于代数观下属性约简算法的优势,以属性的邻域粗糙条件熵为基础来计算属性重要度,提出了一种基于邻域粗糙条件熵的非增量属性约简算法,并且为了精确地确定邻域阈值,本文利用人工蜂群优化算法来搜寻本算法最优的邻域阈值。（2）针对决策表下样本的动态变化,研究探讨了如何快速地从动态决策表中提取关键的知识或规则。第一,完备决策表中独立样本的増加和删除进行分析,基于新的邻域粗糙条件熵动态更新机制,通过计算新的重要度和约简集,对于满足阈值要求的规则进行动态增加和删除。第二,再分析批增量下,多个对象增加和删除时,基于新的邻域粗糙条件熵动态更新机制,再重新确定新的约简结果。主要是分析了新增样本后邻域的变化规律,邻域粗糙条件熵的变化规律以及约简结果的变化规律,并做了详细的理论推导工作。（3）在（2）的基础上,提出了一种基于邻域粗糙集的増量式属性约简算法。在UCI标准数据集随机改变数据集中的10%,20%,30%,40%,50%样本中的数据值,重新计算新生成的数据集的约简结果,并通过与多种算法进行约简结果的对比实验和以十倍交叉验证方法在两种传统分类器下的精度分析对比实验,实验证明所提出的属性约简算法以及新定义的邻域粗糙条件熵的有效性和可行性,并证明了所提算法对混合多维数据有一定的应用价值。综上,本文以粗糙集理论作为数学理论支撑,以智能信息处理为目的,针对动态不完备决策表的属性约简和知识获取模型与增量属性约简算法进行了深入的分析和研究。针对动态数据中的样本集变化,导致的属性约简和知识获取需要实时更新问题,进行了较深入研究,设计一种新的增量属性约简算法,较好地解决了许多静态非增量算法未能描述数据更新变化的变化规律和算法运行效率较低等诸多问题,进而为更容易适应大数据环境下数据实时分析和挖掘。
江伟[2]（2019）在《基于改进鱼群的邻域粗糙集属性约简及其应用》文中提出属性约简作为邻域粗糙集的关键技术,其主要思想是在不影响决策系统分类能力的基础上,将冗余的、不相关的条件属性删除。由于属性约简被证明是一个NP-hard问题,传统属性约简算法搜索空间较小,往往不能得到更小的约简集合,而与群智能算法结合的属性约简算法有着更大的搜索空间,能够得到更小的约简集合,因而研究更高效、更快速的群智能属性约简算法成为属性约简领域的主要研究课题之一。本文提出一种基于改进鱼群算法的邻域粗糙集属性约简算法,基于UCI测试集对算法有效性进行了验证,并将该算法应用于铝合金焊接接头疲劳寿命影响因素的评价,研发完成铝合金焊接接头疲劳寿命影响因素评价系统,获得铝合金焊接接头疲劳寿命各影响因素的定量评定及权重计算,为铝合金焊接接头疲劳寿命预测提供依据。论文的研究工作主要体现在如下三个方面:首先,提出了一种改进人工鱼群算法。该算法在人工鱼群算法的基础上,引入了分段自适应函数控制人工鱼的视野范围和移动步长;对聚群、追尾行为中人工鱼的移动策略进行改进,忽略拥挤度因子,同时将缺省的觅食行为取消;对觅食行为进行改进,在经过一轮尝试后,未找到更优解的情况下,人工鱼以新的视野和步长再进行一轮尝试;引入消亡与重生机制,每次迭代后,将最劣人工鱼淘汰,重生为适应度更高的人工鱼,保证整体适应度处于较高水平。其次,结合改进人工鱼群算法与邻域粗糙集属性约简理论,将属性依赖度作为适应度函数,提出了一种基于改进鱼群的邻域粗糙集属性约简算法。通过将该算法与邻域粗糙集前向贪心搜索属性约简快速算法及基于人工鱼群的邻域粗糙集属性约简算法进行实验比较分析,从算法运行时间上证实了前文对人工鱼群算法改进的可行性;从约简率及分类准确率上证明了该算法是一种快速有效的邻域粗糙集属性约简方法。最后,通过查阅文献及焊接接头疲劳实验,整理得到铝合金焊接接头疲劳寿命影响因素数据集,并结合基于改进鱼群的邻域粗糙集属性约简算法,建立了铝合金焊接接头疲劳寿命影响因素评价模型,完成了铝合金焊接接头疲劳寿命影响因素评价系统的研发,确定了铝合金焊接接头疲劳寿命关键影响因素集,定量计算了各关键影响因素的权重值,为后续准确预测铝合金焊接接头的疲劳寿命提供了依据。
李钰雯[3]（2019）在《基于模糊粗糙集模型的特征选择方法研究》文中研究说明在当前大数据时代,数据规模的海量性、表示的高维性、结构的混杂性和类别标记的不唯一性,使得快速、及时、准确的数据挖掘任务面临着重大挑战。因此,如何有效地针对这些数据进行特征选择已成为机器学习领域的热点课题之一。特征选择的目的是在确保学习性能的前提下,从原始特征集中删除大量无关和冗余的特征,找到一组含原始特征空间的全部或大部分分类信息的特征子集来减轻“维数灾难”的影响,提高学习性能。模糊粗糙集理论不仅是一种客观有效的处理不完备、不确定性信息的数学工具,也是一种实现特征选择的强大而有效的计算范式。因此,本文以模糊粗糙集的特征选择为研究基础,针对单标记数据和多标记数据,分别构造稳健模糊粗糙集模型和多标记模糊粗糙集模型,解决现有模糊粗糙集关于噪声信息敏感的问题,旨在拓展模糊粗糙集理论研究,使其具有更加广泛的应用范围。本文主要研究成果和创新点如下:1、针对经典模糊粗糙集模型在进行特征选择时,对噪声信息极其敏感的问题,本文通过定义样本的异类率来直接识别噪声样本,在此基础上提出一种有效的鲁棒模糊粗糙集模型,称为异类率模糊粗糙集（DCratio FRS）模型。该模型不仅可以减小噪声样本对模型上下近似计算的影响,而且可以通过忽略噪声样本来实现模型的鲁棒性,进而讨论并证明DCratioFRS模型的相关性质。利用基于DCratio FRS模型的样本对选择算法（SPS）来进行特征选择。2、现有的模糊粗糙集模型均认为决策属性将样本集划分为多个“清晰”的决策类,这种数据处理方法,会使得模型在进行特征选择时对噪声信息敏感。针对这一问题,本文提出了一种基于代表性样本的鲁棒模糊粗糙集模型（RS-FRS）。首先通过定义样本的模糊隶属度来体现其模糊性和不确定性,并通过构造RS-FRS模型来减小噪声样本的影响。RS-FRS模型不需要预先为模型设定参数,可以有效降低模型的复杂度和人为干预。在此基础上,研究了 RS-FRS模型的相关性质,并利用基于RS-FRS的样本对选择算法（SPS）来进行特征选择。3、针对现有的多标记特征选择算法忽略特征空间和标记空间之间内在关联的问题,本文将模糊粗糙集与多核学习相结合,通过分别提取特征空间和标记空间的核信息,为多标记特征选择构建融合的核空间,进而构造多标记核模糊粗糙集模型,称为RMFRS,并研究了该模型的相关性质。基于该模型,本文设计了多标记核模糊粗糙集模型的特征选择算法,通过评估特征的重要性实现特征选择。4、针对现有的多标记特征选择算法忽略标记相关性的问题,本文提出了一种考虑全局标记相关性和局部标记相关性的模糊粗糙多标记特征选择方法（MFFLC）来挖掘多标记数据中各个标记之间的相关性。该方法获取了全局和局部标记相关性,并利用此标记信息分别定义了标记的固有权重与交互权重,构造了基于标记空间的权重矩阵。在此基础上,建立了考虑标记相关性的多标记模糊粗糙模型,设计了模糊依赖度函数和前向贪心多标记特征选择算法来识别和选择最相关的特征。本文在公开的单标记数据集和多标记数据集上对所提出的四个研究内容进行了测试和分析。实验结果表明,本文所提出的稳健模糊粗糙集模型能有效地从单标记数据中选择出最相关特征,并对噪声信息具有一定的鲁棒性;本文提出的多标记模糊粗糙集模型对处理多标记数据具有很好的适用性,且能有效地提高多标记特征选择的性能。本文解决了现有模糊粗糙集关于噪声信息敏感的问题,填补了模糊粗糙集与多标记特征选择相融合的空白,拓展了模糊粗糙集理论和应用的研究。
寇旭[4]（2018）在《飞机液压系统故障特性分析及故障诊断使用技术研究》文中研究表明飞机液压系统的安全运行是保证飞行安全的重要条件,通过对ARJ21型飞机近年来飞行故障记录发现,飞机液压系统故障安全隐患问题较多,存在在空中液压油全部渗漏的现象,会对飞机运行的安全性产生严重影响。本论文在对液压系统故障隐患类型及其关键影响因素分析基础上,详细针对国产ARJ21-700型飞机液压系统故障的特点、分类以及各种作用因素（包括内在使用因素和外在环境因素）对该型飞机液压系统状态的影响展开了详细的分析和讨论。主要研究内容如下:在对ARJ21型飞机液压系统运行信息及大量历史故障案例收集及归类分析的基础上,对液压系统运行过程中的主要故障隐患类型及相互逻辑关系进行了分析,建立事故树模型,并进行定性定量分析,确定影响液压系统安全性的关键因素。对液压系统故障隐患实时预警及处理方法进行研究。通过对液压监测系统的历史数据、监测参数及阈值的收集分析,研究基于粗糙集理论的决策信息系统结构、离散化方法及可辨识矩阵与值约简的属性约简算法,建立液压系统预警决策规则获取方法。将该飞机液压系统作为主要研究对象,通过属性约简和规则提取的实施,全方面分析故障存在的隐患原因,提出相应处理对策。对该型飞机液压系统故障特性进行了综合分析,在对故障隐患人工检查的日常维护要求基础上,研究了故障隐患存在时的征兆、形成的原因以及相应的处理对策,建立了基于征兆的故障隐患人工处理方法,从而为加强日常管理,降低安全隐患的发生,建立了液压系统人工检查及管理机制,完善了维护保障工作的规程。采用模糊数学的方法,在飞机液压系统故障诊断过程中,将维修人员依据工作原理和工作经验建立的故障认知度转化为“隶属度”的概念,从而将其量化,建立故障诊断的数学模型,并进一步通过计算,找出最有可能的故障点,提高了排故的效率。
邵瑞[5]（2018）在《基于粗糙集的高维数据高效属性约简研究与应用》文中研究表明信息爆炸时代,数据挖掘过程中常常会因为处理大规模数据而遇到一系列挑战。而数据量大的原因不外乎样本基数大或者数据的属性维数过高两个原因,样本是非常宝贵的数据资源,不能轻易丢弃,所以人们往往在不严重影响挖掘结果的前提下,会考虑对属性进行选择与降维,这也是数据挖掘前必要的数据预处理步骤。基于粗糙集的属性约简是一种常用的降维手段,它能高效利用数据自身信息来降维,降维过程不需要人的经验知识,如不用设定阈值,而阈值的设定往往因人而异,这会导致数据挖掘的结果大相径庭。针对大多现有的约简算法在面对高维数据时存在计算复杂度高的问题,本文充分研究了高维数据的特点,从改进计算方法和约简流程两个方面展开研究。具体研究内容包括:1.针对基于正域的约简算法,分别从提高正域计算速度与改变约简流程两个角度对现有算法进行了优化。首先利用多进程技术,提出一种并行计算正域的方案,加快对每个属性可约性的判断。其次根据二分搜索思想,提出了一种二分约简算法,该算法可以先快速得到一个近似约简,然后结合已有的算法可以得到最终的约简结果。最后将粒计算思想引入到对约简流程的修改中,给出了多粒度属性树的定义,基于多粒度属性树设计了前序遍历约简算法。实验结果表明该算法在面对高维数据时能更高效地得到约简结果。2.为了验证本文提出方法的实用性,将前序遍历约简算法与实际结合,开发了新闻分类系统。新闻分类系统包括新闻采集、数据预处理、新闻分类、新闻展示四个流程。其中,因为数据维数高,数据预处理过程缓慢,并且每篇新闻分类的时间较长。因此,本文利用前序遍历约简算法对高维的新闻决策表进行降维,有效减少了后续数据处理的计算代价,提高了系统的工作效率。
刘城霞[6]（2016）在《柔性逻辑在数据挖掘中的应用研究》文中提出数据挖掘是从海量的、没有固定规律的、不完整的数据中抽取尚未被发现的、有一定价值的信息和知识。粗糙集理论在数据挖掘中已有广泛应用,它能够通过基于分明集合（标准逻辑）的上下近似来表示和处理不精确、不确定的问题,但它只能针对离散化数据进行,对连续的数据则需要进行离散化后再进行处理,这也限制了粗糙集理论的应用范围。柔性逻辑是在标准逻辑和各种非标逻辑基础上发展出来的,可针对各种不确定性、不精确性、模糊性以及不完全性进行连续的信息处理。正是由于柔性逻辑和粗糙集都是针对不确定性的,这给二者的结合带来了可行性与便利性,也给连续型属性数据带来了新的处理方法。本文尝试把柔性逻辑和粗糙集理论结合起来,探索研究了不可分辨关系和容差关系的改进及将其应用在属性约简中的方法,并使用实验数据对其在数据挖掘过程中的应用进行了验证,取得了如下研究成果和创新:（1）提出了完备信息系统中的连续属性的柔性逻辑处理方法。在数据挖掘过程中,当信息系统中属性连续的情况下,一般先要将连续属性离散化,然后应用粗糙集理论的有关算法来处理这些数据。如此在整个数据挖掘的过程中会增加离散化的步骤、时间和误差。而柔性逻辑既可以处理离散数据,也可以处理连续数据。利用该特点本文应用柔性逻辑将粗糙集中的不可分辨关系（等价关系）重新进行定义,分析了新不可分辨关系的性质并对其进行证明,特别是针对连续的属性信息,应用新不可分辨关系对其进行等价类划分,可以取得更好的分类效果,并用实例进行了说明和验证。这项研究既扩展了粗糙集的适用范围,也使得柔性逻辑可以结合粗糙集理论来指导应用。（2）提出了新的不完备信息系统量化容差关系的量化方法;并将柔性逻辑引入不完备信息系统,定义了新的泛容差关系。传统的粗糙集只能针对完备信息系统进行处理,对于不完备信息系统要对粗糙集模型进行扩充,将其等价关系扩充为非等价关系,如容差关系或相似关系等。本文提出了一个新的量化容差关系,引入属性之间的相关性,定义了属性相关因子参与相似度的计算,得到更简洁有效的相似度的量化计算方法。已证明了新的量化容差关系的性质,并以实例对该量化容差关系的有效性进行了验证。本文还结合柔性逻辑中的泛等价关系,扩展容差关系的范围,得到泛容差关系的定义。在此基础上定义了新的相似度计算方法,得到新的基于泛容差的量化容差关系。已证明了新量化泛容差关系的性质,用实例数据对数据的填充效果进行了验证。（3）将新不可分辨关系应用到包含连续属性的区分矩阵属性约简中,并用实验数据比较了改进属性约简和经典属性约简算法所用的时间。在完备信息系统中,将改进后的新不可分辨关系代替原不可分辨关系应用到包含连续属性的属性约简中,并利用等价类的概念和离散定律中吸收率的概念对不可分辨函数进行化简,进而再求得其属性约简,并用实验数据比较了改进前后的约简时间。从结果来看应用新不可分辨关系在进行数据处理时省去了数据离散化过程,简化了数据预处理的步骤,势必有效地减少属性约简的时间。另外,为了和已有属性约简算法进行横向比较验证,本文还实现了基于区分矩阵（可分辨矩阵）属性约简、启发式的属性约简、基于条件信息熵的属性约简及动态属性约简等经典属性约简算法,将它们和用新不可分辨关系改进的基于区分矩阵的属性约简进行了约简时间的比较。（4）在实现聚类数据挖掘算法的基础上,用实验数据比较了应用柔性逻辑前后的聚类时间的不同,并对泛非在文本挖掘中的应用做了初步探讨。在分析了聚类数据挖掘经典算法后,在VC环境下实现了分级聚类算法、K-均值聚类算法及模糊聚类算法,并用实验数据比较了原始数据聚类时间和使用改进属性约简后的聚类总时间,并提出了下一步研究和改进的方向。最后对柔性逻辑中的泛非逻辑运算在数据挖掘中的应用做了初步的探索,将泛非运算用到义原相似度的计算中,完成了基于关键词的Web用户挖掘的实现及简单数据验证。
范敏[7]（2016）在《几类不确定型粗决策方法研究》文中认为不确定型多属性决策是现代决策科学的重要分支,其理论与方法在管理、经济、军事、医药等诸多领域都有着广泛的应用。而粗糙集是以数据驱动的方法处理不确定、不一致信息的有力工具。近年来粗糙集与不确定型多属性决策交叉融合,已经发展成为一种新兴的不确定型粗决策方法,在智能模式识别、危机预测、文本自动分类、群决策等等方面都得到了成功的应用。决策的基础是人们对研究对象的感知,由于现实中不确定型问题的普遍性和人们感知的有限性,人们的感知所表达的常见数据类型除了精确实数值,还有大量的语言值、模糊数、直觉模糊数等多种数据类型。同时,人们的感知常基于研究对象的两两对比,即基于一种二元关系,所以在不确定型决策中,在常见的等价关系、一般二元关系、直觉模糊关系下,结合不同的数据类型,利用粗决策方法去研究各种现实的决策问题,具有重要的理论意义和实际应用价值。本文针对备选方案属性值在满足等价关系、一般关系和直觉模糊关系下的几类决策方法进行了系统的研究,并将其理论研究成果应用于城市交通实际问题。本文主要取得了以下成果：1、基于等价关系的多属性粗决策方面,为了解决传统属性约简算法对数据分布信息利用不足的缺点,提出了一种离散化和属性约简相结合的方法,使得决策系统中的信息得到更加充分的利用。首先,通过可辨识矩阵,定义属性值的重要性,得到离散化算法；然后再通过对不可分辩类的定义、属性重要性的讨论以及属性约简的启发式算法,得到了一种离散化与属性约简相结合的启发式算法。在UCI数据集上与其它算法进行对比实验,结果表明,该方法可以充分利用数据集本身的分布特点,且能得到较好的属性约简效果,特别是实例数较多的数据库中表现得很突出。由于考虑到属性值的重要性,所以该方法不仅适用于条件属性取值分布比较分散的情形,还适用于条件属性取值比较集中的情形。2、基于一般关系的多属性粗决策方面,通过构造一般关系下的S-粗糙集,将S-粗糙集动态地运用于构造膨胀和腐蚀算子,将等价关系下的S-粗糙集推广到了般二元关系下。在实例中,对图像边缘先用比较大的邻域算子进行试探,若算子能完全覆盖图像元素,则选用较大的邻域算子进行膨胀和腐蚀运算；若算子不能完全覆盖图像元素,则选用较小的邻域算子进行膨胀和腐蚀运算,动态地实现了对研究对象近似空间的描述。并将其应用于后面的图像边缘的腐蚀和膨胀处理中,通过图像处理结果验证了该算法的灵活性和有效性。3、基于直觉模糊集的多属性粗决策方面,提出了一种面向领域知识的基于直觉模糊熵的群决策方法。解决了专家对满意度和不满意度都比较接近0.5时,基于距离的方法对方案无法进行排序的问题。该方法主要将专家的领域知识与数据的直觉模糊熵相结合,发现基于直觉模糊熵的方法进一步反映了专家在评价中对模糊信息进行刻画的能力。首先利用直觉模糊信息熵,求得属性的权重；然后用AHP法求专家权重；接着,运用集结算子进行排序；最后,用实例说明了该方法的有效性。该研究为其它满意度和不满意度都比较接近0.5的群决策问题提供了有益的借鉴。4、基于直觉模糊集的博弈方法研究方面,提出了支付值为直觉模糊值的双矩阵博弈模型（IFPBiG）的一种求解方法,得到一种更一般的非零和、双方理性可以分别假设的矩阵博弈问题的求解方法,推广了现有的简化理性假设的方法。首先建立了支付值为直觉模糊值的双矩阵博弈模型（IFPBiG）,讨论了求解该模型的两种非线性规划算法,并利用不动点理论严格地证明了支付值为直觉模糊值的双矩阵模型Nash均衡点的存在性。最后提出了求解IFPBiG的一种快速线性规划算法。该方法将经典博弈中理性假设的特殊简化情形推广到更一般的情形,对博弈假设问题进行了有益的探讨。本文的研究成果丰富了不确定型粗决策的研究,为不同数据类型的不确定型决策问题提供了新的有效的方法。
罗艺纯[8]（2015）在《基于遗传粒子群算法和粗糙集的属性约简算法研究》文中认为粗糙集理论是一种强有力的处理不精确、不完整、不确定性数据的数学工具。粗糙集属性约简是在保持信息系统分类质量能力基本不变的情况下,约去冗余的属性。如何求得最小属性约简是粗糙集理论研究的一个重要课题,求解最小属性约简是一个NP-hard问题,因此,在提高算法效率的同时求得最小属性约简成为属性约简算法研究中的一种必然趋势。本文对基于粗糙集理论、遗传算法以及粒子群优化算法的属性约简算法进行了研究。本文首先介绍了粗糙集理论、遗传算法和粒子群优化算法的相关内容。其次对基于可辨识矩阵、属性重要度和属性依赖度的属性约简算法进行了简单的介绍,并对各种算法进行对比分析。再次介绍了遗传约简算法和粒子群约简算法。遗传约简算法具有搜索范围广的优点,但是其收敛速度慢且不易于找到全局最优解。而粒子群算法的优点是收敛速度快,缺陷是易于陷入局部最优解,且算法不稳定。最后本文考虑将遗传算法、粒子群算法与粗糙集理论相结合进行属性约简,从而提出了一种基于遗传粒子群算法和粗糙集理论的属性约简算法。本算法的主要特点为:一是在求解属性核时采用了属性依赖度作为启发式策略,并且在种群初始化时用属性核加以限制,从而增强了算法的局部搜索能力,提高了算法的时间复杂度和约简结果的准确性。二是在粒子群约简算法的基础上增加了遗传算法中的选择、交叉、变异操作,以达到充分利用粒子群中有效信息的目的,从而在原有能得到良好搜索结果的基础上提高算法的收敛速度、扩大搜索空间范围,使这两种算法发挥各自的优势弥补双方的不足。三是在适应度函数设计时,不但引入了属性依赖度值作为判断依据,还在粒子群进化的不同阶段对适应度函数进行动态调节,以保证最后的约简结果为最小属性约简。
尹林子[9]（2013）在《不一致决策表数据处理方法研究》文中指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。
宋婷,陈战伟[10]（2012）在《基于可辨识矩阵吸收律的属性约简方法》文中进行了进一步梳理采用基于可辨识矩阵的约简方法,将属性的约简转化成矩阵的构造化简问题。提出利用吸收律来简化可辨识矩阵的构造过程,通过对属性重要性的度量,构造了一种基于可辨识矩阵吸收律的属性约简算法。通过实例分析并验证了该方法的有效性。
二、基于可辨识矩阵的启发式属性约简方法及其应用（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、基于可辨识矩阵的启发式属性约简方法及其应用（论文提纲范文）
（1）基于邻域粗糙集的增量属性约简算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题应用背景及选题意义 |
| 1.1.1 课题应用背景 |
| 1.1.2 选题意义 |
| 1.2 论文国内外研究现状 |
| 1.2.1 粗糙集理论的研究现状 |
| 1.2.2 粗糙集理论在不完备信息系统中的研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文的结构组成以及安排 |
| 第二章 理论综述 |
| 2.1 粗糙集理论的基本理论 |
| 2.2 邻域粗糙集的基本理论 |
| 2.3 属性约简 |
| 2.4 动态数据的约简方法 |
| 2.5 本章小结 |
| 第三章 基于邻域粗糙条件熵的非增量属性约简算法 |
| 3.1 邻域粗糙条件熵的相关理论 |
| 3.1.1 邻域粗糙熵的定义 |
| 3.1.2 邻域粗糙条件熵的定义 |
| 3.2 基于邻域粗糙条件熵属性约简算法 |
| 3.2.1 基于信息熵的属性约简算法的优势 |
| 3.2.2 算法设计 |
| 3.3 算法测试和结果分析 |
| 3.3.1 参数的确定 |
| 3.3.2 算法测试和结果分析 |
| 3.3.3 非增量属性约简算法的应用场景 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙条件熵的增量属性约简算法 |
| 4.1 增量式约简机制 |
| 4.1.1 增加样本后邻域的变化规律 |
| 4.1.2 增加样本后新的邻域粗糙条件熵的变化规律 |
| 4.1.3 增加样本后约简结果的变化规律 |
| 4.2 基于邻域粗糙条件熵的增量属性约简算法的设计 |
| 4.3 增量属性约简算法的测试和结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 约简时间对比分析 |
| 4.3.3 精度对比分析 |
| 4.3.4 增量属性约简算法的应用场景 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）基于改进鱼群的邻域粗糙集属性约简及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 粗糙集属性约简算法研究现状 |
| 1.3 人工鱼群算法研究现状 |
| 1.4 焊接接头疲劳寿命影响因素分析研究现状 |
| 1.5 研究内容及结构安排 |
| 本章小结 |
| 第二章 粗糙集理论基础 |
| 2.1 经典粗糙集 |
| 2.1.1 知识表达系统与决策系统 |
| 2.1.2 上、下近似集与粗糙集 |
| 2.1.3 属性依赖度与属性重要度 |
| 2.1.4 约简与相对约简 |
| 2.2 邻域粗糙集 |
| 2.2.1 邻域 |
| 2.2.2 邻域粗糙集逼近 |
| 2.2.3 邻域粗糙集算例 |
| 本章小结 |
| 第三章 人工鱼群算法 |
| 3.1 基本人工鱼群算法 |
| 3.1.1 人工鱼群模型 |
| 3.1.2 人工鱼群算法的基本行为 |
| 3.1.3 人工鱼群算法的特点 |
| 3.1.4 算法描述 |
| 3.2 人工鱼群算法收敛性及参数分析 |
| 3.2.1 算法收敛性基础 |
| 3.2.2 算法参数分析 |
| 3.3 改进人工鱼群算法 |
| 3.3.1 自适应步长和视野 |
| 3.3.2 改进聚群、追尾行为 |
| 3.3.3 改进觅食行为 |
| 3.3.4 消亡与重生机制 |
| 3.3.5 算法描述 |
| 本章小结 |
| 第四章 基于改进鱼群的邻域粗糙集属性约简 |
| 4.1 基于改进鱼群的邻域粗糙集属性约简算法 |
| 4.1.1 人工鱼的编码及初始化 |
| 4.1.2 鱼之间的距离及鱼群中心位置 |
| 4.1.3 适应度函数及公告板更新条件 |
| 4.1.4 迭代条件及终止条件 |
| 4.1.5 自适应步长和视野 |
| 4.1.6 消亡与重生机制 |
| 4.2 算法框架 |
| 4.2.1 算法步骤 |
| 4.2.2 算法流程 |
| 4.3 实验分析 |
| 4.3.1 数据集及实验环境 |
| 4.3.2 实验比较算法 |
| 4.3.3 约简结果比较实验 |
| 4.3.4 约简率比较实验 |
| 4.3.5 分类准确率比较实验 |
| 本章小结 |
| 第五章 铝合金焊接接头疲劳寿命影响因素评价系统的研发 |
| 5.1 铝合金焊接接头疲劳寿命影响因素评价系统研发背景 |
| 5.2 铝合金焊接接头疲劳寿命影响因素评价系统总体设计方案 |
| 5.3 系统软件的设计与实现 |
| 5.3.1 数据集选择界面的设计实现 |
| 5.3.2 约简算法选择界面的设计实现 |
| 5.3.3 运行主界面的设计实现 |
| 5.3.4 权重界面的设计实现 |
| 5.3.5 约简率界面的设计实现 |
| 5.3.6 分类准确率界面的设计实现 |
| 5.3.7 算法比较界面的设计实现 |
| 5.4 铝合金疲劳寿命影响因素评价分析 |
| 5.4.1 属性约简以及权重计算 |
| 5.4.2 评价分析结论 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）基于模糊粗糙集模型的特征选择方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙集理论研究现状 |
| 1.2.2 模糊粗糙集理论研究现状 |
| 1.2.3 特征选择研究现状 |
| 1.2.4 多标记学习研究现状 |
| 1.2.5 多标记特征选择研究现状 |
| 1.3 论文研究目标 |
| 1.4 论文内容安排 |
| 第二章 预备知识 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集理论的基本概念 |
| 2.1.2 粗糙集模型 |
| 2.2 模糊粗糙集理论 |
| 2.2.1 模糊粗糙集理论的基本概念 |
| 2.2.2 模糊粗糙集理论模型 |
| 2.2.3 基于模糊粗糙集依赖度的特征选择 |
| 2.2.4 基于模糊粗糙集可辨识矩阵的特征选择 |
| 2.3 本章小节 |
| 第三章 基于异类率的稳健模糊粗糙集特征选择 |
| 3.1 引言 |
| 3.2 基于异类率模糊粗糙集模型 |
| 3.2.1 异类率 |
| 3.2.2 基于异类率模糊粗糙集 |
| 3.2.3 基于异类率模糊粗糙集的相关性质 |
| 3.3 基于异类率模糊粗糙集的特征选择 |
| 3.4 实验与分析 |
| 3.4.1 数据集 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第四章 基于代表性样本的稳健模糊粗糙集特征选择 |
| 4.1 引言 |
| 4.2 基于代表性样本模糊粗糙集模型 |
| 4.2.1 代表性样本 |
| 4.2.2 基于代表性样本模糊粗糙集 |
| 4.2.3 基于代表性样本模糊粗糙集的相关性质 |
| 4.3 基于代表性样本模糊粗糙集的特征选择 |
| 4.4 实验与分析 |
| 4.4.1 数据集 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 基于核模糊粗糙集的多标记特征选择 |
| 5.1 引言 |
| 5.2 多标记学习中的核方法 |
| 5.2.1 核函数 |
| 5.2.2 空间内部的核融合 |
| 5.2.3 特征空间和标记空间的核融合 |
| 5.3 RMFRS |
| 5.4 实验与分析 |
| 5.4.1 数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第六章 考虑标记相关性的模糊粗糙多标记特征选择 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 标记相关性 |
| 6.4 整合标记权重信息 |
| 6.5 考虑标记相关性的多标记FRS模型 |
| 6.6 MFFLC |
| 6.7 实验与分析 |
| 6.7.1 数据集 |
| 6.7.2 对比算法 |
| 6.7.3 评价指标 |
| 6.7.4 实验结果 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的学术成果 |
（4）飞机液压系统故障特性分析及故障诊断使用技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 液压系统故障诊断技术的研究现状 |
| 1.2.2 液压系统故障诊断技术的发展趋势 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 2 ARJ21型飞机液压系统主要构成 |
| 2.1 液压系统概述 |
| 2.1.1 液压系统组成及工作原理 |
| 2.1.2 液压系统界面 |
| 2.2 事故树模型的建立 |
| 2.2.1 故障信息收集及分析 |
| 2.2.2 事故树模型的建立 |
| 2.3 基于事故树的安全性分析 |
| 2.3.1 事故树定性分析 |
| 2.3.2 事故树定量分析 |
| 2.4 本章小结 |
| 3 液压系统安全隐患实时预警及处理方法研究 |
| 3.1 基于粗糙集理论的实时预警决策规则获取方法 |
| 3.1.1 规则获取的粗糙集理论 |
| 3.1.2 预警决策信息系统的建立方法 |
| 3.1.3 属性约简及规则获取算法 |
| 3.1.4 基于区分矩阵的属性约简算法 |
| 3.2 液压系统实时预警决策规则获取 |
| 3.2.1 初始预警决策信息系统的建立 |
| 3.2.2 离散化预警决策信息系统建立 |
| 3.2.3 决策信息系统的约简 |
| 3.2.4 实时预警规则获取 |
| 3.2.5 液压系统故障诊断规则的使用 |
| 3.3 本章小结 |
| 4 液压系统故障特性分析 |
| 4.1 故障的特点 |
| 4.1.1 故障的渐进性 |
| 4.1.2 故障的隐蔽性 |
| 4.1.3 因果关系的复杂性 |
| 4.1.4 故障的随机性 |
| 4.2 故障的分类 |
| 4.2.1 按故障的不同特征分类 |
| 4.2.2 按故障产生的原因分类 |
| 4.3 影响液压系统附件可靠性的主要因素 |
| 4.3.1 压力脉冲 |
| 4.3.2 温度作用 |
| 4.3.3 震动荷载 |
| 4.3.4 冲击荷载 |
| 4.4 液压油油液污染度及其控制 |
| 4.4.1 造成液压油污染的原因 |
| 4.4.2 液压油污染的危害 |
| 4.4.3 液压油污染的控制 |
| 4.5 机务人员日常维护要求分析 |
| 4.6 本章小结 |
| 5 模糊诊断理论及其应用 |
| 5.1 飞机液压系统故障的模糊性特征 |
| 5.2 模糊逻辑诊断方法的理论基础 |
| 5.2.1 模糊理论的发展 |
| 5.2.2 模糊集合的概念及其运算 |
| 5.2.3 模糊关系与模糊矩阵 |
| 5.3 模糊故障诊断模型 |
| 5.4 ARJ21型飞机液压起落架收放系统模糊故障诊断分析 |
| 5.4.1 诊断模型的建立 |
| 5.4.2 故障诊断实例 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于粗糙集的高维数据高效属性约简研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文组织结构 |
| 第2章 粗糙集理论基础 |
| 2.1 粗糙集理论概述 |
| 2.2 粗糙集的基本概念 |
| 2.3 几种典型的属性约简方法 |
| 2.3.1 基于正域的属性约简 |
| 2.3.2 基于可辨识矩阵的属性约简 |
| 2.3.3 加权模糊粗糙约简 |
| 2.4 本章小结 |
| 第3章 面向高维数据的属性约简算法改进 |
| 3.1 基于哈希表的并行正域计算方法 |
| 3.1.1 基于哈希表的快速正域计算方法 |
| 3.1.2 基于哈希表的并行化正域计算方法 |
| 3.1.3 实验分析 |
| 3.2 基于二分策略的约简算法 |
| 3.2.1 二分近似约简算法 |
| 3.2.2 二分约简算法 |
| 3.2.3 实验分析 |
| 3.3 基于多粒度属性树的前序遍历约简算法 |
| 3.3.1 前序遍历的属性约简算法 |
| 3.3.2 前序遍历的属性约简算法分折 |
| 3.3.3 实验分析 |
| 3.4 三种改进算法的优缺点 |
| 3.5 本章小结 |
| 第4章 属性约简在新闻分类系统中的应用 |
| 4.1 新闻分类系统功能图 |
| 4.2 基于属性约简的新闻语料数据预处理 |
| 4.2.1 新闻语料分词 |
| 4.2.2 新闻的向量化 |
| 4.2.3 高维新闻数据属性约简 |
| 4.2.4 新闻分类 |
| 4.3 系统展示 |
| 4.4 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 附录A PTAR实验详细数据 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）柔性逻辑在数据挖掘中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景与研究现状 |
| 1.1.1 数据挖掘中用到的粗糙集理论及现有理论的局限性 |
| 1.1.2 泛逻辑的产生和发展 |
| 1.2 本文的主要创新工作 |
| 1.3 本文的结构安排 |
| 本章参考文献 |
| 第二章 数据挖掘、粗糙集及柔性逻辑理论基础 |
| 2.1 数据挖掘简介 |
| 2.1.1 数据挖掘方法简介 |
| 2.1.2 数据挖掘过程简介 |
| 2.2 粗糙集理论简介 |
| 2.2.1 粗糙集基础概念 |
| 2.2.2 属性约简的方法简介 |
| 2.2.3 粗糙集理论的扩展 |
| 2.3 柔性逻辑理论基础 |
| 2.3.1 柔性逻辑学理论基础 |
| 2.3.2 零级泛运算模型 |
| 2.3.3 一级泛运算模型 |
| 2.3.4 泛非命题连接词及其逻辑公式 |
| 2.4 柔性逻辑学理论和粗糙集理论结合的可能性 |
| 2.4.1 柔性逻辑和粗糙集理论的结合 |
| 2.4.2 柔性逻辑用在数据挖掘过程中——理论的验证 |
| 本章参考文献 |
| 第三章 完备信息系统下的属性约简研究 |
| 3.1 泛等价处理连续属性 |
| 3.1.1 不可分辨关系 |
| 3.1.2 泛等价处理连续值属性 |
| 3.1.3 应用泛等价关系对不可分辨关系进行新的定义 |
| 3.2 应用泛等价改进基于区分矩阵的属性约简算法 |
| 3.2.1 基于区分矩阵的属性约简算法及其泛等价改进策略 |
| 3.2.2 应用新不可分辨关系后的实例分析 |
| 3.2.3 应用新不可分辨关系改进后属性约简算法的实验验证 |
| 3.3 本章小结 |
| 本章参考文献 |
| 第四章 不完备信息系统下的泛容差关系 |
| 4.1 粗糙集扩展理论基础 |
| 4.1.1 容差关系 |
| 4.1.2 量化容差关系 |
| 4.2 改进量化容差关系 |
| 4.2.1 基于相关性的新量化容差关系 |
| 4.2.2 新量化容差关系下的实例分析 |
| 4.3 泛量化容差关系 |
| 4.3.1 泛容差关系 |
| 4.3.2 应用泛容差关系进行实例分析 |
| 4.4 本章小结 |
| 本章参考文献 |
| 第五章 数据挖掘中属性约简算法的实现与比较 |
| 5.1 基于区分矩阵的属性约简算法的实现 |
| 5.1.1 基于区分矩阵属性约简算法的过程简介 |
| 5.1.2 基于区分矩阵的属性约简算法实现及实验测试 |
| 5.2 启发式属性约简的实现 |
| 5.2.1 启发式属性约简算法过程简介 |
| 5.2.2 启发式属性约简算法的实现及实验测试 |
| 5.3 基于信息熵的属性约简算法的研究及实现 |
| 5.3.1 基于信息熵的属性约简过程简介 |
| 5.3.2 基于信息熵的属性约简的实现及实验测试 |
| 5.4 动态属性约简算法研究与实现 |
| 5.4.1 动态属性约简的过程简介 |
| 5.4.2 动态属性约简的实现与实验测试 |
| 5.5 几种属性约简算法时间比较 |
| 5.6 本章小结 |
| 本章参考文献 |
| 第六章 柔性逻辑在数据挖掘中的应用探索及验证 |
| 6.1 改进属性约简用在聚类挖掘中的实验验证 |
| 6.1.1 单连接层次聚类算法 |
| 6.1.2 K-Means聚类算法 |
| 6.1.3 FCM聚类算法 |
| 6.1.4 应用柔性逻辑约简前后的数据挖掘时间的比较 |
| 6.2 基于关键词相似度的web数据挖掘初探 |
| 6.2.1 关键词间相似度算法 |
| 6.2.2 词语相似度算法分析 |
| 6.2.3 用户相似度算法 |
| 6.2.4 结果分析 |
| 6.3 柔性逻辑应用到数据挖掘的探索与构想 |
| 6.4 本章小结 |
| 本章参考文献 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 将来的研究展望 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
（7）几类不确定型粗决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 问题的提出与研究的意义 |
| 1.2 研究动态 |
| 1.2.1 粗糙集理论的研究现状 |
| 1.2.2 决策理论的研究现状 |
| 1.2.3 粗糙集理论与多属性决策结合的研究现状 |
| 1.2.4 模糊矩阵博弈研究现状 |
| 1.2.5 直觉模糊集的研究现状 |
| 1.3 本文的主要工作 |
| 1.4 论文的创新之处 |
| 1.5 本文的逻辑框图 |
| 第二章 理论概述 |
| 2.1 偏好关系与近似空间 |
| 2.1.1 偏好关系 |
| 2.1.2 偏好关系下的近似拓扑空间 |
| 2.1.3 模糊关系 |
| 2.2 粗逻辑与推理 |
| 2.2.1 粗逻辑语言与语义 |
| 2.2.2 粗逻辑推理 |
| 2.3 有限理性公理 |
| 第三章 基于等价关系的多属性粗决策 |
| 3.1 数据预处理 |
| 3.1.1 数据补齐 |
| 3.1.2 数据规范化 |
| 3.1.3 数据离散化 |
| 3.2 属性约简 |
| 3.3 不一致规则提取 |
| 3.4 实例分析 |
| 3.4.1 基于粗糙集的交通方式选择及其灵敏度分析 |
| 3.4.2 基于粗糙集与AHP理论的交通环境群决策 |
| 3.5 本章小结 |
| 第四章 基于一般关系的多属性粗决策 |
| 4.1 一般关系下的粗决策理论 |
| 4.1.1 一般关系信息系统的基本概念 |
| 4.1.2 一般关系决策系统的相对属性约简 |
| 4.1.3 一般关系下的新知识生成 |
| 4.2 一般二元关系下的变异粗集 |
| 4.3 一般关系下的双向S-动态粗集 |
| 4.4 实例 |
| 4.4.1 基于S-粗集的区域交通绿时控制方法研究与应用 |
| 4.4.2 基于S-粗集的图像边缘处理 |
| 4.5 本章小结 |
| 第五章 基于直觉模糊集的决策与博弈 |
| 5.1 直觉模糊集基本理论 |
| 5.2 直觉模糊博弈 |
| 5.2.1 支付值为直觉模糊语言的双矩阵对策(以下简称IFPBiG) |
| 5.2.2 均衡解的求解 |
| 5.3 实例分析 |
| 5.3.1 基于直觉模糊熵的群决策方法在城市交通环境综合评价中的应用 |
| 5.3.2 基于直觉模糊集的双矩阵博弈 |
| 5.3.3 结论 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A |
| 附录B |
| 附录C |
（8）基于遗传粒子群算法和粗糙集的属性约简算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的内容及组织安排 |
| 2 粗糙集理论与属性约简 |
| 2.1 粗糙集理论基础 |
| 2.1.1 信息表知识表达系统 |
| 2.1.2 粗糙集基本概念 |
| 2.2 基于粗糙集的属性约简 |
| 2.2.1 属性约简与属性核 |
| 2.2.2 一般的属性约简算法 |
| 2.2.3 基于可辨识矩阵的属性约简算法 |
| 2.2.4 基于属性依赖度的属性约简算法 |
| 2.2.5 基于属性重要度的属性约简算法 |
| 2.2.6 算法的分析与比较 |
| 2.3 本章小结 |
| 3 遗传约简算法和粒子群约简算法 |
| 3.1 遗传算法 |
| 3.1.1 遗传算法的产生及发展 |
| 3.1.2 遗传算法基本理论 |
| 3.1.3 基本遗传算法 |
| 3.2 粒子群优化算法 |
| 3.2.1 粒子群优化算法的产生及发展 |
| 3.2.2 粒子群优化算法的基本理论 |
| 3.2.3 基本粒子群算法 |
| 3.3 基于遗传算法、粒子群算法和粗糙集理论的属性约简 |
| 3.3.1 遗传约简算法 |
| 3.3.2 粒子群约简算法 |
| 3.4 本章小结 |
| 4 遗传—粒子群属性约简算法 |
| 4.1 算法的基本思想 |
| 4.2 算法设计 |
| 4.2.1 算法描述 |
| 4.2.2 算法流程 |
| 4.3 算法的可行性分析 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 进一步的展望 |
| 参考文献 |
| 致谢 |
（9）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 |
（10）基于可辨识矩阵吸收律的属性约简方法（论文提纲范文）
| 1 基于可辨识矩阵的一般约简算法 |
| 2 基于可辨识矩阵吸收律的属性约简算法 |
| 2.1 算法思想 |
| 2.2 算法描述 |
| 3 实例分析 |
| 4 结束语 |
四、基于可辨识矩阵的启发式属性约简方法及其应用（论文参考文献）
- [1]基于邻域粗糙集的增量属性约简算法研究[D]. 侯文丽. 太原理工大学, 2020(07)
- [2]基于改进鱼群的邻域粗糙集属性约简及其应用[D]. 江伟. 大连交通大学, 2019(08)
- [3]基于模糊粗糙集模型的特征选择方法研究[D]. 李钰雯. 厦门大学, 2019(08)
- [4]飞机液压系统故障特性分析及故障诊断使用技术研究[D]. 寇旭. 西安科技大学, 2018(01)
- [5]基于粗糙集的高维数据高效属性约简研究与应用[D]. 邵瑞. 重庆邮电大学, 2018(01)
- [6]柔性逻辑在数据挖掘中的应用研究[D]. 刘城霞. 北京邮电大学, 2016(02)
- [7]几类不确定型粗决策方法研究[D]. 范敏. 昆明理工大学, 2016(12)
- [8]基于遗传粒子群算法和粗糙集的属性约简算法研究[D]. 罗艺纯. 西北师范大学, 2015(07)
- [9]不一致决策表数据处理方法研究[D]. 尹林子. 中南大学, 2013(02)
- [10]基于可辨识矩阵吸收律的属性约简方法[J]. 宋婷,陈战伟. 太原科技大学学报, 2012(06)