變精度粗糙集分類算法的研究與應用.pdf

1、粗糙集理論是一種處理不精確、不一致與不完全數據的數學工具，它能夠從數據集中直接提取規(guī)則，方便人們從龐大復雜的數據集中提取出隱含于其中的規(guī)律。應用粗糙集的方法，可以快速有效的提取出大數據中隱含的特征。但是粗糙集能夠執(zhí)行一個完整的分類要求，需要在無信息丟失的情況下進行屬性集合的約簡，抗噪性能較差。而在現實決策獲取中，信息系統(tǒng)的數據存在模糊性、不完整性以及噪聲，分類與控制程度的不確定性無法滿足粗糙集的要求。為了解決這些問題，引入了變精度粗糙集

2、模型。它是經典粗糙集模型重要的改進方法之一，顯示了數據集中存在的一定的誤分類數據的魯棒性和數據噪聲，通過引入包含度的概念設定邊界閾值，放松了經典粗糙集對于正區(qū)域選取的嚴格程度，大大減少了樣本空間的維數，一定程度上降低了算法的計算復雜性。支持向量機是一種學術界和工業(yè)界廣泛使用的分類方法。它使用非線性映射的方法將原始數據映射到高維空間，并在該空間內搜索最大邊緣超平面，能夠最小化結構風險，具有很好的泛化性能。
　　本文深入研究了變精度粗

3、糙集關于邊界閾值?的選取問題，進一步改善變精度粗糙集模型的容錯性能，并且應用于醫(yī)學圖像的特征選擇，使其在一定程度上提高樣本分類的準確率和降低算法的時間復雜度，最后應用支持向量機對篩選后的特征集進行分類。本文主要工作和創(chuàng)新點如下：
　　1.提出了一種基于變精度粗糙集的邊界閾值選取?的新方法。首先提出平均包含度的概念，將平均包含度作為選取上下近似集的閾值，能夠根據不同類型的數據集生成最優(yōu)變精度閾值，將邊界域中信息量較大的條件屬性歸入正