基于粗糙集的知識約簡算法研究及應(yīng)用.pdf

1、研究如何從大量的數(shù)據(jù)中智能地抽取出有價值的知識和信息，已成為當(dāng)前人工智能研究中非?；钴S的研究領(lǐng)域。目前，知識發(fā)現(xiàn)面臨著不能有效地處理不完備、不確定性數(shù)據(jù)以及知識的可解釋性比較差的問題。而作為集合論的擴展，粗糙集理論是一種新的軟計算方法，可以有效處理模糊的、不確定性知識。它不需要先驗知識和外界參數(shù)，近年來已經(jīng)被成功地應(yīng)用于人工智能、數(shù)據(jù)挖掘、模式識別等諸多領(lǐng)域。因此，研究基于粗糙集的知識發(fā)現(xiàn)方法具有十分重要的意義。
　　 本文對粗

2、糙集的基本理論和概念進(jìn)行了分析和研究，在這些基本理論的框架下，主要做了以下幾個方面的研究：
　　 (1)粗糙集屬性離散化
　　 粗糙集的屬性離散化要求：離散化結(jié)果要保持決策系統(tǒng)的不可分辨關(guān)系，以此來確保系統(tǒng)的分類能力不變；求得最小數(shù)目的斷點集。針對這兩點要求，本文首先介紹目前文獻(xiàn)中已有的一些連續(xù)屬性離散化的算法，并對其進(jìn)行研究與分析，得出這些算法在上述兩方面或其他方面的不足；然后，針對這些不足，提出了基于改進(jìn)遺傳算法的數(shù)

3、據(jù)離散化算法；最后通過實例驗證，該算法具有較好的離散化效果。
　　 (2)粗糙集屬性約簡
　　 針對傳統(tǒng)的料糙集屬性約簡算法效率不高，速度不快的問題，本文提出基于條件信息熵和相關(guān)系數(shù)的屬性約簡算法，把決策表的非核屬性約簡過程轉(zhuǎn)化為相關(guān)系數(shù)的運算，能減少對決策表的掃描次數(shù)，降低算法時間復(fù)雜度，降低算法冗余，提高屬性約簡的效率。并利用k-fold輪換對比方法計算相關(guān)系數(shù)，較大幅度的減少了計算量，同時能得到次優(yōu)屬性約簡結(jié)果。文