暂无评论
值约简是粗糙集（Rough Set，RS）理论的一个重要研究课题，但由于值约简是一个NP-hard问题，目前还没有一个高效的值约简算法。基于集合理论，提出了关系积概念，把决策表的属性约简过程转化为关系
目前粗糙集的研究局限于有限集，且现有的邻域粗糙集属性约简算法中属性重要性度量方式单一。针对邻域粗糙集存在的问题，提出了基于无限集的邻域近似条件熵模型。该模型以邻域近似条件熵下的属性重要度为启发条件，构
研究粒子群优化算法的特性，将其应用于小波域，对阈值进行寻优，并使用garrote阈值函数量化小波分解系数，而garrote阈值函数既克服了硬阈值函数的不连续性，也减小了软阈值函数存在的恒定偏差。实验仿
针对基于分辨矩阵约简算法中存在冗余元素，从而导致空间存储代价高的问题，提出一种基于加权浓缩树的属性约简算法。该算法可以进一步剔除冗余元素，压缩存储分辨矩阵中的信息，并且在构建树结构的过程当中考虑了属性
作为Pawlak粗糙集的扩展，邻域粗糙集能有效地处理数值型的数据。但是，因为沿用了Pawlak粗糙集在构造上下近似集时的包含关系，邻域粗糙集对噪声数据的容错性很差。针对这个问题，通过引入贝叶斯最小风险
依据《同义词词林（扩展版）》，以初始查询的同义词为证据扩展基本信念网络，得到扩展的信念网络检索模型，扩展模型采用不同的归并方法将得到不同的排序计算式。在析取归并算法的基础上，给出了合取归并算法，并对其
基于Hough森林的对象检测是隐式形状模型（ISM）的改进，它借助随机森林完成广义Hough变换。为了进一步提高其检测效果，充分利用训练图像中对象位置是已知的知识，改进了经典的偏移量不确定性度量方法，
由于支持向量具有边界性，在利用语音训练集对基于支持向量机（SVM）的说话人识别系统进行训练之前，需要对该训练集进行约简。考虑到该训练集一般十分庞大且具有非线性可分的特性，提出子聚类约简的概念。首先对训
主要介绍了Python查找两个有序列表中位数的方法,结合实例形式分析了Python基于归并算法遍历、计算有序列表相关操作技巧,需要的朋友可以参考下
论文研究-基于信息量的序信息系统的属性约简.pdf, 属性约简是粗糙集理论研究的核心内容之一.在序信息系统中引入信息量和属性重要性,给出它们与属性约简之间的关系. 针对序信息系统提出了一种基于信息量
暂无评论