基于连续型条件属性的模糊规则约简算法.doc

现有基于粗糙集的属性约简算法主要针对数据全部驻留在内存中的情况,因此算法不适合海量数据的约简计算、可伸缩性较差.本文借助SLIQ算法的思想并引入相应的一种数据预处理策略,由此提出一个快速的属性约简算法

R1(1,:)=R(1,:); qiangdu(1)=gaussmf(Datax1(1,1),xcan(R(1,1),:))*gaussmf(Datax1(1,2),xcan(R(1,2),:)) .

大数据时代，人们获取所需信息的困难度提高，而数据挖掘是当下解决此问题的关键技术。Apriori算法作为数据挖掘中的常用算法，通过挖掘数据背后的潜在关联规则。考虑到传统Apriori算法执行过程中，数据

过量过滤规则存在冗余性影响着网关设备处理性能。在分析过滤规则属性集的基础上，利用粗糙集区分矩阵的性质对过量过滤规则属性集进行约简处理。同时，通过属性权重方法产生过滤规则属性核集实现对过量过滤规则冗余的

粗糙集方法是一种处理不确定或模糊知识的重要工具。传统的粗糙集模型对最简规则集的研究都是针对静态数据的,对于动态数据却显得无能为力。但在实际应用中,数据库中的数据往往是动态变化的,因此,对规则约简的增量

粗糙集属性约简算法，英文资料，关于变精度属性约简算法

粗糙集约简程序属性约简的顺序如下：求正域、生成未经处理的区分矩阵、对区分矩阵进行化简、求核、对已经处理过的区分矩阵进行属性约简。约简后的决策表有26行,所有12个属性都是正域中的属性，核为空

通过分析目前信息观下不完备信息系统属性约简，针对已提出的几种信息熵存在随着属性的增加系统分类能力减弱的不足，从条件属性确定的容差类在决策属性划分上的分布出发，给出不完备决策表的条件分布信息量的定义；同

提出一种基于属性分辨度的不完备决策表规则提取算法, 它是一种例化方向的方法. 首先从空集开始, 逐步 选择当前最重要的条件属性对对象集分类, 从广义决策值唯一的相容块提取确定规则, 从其他的相容块提取

针对面向领域用户的决策规则挖掘问题, 用属性序描述领域用户的需求和兴趣, 模拟人脑分辨事物的过程, 提出了一种属性序下的分层递阶决策规则挖掘算法. 该算法在给定属性序下输出的决策规则集不仅具有唯一性,