基于幂图的属性约简

针对粗糙集对于连续域属性决策表的处理能力差以及不容易获得模糊集之间关系等问题，提出一种将模糊集和粗糙集结合起来的连续型条件属性模糊规则约简算法。该算法首先引入三角隶属度函数将连续属性值转换为模糊值，并

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

基于粗糙集属性约简以及概念格的关联规则挖掘分析，word文档，适合概念格和粗糙集的初学者使用

一种基于并行遗传算法的粗糙集属性约简，是我找到比较实用的算法！

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

粗糙集理论是数据挖掘的重要数学工具。 特征选择是数据挖掘过程中的主要步骤。 在本文中,我们从信息论的角度着眼于在集值有序信息系统(SOIS)中使用粗糙集理论进行属性约简。 首先,我们将信息熵和相对信息