暂无评论
属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中，大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果，首先在已有的模糊邻域粗糙集模型中定义属
概念格理论中的G-D基是一个形式背景的最小蕴涵基,从G-D基中可以产生一个背景的所有蕴涵,对G-D基的研究对于数据挖掘和规则提取都有很重要的意义。当G-D基中的蕴涵很多时,从它推导出背景中的全部蕴涵就
针对置信规则中规则数的“组合爆炸”问题, 目前的解决方法主要是基于特征提取的规则约简方法, 有效性依赖于专家知识. 鉴于此, 提出基于粗糙集理论的无需依赖规则库以外知识的客观方法, 按照等价类划分思想
针对概率犹豫模糊元的多个隶属度和其概率各不相同的特点,提出基于概率犹豫模糊熵的多属性决策方法.首先,定义3种新的概率犹豫模糊熵:模糊熵、犹豫熵和总熵,以分别测量概率犹豫模糊元的模糊性、犹豫性和整体不确
一种新的基于属性重要性的粗糙集值约简算法，共同学习，共同进步
属性约简的简单循环算法!
这是由matlab编写的一个属性约简小程序。欢迎下载！
粗糙集约简代码，详细、清晰、易懂。分享给大家
基于信息熵的不完备信息系统属性约简算法，付昂，胡军，从信息论角度出发引入信息熵的概念，定义了知识的熵，提出了基于信息熵的不完备信息系统知识约简算法，该算法支持多种Rough集关系�
提出了一种基于线性判别分析和高斯混合模型的窄带音频快速分类方法，该方法在白噪声、街道噪声和车内噪声环境下都能有效区分语音、音乐和噪声。实验结果表明，该方法在保证分类时间不大于1 s的情况下，分类准确率
暂无评论