基于属性重要度的约简算法

提出了一种基于遗传算法的高维数据模糊聚类方法。引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度，并将高维样本初始化到二维平面。利用遗传算法进行迭代优化二维样本的坐标值，实现二维样本之间的欧氏距离

以邻域粗糙集的属性重要度作为量度，从一个空集出发，前向贪心的选择重要度大的属性并入到约简集合，直到达到约简条件

粗糙集属性决策表约简算法研究，薛楠，刘守荣，本论文通过对无决策属性的粗糙集决策表的研究，按照粗糙集最小决策算法的原则，提出一种新的核属性算法和最小决策算法。实验验证

为了对动态变化的决策表进行属性约简处理,在改进的分辨矩阵的基础上,提出一种增量式属性约简算法,当决策表添加新的记录后,能快速得到新决策表的所有约简和最小约简.此外,通过对不相容决策表的正区域的决策值和

粗糙集理论知识库的属性重要度,体现的是去掉某个或某些属性前后的知识库分类变化的程度。对现有粗糙集理论的属性重要度确立方法的不足,充分考虑条件属性对决策的直接和间接的影响,提出一种新的基于粗糙集属性依赖

相比于经典粗糙集方法,模糊粗糙集方法避免了数据离散化的过程,减少了信息损失。但基于传统模糊粗糙集的属性约简并未考虑实际应用中数据的测试代价,为解决这一问题,提出了一种近似质量与测试代价相融合的适应度函

决策粗糙集理论是姚一豫教授基于传统粗糙集提出的代价敏感的粗糙集模型,之后衍生了许多基于DTRS的属性约简,如保持正域不变的约简、保持正域和负域同时不变的约简、获取代价最小的约简等。然后这些约简是对所有

为了在动态变化的决策表中，快速方便地获得新的属性约简，利用数组元素对差别矩阵中的属性组合进行计数，提出一种基于数组的增量式属性约简更新算法。当决策表动态变化时，根据数组元素的取值变化，获得差别矩阵中增

使用邻域粒化和粗糙逼近的数值属性约简方法

通过对多种约简方法进行比较，为了得到更好的结果，在传统基于属性依赖度的约简方法基础上，定义更精确的强化正域概念。通过对边界域的精确划分，得出各条件属性对决策属性的强化依赖度，并用自顶向下的启发式搜索算