基于邻域粒化和粗糙逼近的数值属性约简

粗糙集的知识约简研究.毕业学位论文-------

不完备信息系统中基于粒理论的多粒度粗糙集数值表征

粗糙集理论是模式识别和机器学习的重要内容，属性约简是粗糙集理论中核心步骤。然而传统的粗糙集理论对数据集进行属性约简，计算复杂度高，容易陷入局部最优解。提出了一种新型灰狼优化算法的粗糙集属性约简技术，可

一种粗糙集属性约简的改进算法，贾利娟，冯璇，属性约简是粗糙集理论的核心内容之一。本文结合粗糙集知识对基于Skowron[1]区分矩阵的属性约简算法进行改进，形成一种简单、有效、��

针对Apriori算法的不足，提出了一种新的优化算法Napriori。算法从优化产生2－项目集、事务压缩、项目压缩、优化连接等几个方面对Apriori算法进行优化，将散列技术应用于产生1－项目集和2－

这是我的毕业论文，主要是利用信息向量构建基于区分矩阵的属性约简算法研究及其增量式属性约简算法研究

在粗糙集理论中,精度和粗糙度用于表征集合的不确定性,近似精度用于描述强分类的精度。 尽管这些措施是有效的,但当一个知识下的集合的上下近似等于另一知识下的下近似/上逼近时,它们会有一些限制。 为了克服这

该文从多视角考虑粗糙近似逼近问题,讨论了邻域系统粗糙集模型的性质.将邻域系统粗糙集模型与两种重要的广义粗糙集模型,即可变精度粗糙集和多粒度粗糙集进行了对比分析,分别根据分类错误率和多粒度构建了不同的领

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

基于邻域粗糙集的极速学习机算法