本文關(guān)鍵詞：證據(jù)理論在知識約簡中的研究與應(yīng)用

  更多相關(guān)文章： 證據(jù)理論 粗糙集理論 屬性重要性 合成規(guī)則 信息熵 知識約簡

【摘要】：證據(jù)理論能夠在不知道先驗概率的情況下,直接表達(dá)“Uncertainty”和“Unknown”的能力,從而對不確定信息的表達(dá)和合成給出了一種很好的借鑒方法。雖然在證據(jù)完全沖突或高度沖突時,D-S合成規(guī)則就會失效或者融合結(jié)果出現(xiàn)不合常理的情況,但是經(jīng)過國內(nèi)外學(xué)者多年的研究與改進(jìn),該理論已經(jīng)日趨完善。目前,它已被廣泛的應(yīng)用到人工智能領(lǐng)域。知識約簡是粗糙集理論的核心內(nèi)容之一,數(shù)據(jù)降維和特征提取是其主要的應(yīng)用范圍,在智能信息處理中有著舉足輕重的地位。知識約簡就是既要保持原有分類能力不變,同時還要刪減冗余的屬性。然而,求解決策表的最小約簡是NP-hard問題。為此,通常采用啟發(fā)式的方法進(jìn)行知識約簡。在啟發(fā)式的方法中,研究比較深入的就是基于屬性重要度的知識約簡。但是,對于屬性重要性的度量沒有統(tǒng)一的標(biāo)準(zhǔn),每種方法都旨在快速找到一種局部最小約簡。因此,研究基于屬性重要度的知識約簡也是相當(dāng)有必要的。本文將證據(jù)理論運用到粗糙集理論中,旨在提供一種基于證據(jù)理論的知識約簡啟發(fā)式算法。首先,提出一種新的證據(jù)合成方法,克服了D-S合成規(guī)則的不足;其次,利用粗糙集等價劃分的概念給出屬性的信息熵,并由此定義每個屬性的熵值重要性;然后,基于屬性的熵值重要性給出屬性的概率分配值,引入二分mass函數(shù)對每個屬性建立一個證據(jù)函數(shù);接著,利用新的證據(jù)合成方法融合以上證據(jù),并通過Pignistic概率轉(zhuǎn)換得到每個屬性的證據(jù)重要性;最后,通過屬性的熵值重要性得到核,并以核為起點,對核以外的屬性依照證據(jù)重要性進(jìn)行排序,由大到小依次加入核中,直至滿足約簡條件。通過以上步驟就可以得到核以及知識的相對約簡。實例表明,基于證據(jù)理論的屬性重要度提取在分類上效果較好;同時,在知識約簡中求核與相對約簡的結(jié)果也是理想的。此啟發(fā)式算法容易理解且易于實現(xiàn),能夠快速求出決策表的核和相對約簡。但是,該算法只能找到知識的一個相對約簡,而且此約簡是否為一個最小約簡有待進(jìn)一步證明。
【關(guān)鍵詞】：證據(jù)理論 粗糙集理論 屬性重要性 合成規(guī)則 信息熵 知識約簡
【學(xué)位授予單位】：江西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 引言7-10
• 1.1 選題背景和研究意義7-8
• 1.2 課題的提出8-9
• 1.3 論文的組織結(jié)構(gòu)9-10
• 第二章 D-S證據(jù)理論10-13
• 2.1 基本定義10-11
• 2.2 Dempster合成規(guī)則及其悖論11-12
• 2.3 本章小結(jié)12-13
• 第三章 粗糙集基本理論13-23
• 3.1 粗糙集的基本概念13-17
• 3.2 知識約簡17-18
• 3.3 知識約簡的相關(guān)算法18-22
• 3.4 本章小結(jié)22-23
• 第四章 新的證據(jù)合成規(guī)則23-31
• 4.1 一些改進(jìn)方法的不足23-24
• 4.2 新的證據(jù)合成方法24-30
• 4.3 本章小結(jié)30-31
• 第五章 基于證據(jù)理論的知識約簡31-39
• 5.1 基于粗糙集的屬性熵值重要性31-33
• 5.2 基于證據(jù)理論的屬性重要性33-34
• 5.3 基于證據(jù)重要度的屬性約簡34-36
• 5.4 實驗與分析36-39
• 第六章 總結(jié)與展望39-40
• 6.1 總結(jié)39
• 6.2 展望39-40
• 參考文獻(xiàn)40-43
• 致謝43-44
• 在讀期間公開發(fā)表論文（著）及科研情況44

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李光興;;教學(xué)中的知識約簡[J];中國農(nóng)業(yè)教育;2011年02期

2 劉仁維;基于粗集的知識約簡與拓?fù)涓拍畹谋容^研究[J];甘肅科技;2002年12期

3 馬垣;基于二進(jìn)制可辨矩陣的知識約簡(待續(xù))[J];鞍山師范學(xué)院學(xué)報;2003年02期

4 王俊峰,朱慶保;基于蟻群算法的知識約簡[J];南京師范大學(xué)學(xué)報(工程技術(shù)版);2005年02期

5 陳鑫影;邱占芝;;基于可分辨關(guān)系的知識約簡[J];計算機(jī)工程;2010年04期

6 李東暉;陳雪剛;廖曉蘭;張家錄;程杰仁;;一種新的隨機(jī)模糊屬性的最小知識約簡[J];計算機(jī)應(yīng)用與軟件;2014年03期

7 馬垣;基于二進(jìn)制可辨矩陣的知識約簡(續(xù)前)[J];鞍山師范學(xué)院學(xué)報;2003年04期

8 魏本成;李東亞;尹守峰;;具有f約束下的知識約簡[J];山東大學(xué)學(xué)報(工學(xué)版);2006年03期

9 黃兵;胡作進(jìn);周獻(xiàn)中;;模糊信息系統(tǒng)知識約簡的分辨函數(shù)法[J];系統(tǒng)工程與電子技術(shù);2008年11期

10 張潔;;變精度粗糙模型的建立及其在加工過程知識約簡中的應(yīng)用[J];浙江工貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報;2008年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 高建龍;李梅梅;佘劍純;胡子敬;范裕;;噪聲環(huán)境下的不協(xié)調(diào)信息系統(tǒng)知識約簡[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

2 朱江華;潘豐;;基于蟻群算法的粗糙集知識約簡[A];2005年全國自動化新技術(shù)學(xué)術(shù)交流會論文集[C];2005年

3 閆華;;基于信息熵的粗糙集知識約簡方法[A];第十屆粵港機(jī)電工程技術(shù)與應(yīng)用研討會暨梁天培教授紀(jì)念會文集[C];2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 吳恒;證據(jù)理論在知識約簡中的研究與應(yīng)用[D];江西師范大學(xué);2016年

2 鄧燕;區(qū)間集值信息系統(tǒng)的知識約簡[D];山西師范大學(xué);2013年

3 秦星;粗糙集擴(kuò)展模型的知識約簡[D];山西師范大學(xué);2013年

4 郭文;基于粗集理論的知識約簡及其在風(fēng)險識別中的應(yīng)用[D];四川師范大學(xué);2008年

5 酒二珍;集值信息系統(tǒng)的粗糙集拓展模型的知識約簡[D];山西師范大學(xué);2012年

6 趙明;基于RS的高效知識約簡方法研究[D];長沙理工大學(xué);2009年

7 趙靜閣;基于粒計算知識約簡-SDG故障診斷研究[D];太原理工大學(xué);2010年

8 苗苗;集值信息系統(tǒng)知識約簡理論與方法[D];山西師范大學(xué);2012年

9 陳秀;粗糙集模型拓展及相關(guān)知識約簡研究[D];漳州師范學(xué)院;2009年

10 曹付元;多值信息系統(tǒng)與決策表知識約簡[D];山西大學(xué);2004年

，

本文編號：1027623