粗糙集作為一種新型的數(shù)學(xué)工具用來處理一些不確定和不完整信息,利用集合中各屬性之間的不可分辨關(guān)系,將系統(tǒng)中的信息更加簡潔有效地表示出來,目前已經(jīng)被應(yīng)用到各個領(lǐng)域。經(jīng)典粗糙集模型的假設(shè)分類必須是確定的,在實際應(yīng)用中缺乏一定的靈活性,因而存在著很大的局限性,不能很好地處理含有干擾信息的數(shù)據(jù)。為此,眾多學(xué)者在傳統(tǒng)粗糙集的基礎(chǔ)上引入概率閾值提出了概率粗糙集模型。屬性約簡是粗糙集理論研究中最主要的問題之一,從客觀上來講,冗余信息存在于各類知識決策系統(tǒng)當中,屬性約簡就是刪除其中不相關(guān)的屬性,對系統(tǒng)中的屬性進行簡化。所謂最小約簡就是更加簡明有效的屬性決策規(guī)則,然而能否求出最小屬性約簡問題被證明是一個NP問題。要探尋一種合適的屬性約簡算法在日常生活中就顯得尤為重要。本文針對概率粗糙集處理屬性約簡過程出現(xiàn)的不確定性,與遺傳算法結(jié)合提高約簡效率,對概率粗糙集屬性約簡進行更深入的研究,提出了兩種屬性約簡算法,取得主要研究成果如下:1.針對基于概率粗糙集的啟發(fā)式屬性約簡算法,必須在屬性核的基礎(chǔ)上計算所有屬性添加和刪除之后的概率近似精度的更新值,計算量大且所需存儲空間多,導(dǎo)致效率低。基于此,提出改進近似精度和概率... 

【文章來源】：西北師范大學(xué)甘肅省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于依賴度的約簡算法流程圖

西北師范大學(xué)碩士學(xué)位論文32文算法的有效性。（1）對于小型決策表的屬性約簡用隨機算法在MATLAB中隨機產(chǎn)生的小型決策表如表4-5所示，其中12100U=e,e,e為全體對象集合，1210C=a,a,,a為條件屬性集合，D=d為決策屬性集合，V=0,1,2為屬性值集合，算法迭代的最大次數(shù)設(shè)置為100次。表4-5小型決策表U1a2a3a4a5a6a7a8a9a10ad1e011001010012e101100101123e001001010104e100000001115e0110111101296e0100101011297e1011010010198e0010001001199e01111010111100e11110100001兩種算法關(guān)于小型決策表的迭代次數(shù)和適應(yīng)度函數(shù)值對比如圖4-4所示：圖4-4兩種算法對小型決策表進行屬性約簡的適應(yīng)度函數(shù)值上升曲線對于小型決策表，本節(jié)算法花費的時間為1824ms，文獻[40]花費的計算時間為2215ms，兩者都能求得最小屬性約簡為1247910a,a,a,a,a,a。圖4-4表明兩種約簡算法的適應(yīng)度函數(shù)值都呈遞增趨勢，由于迭代次數(shù)的減少所以相比較而言本節(jié)

第4章基于遺傳算法和概率粗糙集的屬性約簡算法33算法花費的時間要更少。但本節(jié)所提屬性約簡算法在第23次迭代時得出最佳個體且適應(yīng)度不再改變，其適應(yīng)度函數(shù)值為0.58；文獻[40]中的屬性約簡算法在第27次迭代時收斂，其適應(yīng)度值為0.51。由此可見，本節(jié)提出的算法在迭代次數(shù)減少的情況下還能夠獲得更高的適應(yīng)度函數(shù)值，從而提高了屬性約簡效率。（2）對于中型決策表的屬性約簡在隨機算法在MATLAB中隨機產(chǎn)生的中型決策表如表4-6所示，其中12150U=e,e,,e為全體對象集合，1215C=a,a,,a為條件屬性集合，D=d為決策屬性集合，V=0,1,2為屬性值集合，算法迭代的最大次數(shù)設(shè)置為100次。表4-6中型決策表U1a2a3a4a5a11a12a13a14a15ad1e101010010122e010101101023e000111000114e111101101125e10001101100148e11100010001149e01001000112150e11010010001兩種算法關(guān)于小型決策表的迭代次數(shù)和適應(yīng)度函數(shù)值對比如圖4-5：圖4-5兩種算法對中型決策表進行屬性約簡的適應(yīng)度函數(shù)值上升曲線對于中型決策表，本節(jié)算法花費的計算時間為23794ms，文獻[40]花費的計算


本文編號：2914898