粗糙集分类模型及特征选择算法研究 版权信息
- ISBN:9787550462144
- 条形码:9787550462144 ; 978-7-5504-6214-4
- 装帧:一般胶版纸
- 册数:暂无
- 重量:暂无
- 所属分类:>
粗糙集分类模型及特征选择算法研究 本书特色
本书是关于粗糙集理论应用于数据分类的专著,本书的理论模型和算法分析,能够对从事识别、知识发现研究的学者以及爱好科研的朋友有一定的参考价值。
粗糙集分类模型及特征选择算法研究 内容简介
随着科技的不断进步,人工智能迅速发展。人工智能的发展离不开算法,而在算法中,分类技术是人工智能发展的重要组成部分。本书针对粗糙集分类技术的模型及其特征选择算法展开了深入研究。主要内容包括: (1)正向宏近似分类模型及其特征选择算法。正向宏近似分类模型把整个决策类集作为一个整体来近似,从宏观的角度描述了决策类集的上下近似,是一种能够快速求解一系列不同属性子集下系统近似的机制。基于正向宏近似分类模型提出的特征选择算法,采用正向宏近似分类模型快速产生边界,采用边界度量的属性重要度作为启发信息决定*优寻找路径,采用边界评估的约简准则来识别特征子集,有效提高计算效率。
(2)邻域划分分类模型及其特征选择算法。邻域划分分类模型采用邻域划分来描述分类模型,是对邻域决策粗糙集模型的改进和提升。基于邻域划分分类模型提出的特征选择算法,采用不平衡二叉树模型计算邻域,提高计算效率;采用邻域正域确定度来评估属性,提高分类精度。
(3)强化一致优势分类模型及其特征选择算法。强化一致优势分类模型按照强化一致优势原则建立了对象分类策略,具有很强的鲁棒性。基于强化一致优势分类模型提出的特征选择算法采用组合粗糙熵度量属性重要度,综合考虑了偏好决策系统的知识不确定性和目标决策类集的不确定性,能快速找到约简。
(4)混合数据分类模型及其在态势评估系统中的应用。介绍了混合数据分类模型,并把它应用于态势威胁评估分析,设计并实现了面向模型扩展的威胁评估系统。
粗糙集分类模型及特征选择算法研究 目录
目 录
1 绪论 / 1
1.1 研究背景和意义 / 1
1.2 分类技术研究 / 3
1.2.1 决策树方法 / 3
1.2.1.1 ID3 算法 / 4
1.2.1.2 C4.5 算法 / 4
1.2.1.3 CART 算法 / 5
1.2.1.4 其他算法 / 5
1.2.2 神经网络方法 / 5
1.2.3 贝叶斯方法 / 7
1.2.3.1 *大后验概率贝叶斯分类模型 / 8
1.2.3.2 *大似然比贝叶斯分类模型 / 8
1.2.3.3 *小风险贝叶斯分类模型 / 8
1.2.4 支持向量机方法 / 9
1.2.5 K-*近邻方法 / 10
1.2.6 粗糙集方法 / 11
1.3 粗糙集理论研究现状 / 12
1.3.1 粗糙集分类模型 / 12
1.3.1.1 BREM 模型 / 13
1.3.1.2 SOEM 模型 / 14
1.3.1.3 TSEM 模型 / 14
1.3.2 特征选择算法 / 15
1.3.2.1 DMFS 算法 / 15
1.3.2.2 PRFS 算法 / 16
1.3.2.3 IVFS 算法 / 17
1.3.2.4 GCFS 算法 / 17
1.3.3 粗糙集理论应用 / 18
1.3.3.1 Rough Enough / 18
1.3.3.2 KDD-R / 18
1.3.3.3 ROSE / 18
1.3.3.4 LERS / 19
1.3.4 粗糙集分类的困难与挑战 / 19
1.3.4.1 粗糙集分类模型的扩展问题 / 19
1.3.4.2 属性约简算法效率问题 / 19
1.3.4.3 知识的不确定性度量问题 / 20
1.3.4.4 粗糙集分类方法的应用推广问题 / 20
1.4 研究内容 / 20
1.5 本书结构 / 23
2 正向宏近似分类模型 / 24
2.1 引论 / 24
2.2 TRSM 模型 / 25
2.3 MARS 模型 / 27
2.3.1 不一致容差块集 / 27
2.3.2 构建 MARS 模型 / 28
2.4 P-MARS 模型 / 30
2.4.1 分解算子 / 30
2.4.2 构建 P-MARS 模型 / 32
2.4.3 P-MARS 模型示例 / 36
2.5 基于 P-MARS 模型的特征选择 / 38
2.5.1 边界度量的属性重要度 / 39
2.5.2 边界评估的约简准则 / 39
2.5.3 PMFS 算法 / 40
2.6 实验分析 / 42
2.6.1 数据集 / 42
2.6.2 相关算法 / 42
2.6.3 特征子集分析 / 43
2.6.4 时间效率分析 / 44
2.7 小结 / 47
3 邻域划分分类模型 / 48
3.1 引论 / 48
3.2 NRSM 模型 / 50
3.3 NDRS 模型 / 53
3.4 NPDM 模型 / 54
3.4.2 邻域划分 / 54
3.4.2 NPDM 模型描述 / 57
3.4.3 基于 NPDM 模型的多粒度分析 / 60
3.5 基于 NPDM 模型的特征选择 / 62
3.5.1 NPRC 评估方法 / 62
3.5.1.1 三种典型的属性评估方法 / 63
3.5.1.2 NPRC 评估方法 / 65
3.5.1.3 评估方法示例 / 67
3.5.2 UB-tree 模型 / 70
3.5.2.1 相关概念和性质 / 70
3.5.2.2 UB-tree 模型 / 72
3.5.2.3 UBNC 算法 / 74
3.5.3 NPFS 算法 / 75
3.6 实验分析 / 78
3.6.1 确定邻域半径的取值范围 / 78
3.6.2 属性评估方法比较 / 80
3.6.3 特征选择算法比较 / 80
3.6.3.1 特征子集及其基数比较 / 80
3.6.3.2 分类精度比较 / 82
3.6.3.3 运行时间比较 / 83
3.7 小节 / 84
4 强化一致优势分类模型 / 85
4.1 引论 / 85
4.2 DRSA 模型 / 86
4.3 EC-DRSA 模型 / 89
4.3.1 优势类和劣势类的决策区 / 89
4.3.2 对象的相对一致性 / 91
4.3.3 对象的强化一致优势度 / 92
4.3.4 EC-DRSA 模型描述 / 94
4.3.5 实例分析 / 95
4.3.5.1 DRSA 模型 / 96
4.3.5.2 VC-DRSA 模型 / 98
4.3.5.3 VP-DRSA 模型 / 99
4.3.5.4 EC-DRSA 模型 / 100
4.4 EC-DRSA 模型的约简 / 101
4.4.1 11 种约简及其相互关系 / 102
4.4.2 基于组合粗糙熵的属性约简 / 107
4.4.2.1 组合粗糙熵 / 107
4.4.2.2 属性重要度度量 / 109
4.4.2.3 CREAR 算法 / 109
4.4.3 实例分析 / 110
4.5 小节 / 113
5 混合数据分类模型及其在态势评估系统中的应用 / 114
5.1 引论 / 114
5.2 HDRS 模型 / 115
5.3 HDRS 模型在面向统一场的态势评估系统中的应用 / 116
5.3.1 统一场概述 / 116
5.3.2 面向统一场的态势评估系统 / 118
5.3.3 基于 HDRS 模型的威胁评估 / 120
5.3.4 威胁评估系统设计与实现 / 125
5.4 小节 / 128
6 总结与展望 / 130
6.1 研究总结 / 130
6.2 未来工作展望 / 133
参考文献 / 135
附录一 主要符号对照表 / 148
附录二 数据安全技术 数据分类分级规则 / 151
展开全部
粗糙集分类模型及特征选择算法研究 作者简介
卢正才,清华大学毕业,工学博士,高级工程师;现任职于泸州职业技术学院。主要研究方向为人工智能和模式识别。