基于长度约束区分矩阵的约简算法研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 150-151.

• 数据库、信号与信息处理 • 上一篇下一篇

基于长度约束区分矩阵的约简算法研究

王浩^1,2,胡学钢¹

1.合肥工业大学计算机与信息学院，合肥 230009
2.安徽建筑工业学院网络信息中心，合肥 230022

收稿日期:2007-07-10 修回日期:2007-09-17 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 王浩

Study of reduction algorithms based on discernibility matrix of length constraint

WANG Hao^1,2,HU Xue-gang¹

1.School of Computer and Information，Hefei University of Technology，Hefei 230009，China
2.Network Information Center，Anhui Institute of Architecture & Industry，Hefei 230022，China

Received:2007-07-10 Revised:2007-09-17 Online:2008-03-21 Published:2008-03-21
Contact: WANG Hao

摘要/Abstract

摘要： 粗糙集理论是机器学习和数据挖掘领域的重要课题之一，其中属性约简算法是该理论实现应用的主要算法。提出了一种基于长度约束区分矩阵的约简算法（RABDMLC算法），通过抽样数据集计算平均区分矩阵项长，构造区分矩阵时不构造长于平均区分矩阵项长的项，在一定程度上提高了约简的效率。与基于属性频度函数的约简算法进行对比试验分析后，验证了该算法是有效和可行的。

关键词: 粗糙集, 抽样, 长度约束, 区分矩阵, 属性约简

Abstract: Rough set theory is one of the main subjects in the field of machine learning and data mining.The application of this theory is mainly realized through attribute reduction algorithms.This paper presents a reduction algorithm based on discernibility matrix of length constraint（RABDMLC）.By counting the average length of discernibility matrix item in the sampling dataset and deleting the lenght in the process of constructing discernibility matrix，the efficiency of reduction is thus improved.It is demonstrated that RABDMLC is effective and feasible through the contrastive experiment between RABDMLC and attribute reduction algorithm based on attributes frequency（ARABAF）.

Key words: rough set, sampling, length constraint, discernibility matrix, attributes reduction

王浩^1,2,胡学钢¹. 基于长度约束区分矩阵的约简算法研究[J]. 计算机工程与应用, 2008, 44(9): 150-151.

WANG Hao^1,2,HU Xue-gang¹. Study of reduction algorithms based on discernibility matrix of length constraint[J]. Computer Engineering and Applications, 2008, 44(9): 150-151.

[1]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[4]	张呈玲，李进金，林艺东. 基于OE-概念格的形式背景属性约简[J]. 计算机工程与应用, 2021, 57(15): 82-89.
[5]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[6]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[7]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[8]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.
[9]	张建华，李方方，杨岚. 融合PFS与RS的案例知识供需匹配研究[J]. 计算机工程与应用, 2020, 56(23): 139-145.
[10]	骆公志，梅焘. 监督机制多粒度决策粗糙集模型及应用[J]. 计算机工程与应用, 2020, 56(18): 214-220.
[11]	谢旭明，段隆振，邱桃荣，杨幼凤. 改进量子搜索算法及其在核属性求解上的应用[J]. 计算机工程与应用, 2020, 56(14): 57-61.
[12]	李旭，荣梓景，任艳. 带权决策表的属性约简[J]. 计算机工程与应用, 2020, 56(12): 54-59.
[13]	陈盼盼，林梦雷. 基于包含度的单值中智决策信息系统属性约简[J]. 计算机工程与应用, 2020, 56(12): 175-181.
[14]	卢鹏，卢奇，邹国良，王振华，侯倩. 基于改进SIFT的时间序列图像拼接方法研究[J]. 计算机工程与应用, 2020, 56(1): 196-202.
[15]	任俊1，唐绮雯1，徐怡2，胡善忠2. 大学生贫困资助评定的多粒度粗糙集研究[J]. 计算机工程与应用, 2019, 55(7): 82-86.

基于长度约束区分矩阵的约简算法研究

Study of reduction algorithms based on discernibility matrix of length constraint

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics