基于信息熵的二进制差别矩阵属性约简算法

doi:10.3778/j.issn.1002-8331.2010.06.034

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (6): 120-123.DOI: 10.3778/j.issn.1002-8331.2010.06.034

• 数据库、信号与信息处理 • 上一篇下一篇

基于信息熵的二进制差别矩阵属性约简算法

钱文彬¹，徐章艳¹，黄丽宇¹，杨炳儒²

1.广西师范大学计算机科学与信息工程学院，广西桂林 541004
2.北京科技大学信息工程学院，北京 100083

收稿日期:2008-09-02 修回日期:2008-11-18 出版日期:2010-02-21 发布日期:2010-02-21
通讯作者: 钱文彬

Attribution reduction algorithm based on binary discernibility matrix of information entropy

QIAN Wen-bin¹，XU Zhang-yan¹，HUANG Li-yu¹，YANG Bing-ru²

1.School of Computer Science and Information Engineering，Guangxi Normal University，Guilin，Guangxi 541004，China
2.School of Information Engineering，University of Science and Technology Beijing，Beijing 100083，China

Received:2008-09-02 Revised:2008-11-18 Online:2010-02-21 Published:2010-02-21
Contact: QIAN Wen-bin

摘要/Abstract

摘要： 给出一个简化的二进制差别矩阵的属性约简定义，并证明该属性约简的定义与基于信息熵的属性约简的定义是等价的。为求出简化的二进制差别矩阵，设计了一个快速求简化决策表的算法，其时间复杂度为O（|C||U|）。在此基础上，设计了基于信息熵的简化二进制差别矩阵的快速属性约简算法，其时间复杂度和空间复杂度分别为max{O（|C||U|），O（|C|²|U/C|²）}和max{O（|C||U/C|²），O（|U|）}，最后用一个实例说明了新算法的高效性。

关键词: 粗糙集, 信息熵, 简化的二进制差别矩阵, 属性约简, 算法复杂度

Abstract: The definition of attribution reduction of simplified binary discernibility matrix is provided.At the same time，it is proved that the above definition of attribution reduction is the same as the definition of attribution reduction based on information entropy.In order to compute simplified binary discernibility matrix，a quick algorithm for simplified decision table is designed，its time complexity is O（|C||U|）.In this condition，a quick attribution reduction algorithm based on simplified binary discernibility matrix of information entropy is designed，the time complexity and space complexity of the new algorithm are max{O（|C||U|），O（|C|²|U/C|²）} and max{O（|C||U/C|²），O（|U|）} respectively.At last，an example is used to illustrate the efficiency of the new algorithm.

Key words: rough set, information entropy, simplified binary discernibility matrix, attribution reduction, algorithm complexity

中图分类号:

TP301.6

钱文彬¹，徐章艳¹，黄丽宇¹，杨炳儒². 基于信息熵的二进制差别矩阵属性约简算法[J]. 计算机工程与应用, 2010, 46(6): 120-123.

QIAN Wen-bin¹，XU Zhang-yan¹，HUANG Li-yu¹，YANG Bing-ru². Attribution reduction algorithm based on binary discernibility matrix of information entropy[J]. Computer Engineering and Applications, 2010, 46(6): 120-123.

[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]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[3]	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.
[4]	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.
[5]	江魁，丘远东，郑浩城. 基于信息熵与LSTM的ICMPv6 DDoS攻击检测方法[J]. 计算机工程与应用, 2021, 57(21): 148-154.
[6]	宋世杰，陈开颜，张阳. 信息熵角度下的深度学习旁路安全评估框架[J]. 计算机工程与应用, 2021, 57(17): 138-146.
[7]	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.
[8]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[9]	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.
[10]	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.
[11]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[12]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[13]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[14]	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.
[15]	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.

基于信息熵的二进制差别矩阵属性约简算法

Attribution reduction algorithm based on binary discernibility matrix of information entropy

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