基于属性相关度的缺失数据填补算法研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (6): 74-79.

基于属性相关度的缺失数据填补算法研究

毛玫静1，鄂旭1，2，谭艳1，杨明婧1

1.渤海大学信息科学与技术学院，辽宁锦州 121000
2.渤海大学食品科学研究院，辽宁锦州 121000

出版日期:2016-03-15 发布日期:2016-03-17

Algorithm study on missing data imputation based on attribute relevancy

MAO Meijing1, E Xu1，2, TAN Yan1, YANG Mingjing1

1.School of Information Science and Technology, Bohai University, Jinzhou, Liaoning 121000, China
2.Food Science Research Institution, Bohai University, Jinzhou, Liaoning 121000, China

Online:2016-03-15 Published:2016-03-17

摘要/Abstract

摘要： 针对不完备信息系统的数据缺失填补精度不够高问题，以水产养殖预警信息系统为背景，提出一种基于属性相关度的缺失数据填补算法。在有效保证预警信息系统确定性的前提下，通过研究限制容差关系知识和决策规则，根据新定义的限制相容关系求出缺失对象的限制相容类，同时将条件属性之间的相关度概念引入，构造出一种新的扩展矩阵进行数据填补，实现了系统的完备性。以鲈鱼养殖缺失数据填补为实例，以数据集进行填补验证，结果表明与其他方法相比该算法在填补准确度和时间性能上有明显提高。

关键词: 不完备信息系统, 限制相容关系, 相关度, 扩展矩阵, 数据集

Abstract: In view of less accurate in complement problem of incomplete information system, a missing data imputation algorithm is proposed based on attribute relevancy in aquaculture safety warning information system. According to study of the limited tolerance relation and decision rules, a new limited compatibility class is solved by the redefined limited compatibility relation. The relevancy of conditional attributes is introduced to construct a new extended matrix and impute data on the premise of effective guarantee deterministic to realize the completeness warning information system. Taking the missing data imputation of perch cultured as a case and using the data sets to fill verification, it shows the algorithm is superior to others on imputation accuracy and data reinforcement.

Key words: incomplete information system, limited compatibility relation, relevancy, extended matrix, data set

毛玫静1，鄂旭1，2，谭艳1，杨明婧1. 基于属性相关度的缺失数据填补算法研究[J]. 计算机工程与应用, 2016, 52(6): 74-79.

MAO Meijing1, E Xu1，2, TAN Yan1, YANG Mingjing1. Algorithm study on missing data imputation based on attribute relevancy[J]. Computer Engineering and Applications, 2016, 52(6): 74-79.

[1]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[2]	刘锐，丁辉，尚媛园，邵珠宏，刘铁. COVID-19医学影像数据集及研究进展[J]. 计算机工程与应用, 2021, 57(22): 15-27.
[3]	王乐，韩萌，李小娟，张妮，程浩东. 不平衡数据集分类方法综述[J]. 计算机工程与应用, 2021, 57(22): 42-52.
[4]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.
[5]	孟东霞，李玉鑑. 利用自然最近邻的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(2): 91-96.
[6]	陈飞，刘云鹏，李思远. 复杂环境下的交通标志检测与识别方法综述[J]. 计算机工程与应用, 2021, 57(16): 65-73.
[7]	王一凡，鲁慧民，高若然，李阳. 手指静脉图像感兴趣区域提取研究综述[J]. 计算机工程与应用, 2021, 57(13): 34-42.
[8]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[9]	周玉，朱文豪，房倩，白磊. 基于聚类的离群点检测方法研究综述[J]. 计算机工程与应用, 2021, 57(12): 37-45.
[10]	李岩，刘俊. 全卷积深度迁移网络的联合分割[J]. 计算机工程与应用, 2021, 57(1): 227-233.
[11]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[12]	徐玲玲，迟冬祥. 面向不平衡数据集的机器学习分类策略[J]. 计算机工程与应用, 2020, 56(24): 12-27.
[13]	杜淼，余勤，雒瑞森. 动态特征空间的超球体分类算法[J]. 计算机工程与应用, 2020, 56(22): 148-153.
[14]	肖尧，秦征骁，李振兴. 自适应边距损失用于车辆外观分割方法[J]. 计算机工程与应用, 2020, 56(2): 184-189.
[15]	孟东霞，李玉鑑. 融合特征边界信息的不平衡数据过采样方法[J]. 计算机工程与应用, 2020, 56(14): 156-160.