一种改进的邻域多粒度粗糙集模型

doi:10.3778/j.issn.1002-8331.1703-0422

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (14): 89-94.DOI: 10.3778/j.issn.1002-8331.1703-0422

一种改进的邻域多粒度粗糙集模型

刘丹1，徐立新1，孟慧丽2，朱命冬1

1.河南工学院计算机科学与技术系，河南新乡 453003
2.河南师范大学计算机与信息工程学院，河南新乡 453007

出版日期:2018-07-15 发布日期:2018-08-06

Improved neighborhood multi-granulation rough set model

LIU Dan1, XU Lixin1, MENG Huili2, ZHU Mingdong1

1.Department of Computer Science & Technology, Henan Institute of Technology, Xinxiang, Henan 453003, China
2.College of Computer and Information Engineering, Henan Normal University, Xinxiang, Henan 453007, China

Online:2018-07-15 Published:2018-08-06

摘要/Abstract

摘要： 目前，邻域多粒度粗糙集模型广泛采用的距离函数闵可夫斯基距离存在着一定的局限性，通过引入兰氏距离作为距离函数，重构了邻域半径的选取方法，基于此提出一种改进的邻域多粒度粗糙集模型，并证明了相关的性质。采用UCI标准库数据集进行实验分析，对比两种模型的实验结果，验证了改进邻域多粒度粗糙集模型在近似逼近方面的优越性。

关键词: 粗糙集, 邻域关系, 多粒度, 距离函数, 兰氏距离, 邻域半径

Abstract: At present, the neighborhood multi-granulation rough set widely adopting the Minkowski function is limited to some extend. In this paper, Lance distance is cited as the distance function, and reconstructs the neighborhood radius method. Then, an improved neighborhood rough multi-granulation rough set model is defined. In addition, some related properties are proven. The results of two models are compared through the experimental analysis on the UCI standard data sets, and also the superiority of the improved neighborhood multi-granulation rough set model is verified in terms of approximation approach.

Key words: rough set, neighborhood relation, multi-granulation, distance function, Lance distance, neighborhood radius

刘丹1，徐立新1，孟慧丽2，朱命冬1. 一种改进的邻域多粒度粗糙集模型[J]. 计算机工程与应用, 2018, 54(14): 89-94.

LIU Dan1, XU Lixin1, MENG Huili2, ZHU Mingdong1. Improved neighborhood multi-granulation rough set model[J]. Computer Engineering and Applications, 2018, 54(14): 89-94.

[1]	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.
[2]	王琴，刘盾. 结合集成学习的序贯三支情感分类方法研究[J]. 计算机工程与应用, 2021, 57(23): 211-218.
[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]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	王伦，李路. 基于gcForest的多因子量化选股策略[J]. 计算机工程与应用, 2020, 56(15): 86-91.
[11]	张师林，曹旭. 基于Camstyle改进的行人重识别算法[J]. 计算机工程与应用, 2020, 56(15): 124-131.
[12]	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.
[13]	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.
[14]	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.
[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.

一种改进的邻域多粒度粗糙集模型

Improved neighborhood multi-granulation rough set model

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