基于变精度粗糙集的故障特征选择方法
Ｆａ ｔＦｅ ｔ ｅ Ｓ ｌ ｃ ｉ ｎ Ｂａｓ ｄ ｏ ａ ｉ ｂ ｅ Ｐｒ ｃ ｓｏ ｕｇ ｅ ｓ ｕｌ ａ ｕｒ ｅ ｅ ｔｏ ｅ ｎ Ｖ ｒａ ｌ ｅ ｉｉ ｎ Ｒｏ ｈ Ｓ ｔ
Ｈｅ ｉｎ Ｈｕ ｎ ｈ ｎ ｕ Ｙａ ｇＺ ｏ ｉ Ｓ ｎ ｉ ｎ ａ Ｊ ａ ｇＳ ｅ ｈ ａ ｎ ｕ ｂｎ ｏ ｇＬｊ ｕ
大 。而粗糙 集理 论 不 需 要 关 于数 据 的任 何 初 始 或 附加信 息 ， 可用 于剔 除冗 余 成 分 ， 接 提 取 互 不相 直 关 的必 需特征 ， 目前 已经被 引入故 障诊 断领域 ［ 。 ４ ］
年提 出 ， 是处 理不 确定 和不精 确 问题 的一 种新 型 数
学工具 。粗糙 集理 论 以不可分 辨关 系 为基 础 ， 是通
ｏ ａ ｉｂｅｐ ｅ ｉｉｎｒ ｕ ｈｓ ｔ．Ｔｈ ｉｇ ｏ ｉ ｆａｄｅｅ ｅ ｎ ｔａｅ ｈ ｔｔ ｅｓ ｌ ｔ ｎ ｃｎ ｒｄ ｃ ｈ ｏ ｔ ｎ ｎ ｒａ ｅｔ ｅ ｎ ｖ ｒａ ｌ ｒｃｓｏ ｏ ｇ ｅｓ ｅｄａ ｎ ｓｓｏ ｉｓｌ ｍｏ ｓｒｔｓｔ ａ ｈ ｏｕ ｉ ａ ｅ ｕ ｅｔｅｃ ｓ ｄｉｃｅ ｓ ｈ ｄ ｏ ａ ｅｆ ｉｎ ｙｏ ｆｕｔｆａｕ ｅｓｌｃｉｎｗｈｌ ｒｓ ｒ ｉｇｔ ｅｐ ｅｉｉｎ ｎ ｅ ｉｅ ｈ ｅ ｓｂｌ ｙｏ ｈ ｎ ｉｅ ｒｎ ｐ ｌ ａ ｉｎ ｆｉ ｅ ｃ ｆｄ ａ ｌ ｅ ｔｒ ｅｅｔ ｉ ｐ ｅ ｅｖｎ ｈ ｒ ｃｓ ，ａ ｄ ｖ ｒｆ ｓｔ ｅｆａ ｉｉｔ ｆｔ ｅｅ ｇｎ ｅｉｇ ａ ｐｉ ｔ ． ｃ ｏ ｅ ｏ ｉ ｉ ｃ ｏ Ｋ ｙ Ｗ ｏｄｓ ｒ ｕ ｈ ｓｔ ，ａ ｔｉｕ ｅ ｅ ｕ ｔ ｎ，ｆｕｔｄａ ｎ ｓｓ ｅ ｒ ｏ ｇ ｅｓ ｔｒｂ ｔｓｒ ｄ ｃｉ ｏ ａ ｌ ｉｇ ｏ ｉ
总第 １ ９期 ８ ２１ ００年第 ３ 期
舰 船 电 子 工 程
Ｓ ｉ ｅ ｔ ｏ ｉ Ｅ ｇ ｎ ｅ ｉ ｇ ｈ ｐ Ｅｌ ｃｒ ｎ ｃ ｎ ｉ ｅ ｒｎ 源自Ｖｏ Ｏ Ｎｏ ３ Ｌ３ ．
１ ６８
基 于 变 精 度 粗 糙 集 的 故 障 特 征 选 择 方 法
何 健 ” 黄 沈华” 杨作 宾 宋立 军
ｐ ｅ ｉｉｎ ｒ ｕ ｈ ｓ ｔ ．Ｆｒ ｍ ｈ ｎ ｏ ｍａ ｉ ｎ ｖ ｅ ｏ ｏ ｇ ｅ ｓ ｔ ｅ ｒ ｒ ｃｓｏ ｏ ｇ ｅ ｓ ｏ ｔ ｅｉ ｆ ｒ ｔ ｉｗ ｆｒ ｕ ｈ ｓ ｔ ｈ ｏ ｙ，ｔ ｉ ａ ｅ ｉｃ ｓ ｅ ｈ ｅ ｕ ｔ ｎ ｏ ｔｒ ｕ ｅ ａ ｅ ｏ ｈ ｓ ｐ ｐ ｒｄ ｓ ｕ ｓ ｓ ｔ ｅｒ ｄ ｃ ｉ ｆａ ｔｉ ｔ ｓｂ ｓ ｄ ｏ ｂ
４０７） １０ ３ （ 防空兵指挥学 院” 郑州 ４ ０ ５ ） 国防科技大学机电工程研 究所 。 长沙 ５０２（
摘
要
粗糙集理论是近年来发展起来的一种有效处理不确定、 不精确问题的新型数学工具 。文章 阐述了传统 Ｐｗａ 粗糙 ａｌ ｋ
集的核心内容， 并介绍了变精度粗糙集的基本概念。从信息论观点出发 ， 提出了基于变精度粗糙集的信息表属性约简方法 ， 并验证 了将该方法应用于故障特征选择的可行 性。柴油机 的实际诊断结果表明， 该方法节省了硬件费用， 改善了运算效能。 关键词 粗糙集 ； 属性约 简；故障诊断
（ ｒＤｅｅｃ ｒｅ ｏ Ａｉ ｆｎ ｅＦｏｃｓＣ ｍｍａ ｄＣ ｌ ｇ １ ｎ ｏｌ ｅ ｅ ，Ｚ ｅｇｚ ｏ ４ ０ ５ ） ｈｎ ｈｕ ５ ０ ２ （ｎ ｔ ｕｅｏ ａｈｎ ｒ ｎ ｅｔｉ Ｅ ｇｉｅｒｎ ，Ｎａｉｎ ｌ ｅｅ ｓ ｃｅ ｃ ｄＴ ｃｎ ｌｇ ｉｅｓ ｙ’ ｈ ｎ ｓ ａ ４ ０ ７ ） Ｉ ｓｉ ｔ ｆ ｃ ｉｅｙａ ｄＥｌ ｒ ｎ ｎ ｅｉｇ ｔ Ｍ ｃ ｃ ｔ ａ Ｄ ｆｎ ｅＳ ｉｎｅａ ｅｈ ｏｏ ｙ Ｕｎｖ ｒｉ ２ ，Ｃ ａｇ ｈ １ ０ ３ ｏ ｎ ｔ
ｐ ｅ ｉｉｎ ｑ ｅ ｔ ｎ ．Ｔｈ ｏ ｅｃ ｎ ｅ ｔｏ ｒｄｔ ｎ ｌ ａ ａ ｕ ｈ ｓｔ ｓｉｔｏ ｕ ｅ ｅｅ ｓｗｅｌａ ｈ ｏ ｃ ｐ ｆｖ ｒ ｂｅ ｒｃｓｏ ｕ ｓｉ ｓ ｏ ｅｃ ｒ ｏ ｔｎ ｆｔａ ｉｉ ａ ｗｌｋ Ｒｏ ｇ ｅｓｉ ｒ ｄ ｃ ｄｈ ｒ ，ａ ｌ ｓｔｅｃ ｎ ｅ ｔｏ ａｉ ｌ ｏ Ｐ ｎ ａ
Ａｂ ｔ ａ ｔ Ｒｏ ｇ ｅ ｓ ｔ ｅ ｒ ｅ ｍａ ｈ ｍ ａ ｉａ ｔ ｏ ｅ ｅｏ ｅ ｎ ｒ ｃ ｎ ｅ ｒ ，ｄ ａ ｉ ｇ ｗｉ ｎ ｅ ｔ ｉ ｔ ｎ ｍ— ｓ ｒｃ ｕ ｈ ｓ ｔ ｈ ｏ ｙ ｉ ａｎ ｗ ｔ ｅ ｔ ｌ ｓ ｃ ｍｅ ｈ ｄ ｄ ｖ ｌ ｐ ｄ ｉ ｅ ｅ ｔ ａ ｓ ｅ ｌ ｔ ｕ ｃ ｒ ａｎ ｙ ａ ｄ ｉ ｙ ｎ ｈ
一
Ｃｌｓ ｍ ｂ ｒ ０】 ９ ａ ｓ Ｎｕ ｅ ５
１ 引言
粗 糙 集 （ ｕ ｈＳ ｔ） Ｒｏ ｇ ｅｓ理论 Ⅲ 由 Ｐ ｗｌ １ ］ ａ ａ ｋ于 １ ８ ９２
此 ， 们提 出 了大 量 的原 始 特征 以进 行 故 障识 别 。 人
但是 ， 特征数 量 的增加 往往 导致 需处 理 的信 息量 过
过引入 上 近 似 集 和 下 近似 集 ， 集 合 运 算 上 定 义 在
的， 这通 常称 为粗糙 集理 论 的代数 观 点 。在 实 际应
２ 粗 糙 集 理 论 简 介
２ １ Ｐ ｗｌ ． ａ ａ ｋ粗 糙集 和变 精度 粗糙集
用 中 ， 了抑 制 原 始数 据 中可 能 存 在 的 噪声 影 响 ， 为
一种基于粗糙集启发式的特征选择算法
定义 ２ （ ［ 可辨识矩阵） 可辨识矩阵由华沙大学数学家
关键词 特征 选择 ， 粗糙集理论 ， 启发式算法 ， 不确定性 系数 ， 互信息
Ａ ｖ ｌＦｅ ｔ ｒ ｅ ｅ ｔｏ Ｈ ｅ ｉｔｃ Ａｌ ｏ ｉｈ ｓ ｄ ｎ ｕ ｈ ｅ Ｎｏ ｅ ａ ｕ ｅＳ ｌｃ ｉｎ ｕｒｓ ｉ ｇ ｒ ｔ ｍ Ｂａ ｅ ｏ Ｒｏ ｇ Ｓ ｔＴｈｅ ｒ ｏｙ
１
Ｉ
’Ｉ置
ｌ 古
行 的。
．
特征选择 （ｇ 属性 约简 ） ｔ称 是数 据挖 掘 中的基 本 问题 之
一
２ 粗糙 集理 论
粗 糙集理论从集合 的视角对 知识进行 定义 ， 把知 识看 作
是 关于论域的划分 ， 而对知识进 行分析和处理 。 从 定 义 １ ］ 信息 系统 Ｌ一（ Ａ， Ｆ） ［ ５ Ｕ， Ｖ， 。其 中 Ｕ＝ ｛ １ ｚ，
。
通过对样本数据进行 特征选择 ， 以去掉 不相关 的和冗 可
余的特征 ， 使机器学 习过程 复杂度 和时间 降低 。特征选 择是 根据某种标准 ， 通过选择相关特征和丢弃不相关 、 冗余特征来
形成一个优化 特征 子集 的处 理过 程［ 。特征选 择也是一个搜 １ ］ 索和ห้องสมุดไป่ตู้价 的过程 。特征选择 能为特定 的应用 在不失去数据原
维普资讯
计算机科学 ２０ Ｖｏ． ４ ｏ ６ ０ ７ １３ Ｎ．
一
种 基 于粗 糙 集启 发 式 的特 征 选 择 算 法
梁 琰 何 中市 （ 重庆大 学计 算机 学 院 重庆 ４ ０ ４ ） ０ ０ ４
摘
要
本文基于粗糙集 中关于非精确集和精确 集理论 思想 ， 出了一个新 的特征度 量指标 ， 提 即相对 互信 息 比 Ｒ ， ＭＩ
基于邻域粗糙集的多标记分类特征选择算法
基于邻域粗糙集的多标记分类特征选择算法随着数据量的不断增加，多标记分类问题在许多领域如生物信息学、社交网络分析等中变得越来越普遍。
在处理多标记分类问题时，特征选择是一个很重要的问题。
因为数据中几乎所有的特征都是相关的，为了提高分类的效率和准确性，需要对特征进行选择。
本文提出了一种基于邻域粗糙集的多标记分类特征选择算法。
首先，介绍一下邻域粗糙集。
邻域粗糙集是一种基于粒度关系的粗糙集，它考虑了样本之间的相似性和区分度。
在邻域粗糙集中，邻居是指与目标对象在某个相似度度量下相似或接近的对象。
如果两个对象相似度越高，则它们的邻居就越多。
因此，邻域粗糙集是一种基于相似性的特征选择方法。
本文的算法主要分为三个步骤：第一步：利用邻域粗糙集计算特征的区分度。
具体来说，将所有标记都视为二元类型，然后对每个特征进行二分，将该特征的值大于等于平均值的样本标记为“1”，否则标记为“0”。
然后，对每个标记计算它与其他标记的互信息，并将互信息之和作为该标记的邻居密度。
最后，将邻居密度最小的标记作为该特征的区分度度量。
第二步：根据特征的区分度确定邻居范围。
将所有特征按照区分度从小到大排序，然后根据邻居密度选取邻居范围，即从该特征的邻居中选取邻居密度最大的前k个标记作为邻居。
第三步：利用邻居范围计算特征的评价指标。
对于每个特征，将其邻居范围内的样本分成含该特征值和不含该特征值两部分，然后利用信息增益确定该特征在邻居范围内的评价指标。
最后，将所有特征根据评价指标进行排序，然后选择前n个特征作为最终的特征集。
实验结果表明，该算法在多个数据集上都比其他多标记分类特征选择算法表现更好。
算法的优点是能够考虑邻居的影响，而且不需要预先设定参数。
基于变精度粗糙集理论在肿瘤诊断的研究
基于变精度粗糙集理论在肿瘤诊断的研究
肿瘤是一种常见的疾病，具有高死亡率和强烈的恶性。
对于肿瘤患者来说，早期的诊
断和治疗非常关键。
因此，开发一种能够准确诊断肿瘤的方法至关重要。
在这方面，变精
度粗糙集理论可以提供一种新的解决方案。
变精度粗糙集理论是一种基于粗糙集理论的扩展，可以更好地处理数据的复杂性和不
确定性。
它可以通过不同的精度水平来描述分类器的性能，并允许在不同的精度水平上进
行分类器的优化。
因此，它可以在肿瘤诊断中发挥很大的作用。
在肿瘤诊断的研究中，变精度粗糙集理论可以用来进行特征选择、分类和预测。
首先，它可以帮助我们从大量的临床和生物学数据中筛选出最重要的特征，从而减少特征的数量
和提高分类器的准确性。
其次，它可以用来建立分类器，将肿瘤患者和健康人区分开来。
最后，它可以帮助医生预测患者的疾病进展和疗效，从而指导临床治疗。
例如，变精度粗糙集理论可以用来探索肿瘤病人的基因表达谱，从中发现与肿瘤有关
的特征基因。
其中，粗略集可以包含所有的基因，然后通过特征选择来确定其中最重要的
基因。
这些特征基因可以用来训练分类器，如决策树、支持向量机等，以实现对肿瘤的诊
断和预测。
此外，变精度粗糙集理论还可以结合其他机器学习技术，如深度学习、半监督
学习等，以进一步提高分类器的准确性。
基于粒子群算法和粗糙集的特征选择方法
1251 引言特征选择也叫特征子集选择,是选取一系列的特征构成一个特征子集,能够使得这个子集具有与特征全集相同或者更好的功能,特别是对于数据的分类。
特征选择算法是提高学习算法性能的一个重要手段,是模式识别中数据预处理的关键步骤[1]。
在以往的数据分类过程中,数据集通常会包含大量的无关和冗余特征,导致维数的复杂度较高,造成一定的维数灾难,尤其是增加了分类的负担。
特征选择算法的出现为此提供了一种行之有效的解决方式[2]。
粗糙集可以处理具有不确定性和模糊性的数据,用于发现不一致数据中的模式。
粗糙集已在模式识别中作为一种有用的特征选择方法。
基于粗糙集的特征选择的优化准则是找到最短的或最小约简的同时获得高质量的分类,而目前尚无最佳的属性约简算法[3]。
一般来说,基于粗糙集的特征选择方法,主要以贪婪算法为主。
贪婪算法通常采用粗糙集属性重要性作为启发式知识,以空集或属性核开始,然后采用前向选择或向后消除的方式。
前向选择是从空集开始,逐一增加,从候选集中选择重要的属性,直到选定的集合是一个约简集合。
向后消除则从完整属性集开始,并逐步移除属性,从而获得约简集。
基于贪婪算法的粗糙集特征选择,能够获得一定的属性约简,但是效率低下,不能保证所选特征的质量,同时造成一定的资源浪费。
特征选择方法的划分一般是根据评价函数的不同,大致可以分为封装模式和过滤模式。
过滤模式通过分析特征子集内部的特点来衡量其好坏,一般用作预处理。
封装模式实质上是一个分类器,用选取的特征子集对样本集进行分类,分类的精度作为衡量特征子集好坏的标准。
在封装模式中,分类学习算法封装在特征选择的过程中,以学习算法的性能作为子集的评价标准。
当满足一定条件(一般设定的迭代次数)时将最优的特征子集输出,同时获得一个具有较高分类性能的模型。
在封装模式的特征选择方法中,可以采用多种学习算法来评价特征子集,如贝叶斯分类器、邻近算法、支持向量机及神经网络等。
特征选择实际是一个组合优化问题,特征选择过程中,往往特征数目繁多,搜索空间较大,所以需要搜索算法去获得最优的选择方案,存在的搜索方法有序列前向选择SFS和序列后向选择SBS、粒子群算法(PSO)、蚁群算法(ASO)等。
基于粗糙集的特征选择系统设计与实现
基于粗糙集的特征选择系统设计与实现
杨静;李超伟
【期刊名称】《电脑编程技巧与维护》
【年(卷),期】2022()8
【摘要】人工智能、大数据技术日新月异,快速更迭,粗糙集是众多提供决策支持的方法之一。
集成部分粗糙集属性约简算法,合并决策表预处理方法,设计了RSLibrary,在这个基础上实现了基于粗糙集的特征选择系统,包括不同度量条件下的基本约简和三类加速约简算法。
【总页数】3页(P45-47)
【作者】杨静;李超伟
【作者单位】太原师范学院网络信息中心;精英数智科技股份有限公司BA业务分析团队
【正文语种】中文
【中图分类】TP1
【相关文献】
1.基于粗糙集理论的免疫系统设计与实现
2.基于粗糙集的分布式网络入侵检测系统设计及实现
3.基于粗糙集的规则挖掘系统设计与实现
4.基于粗糙集的规则挖掘系统设计与实现
5.基于自适应鲸鱼优化算法和容错邻域粗糙集的特征选择算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Rough Sets-C4.5的故障征兆提取与判别
第２ 卷 第 １ 期 ７ ０ ２０ ０ ６年 １ ０月
东 北 大 学 学 报 （ 自 然 科 学 版 ）
Ｊ ｕｎ ｌ ｆ ｏｔｅｓ ｒ ｉｅｓ ｙ Ｎａｕａ Ｓ ｉｎｅ ｏ ｒａ ｏ ｒｈａｔ ｎＵｎｖｒｉ （ ｔｒｌ ｃ ｃ ） Ｎ ｅ ｔ ｅ
Ｖｏ ．７， ． ０ １２ Ｎｏ １
Ｏｃ ． ２ ０ ０ ６ ｔ
文 章 编号 ： １０ —０ ６ ２ ０ ）０１３ —４ ０ ５３ ２ （０ ６ １—１８０
基 于 Ｒ ｕ ｈＳ ｔ —Ｃ ． ｏ ｇ ｅｓ ４ ５的 故 障征 兆提 取 与 判 别
王 庆 ，巴德 纯 ，孟 祥志
传感器用于监测温度 的变化， 压力传感器用于监 测压力的变化）以传感器代表的被测量作为条件 ． 属性（ 字段 ， 它反映了设备的状态）设备状态作为 ， 决策属性 ， 建立初始决策表 ， 如表 １ 所示．
表 １ 初始决策表
Ｔ ｂ ｅ １ ｌ ｉａ ｅ ｉｉｎ ｔ ｂｅ ａ ｌ ｎ ｔ ｌ ｃ ｓｏ ａ ｌ ｉ ｄ
实现对新样本的快速诊断 ． 但神经元 网络学习速
度 慢且其 网络输 出不 便 于解 释 （ 般要 加 上 解 释
器）本文研究粗糙集和决策树［ １ Ｃ ． 算法相 ． ９０ ４ ５ ，］
融合的故障诊断． 决策树【Ｃ ． 是 Ｉ３的扩展算 ５ ４５ Ｄ ］
法， 它克 服 了 Ｉ Ｄ３不 能对 连 续 属 性 进 行 处 理 ， 对
终的故障诊断器 ， 否则要重新调整树 的结构 ． 一个 完整 的基于 Ｒ ｕ ｈＳ ｔ—Ｃ ５模型 的故障诊 断 ｏ ｇ ｓ Ａ． ｅ
过程 如 图 １所示 ．
原 始 信 息 系ｌ （ 离散决策） ｌ １ 分明函数 约简集 Ｉ
基于变精度粗集模型变精度值的选取新方法
基于变精度粗集模型变精度值的选取新方法汪小燕;秦锋【摘要】在现有的变精度粗集模型中,β值大部分都是作为先验知识引入的.基于集合可辨性,利用不相容类的概率分布矩阵,提出计算β阈值的新方法.新方法能快速获得β值,并提出上、下分布约简的有关理论.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)002【总页数】3页(P48-50)【关键词】变精度粗集模型;变精度值;集合可辨性;分布约简【作者】汪小燕;秦锋【作者单位】安徽工业大学计算机学院,安徽,马鞍山,243002;安徽工业大学计算机学院,安徽,马鞍山,243002【正文语种】中文【中图分类】TP18WANG Xiao-yan，QIN Feng.New method of obtaining variable precision value based on variable precision rough set puter Engineering and Applications，2010，46（2）：48-50.粗糙集理论是Pawlak等学者在1982年提出的处理不确定，不精确和不完全数据的一种新的数学工具[1]，粗糙集理论以其简单实用的特点，在诸多领域获得了成功应用。
目前，信息系统的知识约简大多是在Pawlak粗糙集模型下进行的，Pawlak粗糙集模型的一个局限性是它所处理的分类必须是完全正确的或肯定的，粗糙集理论缺乏对复杂系统的处理机制，对于不确定性概念的边界区域，刻画过于简单，缺乏对噪音数据的适应能力。
为改善粗糙集模型的缺陷，人们拓展了经典的粗集模型，Ziarko提出了一种变精度粗糙集模型[2]。
它是在基本粗糙集模型的基础上引入了β（0≤β＜0.5），即允许存在一定程度的错误分类率。
Aijun提出了一种变精度粗糙集模型[3]，引入了β（0.5＜β≤1）作为正确率。
目前，基于变精度粗集模型的研究较多，在现有的变精度粗集模型的各种研究中，β值大部分都是作为先验知识引入的。
3变精度粗糙集方法
3变精度粗糙集方法粗糙集方法是为了解决模糊或不确定性问题而发展的一种理论与方法。
在粗糙集方法中，对象的属性值可以是模糊的或精确的，而决策或分类规则可以通过属性之间的相对约束关系来确定。
本文将介绍三个常用的变精度粗糙集方法，并对其进行详细阐述。
1.粗糙集的数学模型：粗糙集的数学模型是基于信息系统理论和近似推理理论。
它可以将不精确或模糊的数据转化为一个或多个精确的决策或分类规则。
其数学模型定义了粗糙集的三个基本元素：信息系统、下近似集和上近似集。
这三个元素构成了粗糙集的主要特性和运算规则。
2.变精度粗糙集的基本概念：在粗糙集方法中，为了处理不确定性或模糊性问题，可以使用变精度技术来调整精确度。
变精度粗糙集是在标准粗糙集的基础上引入了多个精度级别的概念，从而可以根据不同的应用要求对精确度进行调整。
3.粗糙集方法的三个变精度技术：a.基于粗糙集的属性精度：在传统粗糙集方法中，属性的精确度是预先定义的，而在基于粗糙集的属性精度技术中，属性的精确度是由用户根据实际情况进行调整的。
通过调整属性的精确度，可以提高粗糙集方法的分类或决策效果。
b.基于粗糙集的决策精度：传统粗糙集方法中，决策的精确度是通过属性之间的相对约束关系来确定的。
而在基于粗糙集的决策精度技术中，可以通过调整决策的精确度来改善分类或决策结果。
这种技术常常会涉及到模糊推理或概率推理的方法。
c.基于粗糙集的规则精度：在传统粗糙集方法中，规则的精确度是预先定义的。
而在基于粗糙集的规则精度技术中，可以通过调整规则的精确度来提高分类或决策的准确性。
这种技术通常涉及到规则的修剪或合并。
总结起来，粗糙集方法是一种基于信息系统理论和近似推理理论的模糊或不确定性问题处理方法。
它的数学模型定义了信息系统、下近似集和上近似集等三个基本元素，并通过属性精度、决策精度和规则精度等三个变精度技术来提高分类或决策的准确性。
这些方法在实际应用中具有较好的效果，并逐渐成为数据挖掘和智能决策等领域的重要研究方向。
基于粗糙集的中文文本特征选择方法研究
基于粗糙集的中文文本特征选择方法研究
张翔;周明全;耿国华
【期刊名称】《计算机应用与软件》
【年(卷),期】2010(027)003
【摘要】针对传统的特征选择使用阈值过滤导致有效信息丢失的问题,提出一种粗糙集的文本特征选择方法.该方法以核为起点利用特征属性的重要性和依赖性作为启发式信息进行特征选择,使文本的特征维数得到一定程度的降低.实验表明,此算法不仅易于实现而且能够有效降低特征数目,提高分类效率.
【总页数】3页(P4-5,74)
【作者】张翔;周明全;耿国华
【作者单位】西北大学可视化技术研究所,陕西,西安,710127;西安建筑科技大学信息与控制工程学院,陕西,西安,710055;西北大学可视化技术研究所,陕西,西
安,710127;北京师范大学信息科学与技术学院,北京,100875;西北大学可视化技术研究所,陕西,西安,710127
【正文语种】中文
【相关文献】
1.中文文本特征选择方法研究综述 [J], 徐泓洋;杨国为
2.基于粗糙集与蚁群优化算法的特征选择方法研究 [J], 吴克寿;陈玉明;谢荣生;王晓栋
3.结合粗糙集与集成学习的中文文本分类方法研究 [J], 张翔;周明全;董丽丽;闫清波
4.基于粗糙集理论的模式分类样本特征选择方法研究 [J], 陈曦
5.基于粗糙集和信息熵的入侵检测特征选择方法研究 [J], 吴萍;姜懿庭
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粗糙集的文本分类特征选择算法
基于粗糙集的文本分类特征选择算法
张志飞;苗夺谦
【期刊名称】《智能系统学报》
【年(卷),期】2009(004)005
【摘要】文本分类是根据未知文本的内容将其划分到一个或多个预先定义的类别的过程,是许多基于内容的信息管理任务的重要组成部分.文本分类问题的难点是特征空间的高维性,通常采用特征选择作为降维的重要方法.将属性约简和文本分类的特点相结合,提出了一种基于粗糙集的特征选择算法即改进的快速约简算法.实验表明该算法是有效的,不仅可以降低特征空间的维度,而且能够维持高精度.
【总页数】5页(P453-457)
【作者】张志飞;苗夺谦
【作者单位】同济大学计算机科学与技术系,上海201804;同济大学嵌入式系统与服务计算教育部重点实验室,上海201804;同济大学计算机科学与技术系,上海201804;同济大学嵌入式系统与服务计算教育部重点实验室,上海201804
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于词频信息改进的IG特征选择算法在文本分类中的应用研究 [J], 牛玉霞;
2.基于相关性的文本分类特征选择算法 [J], 刘胜军;刘贵全;陈志华
3.基于交互作用的文本分类特征选择算法 [J], 唐小川;邱曦伟;罗亮
4.基于词频信息改进的IG特征选择算法在文本分类中的应用研究 [J], 牛玉霞
5.基于文本分类的Fisher Score快速多标记特征选择算法 [J], 汪正凯;沈东升;王晨曦
因版权原因，仅展示原文概要，查看原文内容请购买。