覆盖粗糙集约简算法 Reduction and axiomization of covering generalized rough sets

属性约简是粗糙集理论的核心问题之一,针对求取决策表所有决策约简集的NP问题,化繁为简将问题转化为对象动态增加下的决策约简求取问题。在深入分析了可辨识矩阵中可辨识集的特点及相互关系的基础上,优化改进决策辨识矩阵:①两对象之间不作逆向比较;②将决策可辨识矩阵列简化为属性等价类;③正域等价类作为决策可辨识矩阵的行,分情况给出了新决策表求取所有决策约简集的极小析取范式属性约简方法。该方法统一解决了相容和不相容决策表所有决策约简集的求取问题,最后通过实例分析验证了算法的可行性与有效性,为决策表的属性约简提供了一条高

基于词典约简及多分类算法的文本分类系统的设计与开发.pdf

基于粗糙集的属性约简算法研究，粗糙集， 约简算法

目前计算不一致决策表的分布约简、 最大分布约简和分配约简的方法均基于可辨识属性矩阵, 在大数据集下耗时较多.为此, 提出转化算法, 将计算原不一致决策表的上述3 种约简转化为计算3种一致决策表的Pawlak约简.通过应用针对后者的高效启发式算法,有效地减少了计算时间.此外,引入λ-约简的概念, 通过调节λ 的值, 能得到一族反映决策矢量不同水平相似程度的知识约简.该方法降低了分布约简对决策表区分能力的过高要求, 较上述3种约简更为灵活.

提出了一种基于模糊决策属性依赖度的属性相对约简算法。该算法利用粗糙集理论分析的方法，通过在知识表达系统中引入模糊决策属性依赖度的概念，来描述由条件属性所提供的知识对整体决策的依赖程度，并通过模糊决策属性依赖度定义了条件属性对模糊决策属性的相对重要性，以此作为启发式信息，可以方便地求出相对核，再以相对核作为求解最小相对约简的起点。按重要性的不同逐次选择重要属性添加到相对核中，直至其依赖度达到整体条件属性依赖度时为止。

explicit-mpc：基于鲁棒非线性回归和约简支持向量机的基于学习的显式非线性模型预测控制

针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测(CODHD-Stream)算法.该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的K-means聚类算法将数据集划分成微聚类,并检测微聚类的离群点.通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度.

属性约简matlab代码宫颈癌分析 分析来自 Kaggle 的数据集，使用 27 个可能与发展为宫颈癌有因果关系的属性，为宫颈癌诊断构建预测性二元分类模型。 该项目旨在通过奇异值分解、支持向量机和人工神经网络来了解哪些属性最能说明女性是否会患上宫颈癌。 该数据集包括 4 项诊断测试的结果：Hinselmann、席勒、细胞学和活检。 对 Hinselmann 结果进行了奇异值分解，而对所有 4 个结果都进行了 SVM 和 ANN 该项目是 MATH123: Mathematical Aspects of Data Analysis A 的最终项目，这是塔夫茨大学的一门课程 文件 宫颈癌 Python Main data analysis: Includes analysis via Support Vector Machine and Artificial Neural Networks (ANN) to build a binary classification model to determine whether or not someone would be diagnosed w

lda模型matlab代码PatternRecognition_Matlab 抽象的 通过训练数据集学习特征约简预测和分类器模型，并将其用于对测试数据集进行分类。 本文比较了几种减少特征的方法：主成分分析（PCA），线性判别分析（LDA）及其核方法（KPCA，KLDA）。 相应地，实现了几种分类算法：支持向量机（SVM），高斯二次最大似然和K近邻（KNN）和高斯混合模型（GMM）。 结论 我们的实验表明，SVM是增加维数空间的最可靠方法，而SVM和LDA对噪声最敏感。 文献资料 代码运行指令 输入数据 ： 主功能 ： 关于作者