基于粗糙集理论的并行数据挖掘算法的研究

摘要

粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。它能有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。近年来在机器学习、数据挖掘等多个领域得到广泛应用。
　　 经典的粗糙集知识获取算法的时间复杂度都比较高，对于大数据集的处理效率不高，这大大限制了粗糙集的实际应用。因此，需要研究面向海量数据的粗糙集知识获取算法。
　　 作为一种高性能计算技术，并行计算已经在数据挖掘中得到了很好的应用。把并行计算应用到基于粗糙集的知识获取算法中，提出面向海量数据的粗糙集并行知识获取算法，将是一个值得研究的问题。
　　 本文结合并行计算，从粗糙集知识获取算法的处理效率出发进行了以下研究工作：
　　 (1)分析了决策表中同一条件属性的候选断点集的断点重要性随断点值增大时的分布规律。基于此规律，提出了基于动态聚类的两步离散化算法。
　　 (2)分析了基于动态聚类的两步离散化算法存在的并发性，提出了基于动态聚类的两步并行离散化算法，进一步提高了该算法的运行效率。
　　 (3)结合并行计算的分治思想，提出了基于粗糙集理论的并行属性约简算法。
　　 (4)对以上三种算法进行了仿真实验，得到了较好的结果。

目录

文摘

英文文摘

第一章 绪论

1.1 引言

1.2 粗糙集理论及应用的发展状况

1.2.1 粗糙集离散化算法研究现状

1.2.2 粗糙集属性约简算法研究现状

1.3 并行数据挖掘理论及应用的发展状况

1.4 论文背景及工作内容

1.5 论文组织与结构

第二章 粗糙集理论基础

2.1 引言

2.2 基本概念

2.2.1 知识和不分明关系

2.2.2 粗集与近似

2.2.3 近似精度

2.2.4 决策表

2.2.5 分明矩阵

2.2.6 断点重要性

2.2.7 离散化

2.2.8 属性重要性

2.2.9 约简与核

2.3 基于粗糙集的知识获取

2.4 小结

第三章 并行计算理论基础

3.1 引言

3.2 并行计算机分类

3.2.1 Flynn分类法

3.2.2 Handler分类法

3.2.3 按计算机体系结构分类法

3.3 并行计算模型

3.4 并行计算相关概念

3.5 并行程序设计工具

3.6 小结

第四章 基于粗糙集理论的并行离散化算法

4.1 引言

4.2 粗糙集相关离散化算法

4.3 基于动态聚类的两步离散化算法

4.3.1 基于动态聚类的两步离散化算法及分析

4.3.2 基于动态聚类的两步离散化算法复杂度分析

4.3.3 基于动态聚类的两步离散化算法仿真实验及分析

4.4 基于动态聚类的两步并行离散化算法

4.4.1 基于动态聚类的两步并行离散化算法及分析

4.4.2 基于动态聚类的两步并行离散化算法复杂度分析

4.4.3 基于动态聚类的两步并行离散化算法仿真实验及分析

4.5 小结

第五章 基于粗糙集理论的并行属性约简算法

5.1 引言

5.2 粗糙集相关属性约简算法

5.3 基于粗糙集理论的并行属性约简算法

5.3.1 基于粗糙集理论的并行属性约简算法及分析

5.3.2 基于粗糙集理论的并行属性约简算法复杂度分析

5.3.3 基于粗糙集理论的并行属性约简算法仿真实验及分析

5.4 小结

第六章 总结及未来工作

6.1 总结

6.2 未来工作

致谢

攻硕期间从事的科研工作及取得的研究成果

参考文献