模糊粗糙集属性约简及多模糊决策树分类器融合

摘要

属性约简是粗糙集理论的一个重要思想，然而利用粗糙集理论进行约简，必须将连续值转换成离散值进行处理，在某种程度这一过程会造成信息的损失。融合了模糊集与粗糙集的模糊粗糙集能够保留连续属性值信息，使得模糊粗糙集属性约简比粗糙集属性约简具有更高的准确性。大多数模糊粗糙集的属性约简算法都是找到最重要的属性约简，由于这个最重要的属性约简，只包含信息系统的部分属性，会使得对未知事例分类时，分类的错误率难以进一步降低。
　　 本文提出了一种找到多个模糊属性子集的算法，并针对这多个属性子集，提出了一种基于模糊积分的多模糊决策树分类器融合算法，该算法能充分利用每个模糊决策树的信息，从而可获得比单个模糊决策树更高的分类准确率。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的背景

1.2本课题的主要工作及意义

1.3本论文的组织

第2章粗糙集与粗糙集属性约简

2.1粗糙集与近似集

2.2信息系统与决策表

2.3粗糙集属性约简

第3章模糊粗糙集与模糊粗糙集属性约简

3.1模糊集合的基本定义

3.2模糊(Fuzzy)信息系统

3.3 模糊Fuzzy信息系统上的Rou曲集理论

3.4模糊粗糙集属性约简

3.5一种改进的生成多个模糊粗糙集属性子集的算法

第4章基于模糊积分的多模糊决策树分类器融合

4.1模糊决策树

4.2模糊测度和模糊积分

4.3基于模糊积分的多模糊决策树分类器融合

第5章结论与展望

参考文献

致 谢

攻读硕士学位期间发表论文情况