基于邻域粗糙模型的次优决策表约简算法

摘要

在互联网上收集数据时，由于保密或者历史原因，数据往往都会存在缺失，这样在对数据进行处理时，经典集合论无法进行处理，为解决这一问题，粗糙集这一数学工具应运而生。粗糙集可以处理这些不精确数据集，而对数据进行高维简化是现在粗糙集发展的重要技术之一。 随着粗糙集的发展，学者们对粗糙集进行了很多扩充，其中邻域粗糙集这一概念就是对粗糙集扩充的其中一种。邻域粗糙集可直接处理连续性数据集，解决实际问题。本文以邻域粗糙模型为基础研究属性约简，根据蚁群算法(Ant Colony Optimization，ACO)重新设计了蚁群次优决策表约简算法（Ant Colony Suboptimal Decision Table Reduction Algorithm，简记ACSR），以此来求解次优值。 本文主要做了以下几点任务： （1）首先通过对经典粗糙集的介绍，引出了邻域粗糙集这一概念，从而重新定义了在邻域粗糙集上的上下近似、邻域决策系统等概念，确定了以后研究的基础。 （2）再次，根据对经典粗糙集算法的介绍推及到邻域粗糙集的算法的研究，根据对现有处理数据的算法研究，推出论文所提出的处理多维数据集的约简算法。 （3）通过对UCI数据集的实验分析来验证了推出的算法是解决多维数据集的有效算法，并给出了求解?算子的公式。 （4）最后对论文所提出的算法研究进行总结。

目录

第一章 引言

1.1 选题背景及意义

1.2 粗糙集研究现状

1.3 本文主要工作

第二章 粗糙集理论基础

2.1 粗糙集理论

2.2 邻域粗糙集理论

2.3 粗糙集属性约简算法介绍

2.4 本章小结

第三章 邻域粗糙集属性约简算法

3.1 前向贪心数值属性约简算法

3.2 前向搜索属性约简快速算法

3.3 基于邻域粗糙集的快速属性约简算法

3.4 本章小结

第四章 蚁群算法研究

4.1 蚁群算法

4.2 应用的进展

4.3 发展趋势

4.4 本章小结

第五章 基于邻域粗糙集的约简算法

5.1 基于邻域粗糙集的次优决策表约简算法

5.2 实验分析

5.3 δ值在次优约简时的选取

5.4 本章小结

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

攻读学位期间的研究成果

致谢

声明