基于区分矩阵的属性约简算法研究.doc

声明本人郑重声明:所呈交的学位论文,是本人在指导教师的指导下,独立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本声明的法律责任由本人承担。作者签名:日期:关于学位论文使用权的说明本人完全了解太原科技大学有关保管、使用学位论文的规定,其中包括:①学校有权保管、并向有关部门送交学位论文的原件、复印件与电子版;②学校可以采用影印、缩印或其它复制手段复制并保存学位论文;③学校可允许学位论文被查阅或借阅;④学校可以学术交流为目的,复制赠送和交换学位论文;⑤学校可以公布学位论文的全部或部分内容(保密学位论文在解密后遵守此规定)。作者签名:导师签名:日期???曰期:中文摘要删㈣...㈣嗍M㈣Y1789514属性约简是料糙集理论中的重要研究内容之一,传统的静念属性约简算法只能处理静态的数掘集,然而现实世界中的数据是动态变化的,因此增量式属性约简方法的研究具有重要的理论和应用价值。利用区分矩阵是属性约简中的一种有效途径,本文利用信息向量来重新构造区分矩阵,对增量式属性约简方法进行了研究,其主要工作如下:(1)基于区分矩阵的启发式属性约简算法。首先,重新定义了『F负信息向量,以及基于信息向量的区分矩阵;其次,给出了一种正负信息向量的构造及信息向量区分矩阵的构造算法,并利用属性频度做为启发条件,给出了一种属性约简算法;最后,采用恒星光谱数据,实验验证了属性约简算法的『F确性和有效性。(2)基于区分矩阵的增量式属性约简算法。在(1???的基础上,针对数据集动态变化,通过分析『F负域、信息向量及属性约简,给出了一种增最式属性约简算法,并采用恒星光谱数据,实验验证了该算法的诈确性和有效性。关键字:信息向量;区分矩阵;属性约简;属性频度;等价类ABSTRACTAttributesreductionisoneofimportantcontentsinroughsettheory.Mosttraditionalstaticattributereductionalgorithmscanonlyhandlestaticdatasets,butthedataintherealworldisdynamic.Therefore,researchonincrementalreductionmethodshasimportanttheoreticalandpracticalvalue.Discernibilitymatrixisonekindofeffectivewaysofattributereduction.Inthispaperincrementalalgorithmsofattributereductionbasedondiscernibilitymatrixarestudiedbyusinginformationvectortoreconstructthediscernibilitymatrix?lhe。一一'一',T''mainresearchworkcanbesummarizedasfollows:(1、)Aheuristicalgorithmofat???ributereductionbasedondiscernibilitymatrixispresented.First,thepositiveandnegativeinformationvectorandthediscernibilitymatrixbasedoninformationvectorareredefined.Second,thealgorithmsofconstructingpositiveandnegativeinformationvectorandconstructinginformationvectormatrixaregiven,andanattributereductionalgorithmispresentedbyusingoffrequencyofattributeasheuristiccondition?Intheend.experimentsvalidatethecorrectnessandefficiencyofthealgorithmbyusingstarspectradata.f2)Anincrementalalgorithmofattributereductionbasedonthediscernibilitymatrixispresentd.Basedontheabovealgorithm,anincrementalattributereductionalgorithmispresentedbyanalyzingthepositiveandn