动态模糊粗糙特征选取算法

摘要：

由于数据随时间和空间不断更新,很多基于粗糙集的增量方法被提出.然而,动态数据上基于模糊粗糙集的特征选取(也称属性约简)更新的研究较少,特别是连续型动态数据上的增量特征选取.为了解决这个问题,提出适用于连续型数据的基于模糊粗糙集的增量属性约简算法.首先提出模糊粗糙基本概念的增量机制,如模糊正域的增量机制.只有部分示例在已有属性约简上的辨识能力不足,即对于模糊正域来说,存在一个关键示例集.增量约简算法基于已有数据上的约简结果,仅需要更新关键示例集中的示例,而非全部的论域.因而该增量算法在动态数据上能快速获得约简的更新.通过数值对比实验可以看出,增量算法比非增量算法在运行时间上有明显的优势.特别是对于高维数据集,增量算法可以大大地节省计算时间.

关键词：特征选择、增量学习、模糊粗糙集、依赖度

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Key Research and Development Program of China under Grant Nos. 2016YFB1000702, 2017YFB1400700 国家重点研发计划;the National Natural Science Foundation of China under Grant Nos. 61732006, 61532021, 61772536, 61772537, 61702522 国家自然科学基金;the National Social Science Foundation of China under Grant No.12\&ZD220 国家社会科学基金;the Fundamental Research Funds for the Central Universities of China and the Research Funds of Renmin University of China under Grant No. 15XNLQ06 重点大学基础研究基金,中国人民大学研究基金;the Macao Science and Technology Development Fund of China under Grant No. 081/2015/A3 中国澳门科技发展基金;the Overseas Expertise Introduction Project for Discipline Innovation ;高等学校学科创新引智计划111计划

在线出版日期：2020-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：236-243