10.3969/j.issn.1001-7119.2015.09.045
基于改进模糊粗糙集的数学分类模型研究与仿真
在对数学分类模型进行分析的过程中,容易出现分类规则含义不明确,形式复杂等问题,导致传统的数学分类模型,由于采用学习算法对模型参数进行调整,无法有效实现数学分类,提出一种基于改进模糊粗糙集的数学分类模型,在模糊信息观下对模糊粗糙集进行分析。将互信息引入模糊粗糙集的分析中,对模糊决策表中模糊属性的相对重要性进行度量。通过bottom-up形式对相对约简进行计算。将空集作为初始点,依据属性重要性,逐次获取重要属性将其添加至集合中,直至达到终止条件。通过DTRS对数据集进行属性约简,将约简结果当成模型的输入变量。对数学分类模型的输入变量进行离散化处理。对决策表中的重复样本及通过冗余条件获取的决策表进行删除,获取决策规则。通过设定阈值对置信度较低的模糊规则进行过滤,删除因噪声样本形成的错误规则。仿真实验结果表明,所提方法具有很高的分类精度。
模糊粗糙集、数学、分类
TP18(自动化基础理论)
2015-10-22(万方平台首次上网日期,不代表论文的发表时间)
共4页
196-199