基于改进模糊粗糙集的数学分类模型研究与仿真

摘要：

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。

关键词：模糊粗糙集、数学、分类

分类号：TP18(自动化基础理论)

在线出版日期：2015-10-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：196-199