基于邻域粒化条件熵的增量式属性约简算法
增量式属性约简是针对动态型数据的一种重要的数据挖掘方法,目前已提出的增量式属性约简算法大多基于离散型数据构建,很少有对数值型数据进行相关的研究.鉴于此,提出一种数值型信息系统中对象不断增加的增量式属性约简算法.首先,在数值型信息系统中建立一种分层的邻域粒化计算方法,并基于该方法提出邻域粒化的增量式计算;然后,在邻域粒化增量式计算的基础上给出邻域粒化条件熵的增量式更新方法,并基于该更新机制提出对应的增量式属性约简算法;最后,通过实验分析表明所提出算法对于数值型数据的增量式属性约简具有更高的有效性和优越性.
增量式学习、粒计算、属性约简、数值型数据、邻域粒化、条件熵
34
TP18(自动化基础理论)
安徽省高校自然科学研究重点项目KJ2016A107, KJ2017A645;安徽省高校质量工程项目2016 JXTD019, 2015GXK123.
2019-10-25(万方平台首次上网日期,不代表论文的发表时间)
共12页
2061-2072