检索结果-南通市图书馆

上海交通大学学报 2013年第7期47卷 1032-1035,1042页

作者：王莉周献中李华雄南京大学工程管理学院南京210093 南京工业大学自动化与电气工程学院南京211816

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数... 详细信息

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.

关键词：模糊决策粗糙集条件概率数值型属性属性约简

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

模糊决策粗糙集代价敏感属性约简研究

引用

计算机科学 2016年第S2期43卷 67-72页

作者：刘偲秦亮曦广西大学计算机与电子信息学院南宁530004

针对决策中普遍存在的代价问题,在模糊理论和决策粗糙集的基础上,对其代价敏感属性约简方法进行了研究。在模糊决策粗糙集属性约简中引入了包含误分类代价和测试代价的总代价。因此约简的目标不再只是考虑正域的大小,而是寻找使得总代... 详细信息

针对决策中普遍存在的代价问题,在模糊理论和决策粗糙集的基础上,对其代价敏感属性约简方法进行了研究。在模糊决策粗糙集属性约简中引入了包含误分类代价和测试代价的总代价。因此约简的目标不再只是考虑正域的大小,而是寻找使得总代价最小的最优属性子集。提出了一种模糊决策粗糙集代价敏感属性约简(COSAR)算法,该算法采用启发式方法搜索最优属性子集。给出了算法的步骤,并将该算法与已有的模糊粗决策粗糙集属性快速约简(QuickReduct)算法进行了性能对比。实验结果表明,COSAR算法比QuickReduct算法具有更强的属性约简能力、更低的分类总代价、更短的运行时间,且随着测试样本的增加,分类总代价差值也越来越大。

关键词：模糊决策粗糙集代价敏感属性约简

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

RBF神经网络的粗糙集解释及粗糙集的多阶定义

RBF神经网络的粗糙集解释及粗糙集的多阶定义

引用

作者：汪杰浙江师范大学

学位级别：硕士

深度学习技术的不断发展,衍生出神经网络的广泛应用,如基于自然语言处理的Chat GPT对话模型。神经网络的可解释性成为热门研究课题。径向基神经网络(Radial Basis Function Neural Network,简称RBF神经网络)以结构简单、学习速度快、逼... 详细信息

深度学习技术的不断发展,衍生出神经网络的广泛应用,如基于自然语言处理的Chat GPT对话模型。神经网络的可解释性成为热门研究课题。径向基神经网络(Radial Basis Function Neural Network,简称RBF神经网络)以结构简单、学习速度快、逼近效果好等优点,不断被运用于与人类息息相关的日常活动中,并逐渐成为神经网络不可或缺的一部分,对RBF神经网络的可解释性研究具有较大的现实意义。但是,当前RBF神经网络的可解释性研究存在诸如隐藏层神经元可解释性证明不足、模型的可解释性与性能不平衡等问题。粗糙集理论是一种刻画不完全性、不确定性问题的数学工具,无需任何先验知识,能够从客观角度剖析数据,具备很强的可解释性。不同于传统的粗糙集,模糊决策粗糙集可以直接运用于数值型数据,具有较好的性能,其内在高斯核模糊T-等价关系与RBF神经网络内核的关联性提供了实现可解释性的基础。当前多数的粗糙集模型在结合各种神经网络时难以实现可解释性,这需要从更广阔的意义上对粗糙集模型进行扩展,探索粗糙集在不同维度下的定义,从而更好地解释各种神经网络。针对上述问题,本文从粗糙集模型的视角出发探究RBF神经网络的可解释性,设计基于模糊决策粗糙集的RBF神经网络可解释性模型,提出RBF神经网络的规则提取算法和基于模糊决策粗糙集的RBF神经网络可解释性与优化算法,并细致探讨了当前粗糙集模型的信息损失问题与多阶定义。具体研究如下:首先,定义可解释性因子,提出模糊决策粗糙集模型视角下对RBF神经网络可解释性研究的新方法。探索在粗糙集视角下RBF神经网络规则的可度量性,提出TEORBF算法获取神经网络知识集合,通过可解释性因子建立概念的高耦合,并提出FDRSIR解释性算法生成细粒度层级的解释,详细描述神经网络处理过程的决策行为。9组UCI数据集上的实验验证了该方法对神经元解释的有效性。其次,提出了基于模糊决策粗糙集的RBF神经网络优化算法FDRS-OLS-RBF。将可解释性因子作为启发式信息引入神经元的训练过程,利用细粒度的解释性指标修正神经元权值,实现一种新的优化方式,提高神经网络模型的性能。在9组数据集上的实验结果表明了该方法有效性。最后,提出了粗糙集模型信息损失的计算方法,继而提出了多阶粗糙集。为了将粗糙集模型更全面地扩展到神经网络可解释性研究,提出一种计算粗糙集模型信息损失的方法,根据信息损失不同将粗糙集模型分为3类:零阶粗糙集、一阶粗糙集和二阶粗糙集。给出了一阶粗糙集与二阶粗糙集及其属性约简的定义,探讨了各类属性约简之间的关系。研究结果为粗糙集实现更广泛的神经网络可解释性提供理论基础,也为粗糙集的研究提供新的视角。

关键词：神经网络可解释性径向基神经网络模糊决策粗糙集信息损失多阶粗糙集

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

代价敏感的决策粗糙集属性约简研究

代价敏感的决策粗糙集属性约简研究

引用

作者：刘偲广西大学

学位级别：硕士

决策粗糙集分类中的关键技术包括数据预处理、属性约简、分类算法等,在这些关键技术之中,属性约简占据着最重要的位置,属性约简的效果很大程度上影响着数据的最终分类效果。鉴于此,本文着重研究了分类中的决策粗糙集属性约简和模糊决策... 详细信息

决策粗糙集分类中的关键技术包括数据预处理、属性约简、分类算法等,在这些关键技术之中,属性约简占据着最重要的位置,属性约简的效果很大程度上影响着数据的最终分类效果。鉴于此,本文着重研究了分类中的决策粗糙集属性约简和模糊决策粗糙集属性约简两个关键技术,以及具有实际意义的代价敏感方法。通过研究代价敏感的相关理论,将基于测试代价和误差代价的代价敏感方法融入到决策粗糙集正域约简PRDTRS(Positive Region-based heuristic reduction algorithm for DTRS)模型中,并结合模拟退火算法,提出了一种基于测试代价的决策粗糙集正域约简方法一TCSPR算法。实验结果表明,该正域约简方法能在多项式时间内找到一个属性更少、测试代价更小的正域约简。经典的决策粗糙集属性约简算法PRDTRS只能处理离散型数据,而模糊决策粗糙集正域约简算法(The Fuzzyough QuickReduct Algorithm,QuickReduct)存在着运行时间长,并且没有考虑属性的代价,只从数学的角度考虑约简等缺陷。为弥补这些不足之处,提出了一种集代价敏感和模糊思想的模糊决策粗糙集属性约简算法COSAR。本算法将相似度隶属函数引入到决策粗糙集的上下近似集计算中,再结合代价敏感方法,进行模糊决策粗糙集代价敏感属性约简。通过仿真实验,验证了本算法能在更短的时间内找到总代价更低的约简属性集。通过对邮件分类技术的研究,结合前文提出的TCSPR算法,提出了TCSPR邮件分类方法,并以UCI数据库的电子邮件数据集Spambase为基础,随机选取训练样本和测试样本进行了仿真实验,并给出了实验结果。实验结果表明,本文提出的TCSPR邮件分类算法不仅能有效降低获取特征词的测试代价,并能在对邮件进行较为正确的分类情况下节省大量时间。实验验证了 TCSPR邮件分类算法在邮件分类领域的有效性,并且能提高分类效率,为邮件分类提供了一种新的方法。

关键词：决策粗糙集模糊决策粗糙集代价敏感属性约简

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：