高，袁;陈向建;杨喜蓓;王平新;米、巨生 基于集合的邻域属性约简：多粒度视图。 （英语） Zbl 1432.68461号 复杂性 2019年，文章ID 2048934，17 p.（2019）. 摘要：最近，多粒度已经成为一个有趣的话题，因为从粒度计算（GrC）的观点来看，不同粒度级别可以提供不同的信息。然而，已有的研究较少从多粒度角度研究属性约简。本文提出了一种基于多粒度视图的算法。为了构建多粒度属性约简框架，可以解决以下两个主要问题：（1）首先可以构造多粒度结构。本文将基于半径构造多粒度结构，因为使用不同的半径可以产生不同的信息粒度。因此，可以构造基于邻域的多粒度。（2） 属性约简可以从多粒度的角度进行设计和实现。与传统的通过使用固定粒度计算约简的过程不同，我们的算法旨在从多粒度的角度获得约简。为了实现新算法，主要执行了以下两个过程：（1）考虑到不同决策类可能需要不同的关键条件属性，在不同决策类之间应用集成选择器；（2） 为了加速属性约简的过程，只使用最细和最粗的粒度。对15个UCI数据集进行了实验。与传统的单粒度方法相比，多粒度算法不仅可以生成约简，从而提供更好的分类精度，而且可以减少耗时。这项研究提出了考虑分类精度和约简时间效率的新趋势。 MSC公司： 68层37 人工智能背景下的不确定性推理 PDF格式BibTeX公司 XML格式引用 \textit{Y.Gao}等人，《复杂性2019》，文章ID 2048934，17 p.（2019；Zbl 1432.68461） 全文： 内政部 OA许可证 参考文献： [1] Chen，H.M。；李·T·R。；罗，C。；霍恩，S.-J。；Wang，G.，动态数据挖掘的决策理论粗糙集方法，IEEE模糊系统汇刊，23,61958-1970（2015）·doi:10.1109/tfuzz.2014.2387877 [2] Pawlak，Z.A.，《粗糙集》，《国际计算机与信息科学杂志》，11，5，341-356（1982）·Zbl 0501.68053号 ·doi:10.1007/bf01001956 [3] Pawlak，Z。；Skowron，A.，《粗糙集：一些扩展》，《信息科学》，177，1，28-40（2007）·Zbl 1142.68550号 ·doi:10.1016/j.ins.2006.06.006 [4] 张，X。；梅，C。；陈，D。；Li，J.，区间值决策系统中的多信任规则获取和保持信任的属性约简，国际近似推理杂志，55，8，1787-1804（2014）·Zbl 1433.68458号 ·doi:10.1016/j.ijar.2014.05.007 [5] 胡庆华。；佩德里茨，W。；Yu，D。；Lang，J.，基于邻域决策误差最小化选择离散和连续特征，IEEE控制论汇刊，40，1，137-150（2010）·doi:10.1109/tsmcb.2009.2024166 [6] 戴J。；Wang，W。；Tian，H。；Liu，L.，基于不完备决策系统新条件熵的属性选择，基于知识的系统，39，207-213（2013）·doi:10.1016/j.knosys.2012.10.018 [7] 戴J。；Wang，W。；徐，Q。；Tian，H.，基于扩展条件熵的区间值决策系统的不确定性测量，基于知识的系统，27443-450（2012）·doi:10.1016/j.knosys.2011.10.013 [8] 戴J。；徐，Q。；Wang，W。；Tian，H.，不完备决策系统的条件熵及其在数据挖掘中的应用，国际通用系统杂志，41，7，713-728（2012）·Zbl 1277.68265号 ·doi:10.1080/03081079.2012.685471 [9] 陈，Y。；薛，Y。；马云（Ma，Y.）。；Xu，F.，邻域粗糙集的不确定性度量，基于知识的系统，120226-235（2017）·doi:10.1016/j.knosys.2017.01.008 [10] 冯·T。；张，S.-P。；Mi，J.-S.，基于证据理论的模糊覆盖系统的约简与融合，国际近似推理杂志，53，1，87-103（2012）·Zbl 1242.68326号 ·doi:10.1016/j.jar.2011年11月0.002日 [11] 姚玉清。；米·J·S。；Li，Z.-J.，模糊决策系统中基于广义模糊证据理论的属性约简，模糊集与系统，170，1，64-75（2011）·Zbl 1214.68458号 ·doi:10.1016/j.fss.2011.01.008 [12] 李，J。；梅，C。；徐伟（Xu，W.）。；Qian，Y.，《通过粒计算进行概念学习：认知观点》，《信息科学》，298，447-467（2015）·Zbl 1360.68688号 ·doi:10.1016/j.ins.2014.12.010 [13] Zadeh，L.A.，《关于软计算、粒度计算及其在信息/智能系统的概念、设计和使用中的作用的一些思考》，软计算——基础、方法和应用的融合，2，1，23-25（1998）·doi:10.1007/s005000.50030 [14] Zadeh，L.A.，走向模糊信息粒化理论及其在人类推理和模糊逻辑中的中心地位，模糊集与系统，90，2，111-127（1997）·Zbl 0988.0304号 ·doi:10.1016/s0165-0114（97）00077-8 [15] 朱，P。；胡琼，基于边际分布优化的自适应邻域粒度选择与组合，信息科学，249，1-12（2013）·Zbl 1335.68276号 ·doi:10.1016/j.ins.2013.06.012 [16] 朱，P。；胡，Q。；左，W。；Yang，M.，通过邻域颗粒边缘最大化实现多粒度距离度量学习，信息科学，282321-331（2014）·doi:10.1016/j.ins.2014.06.017 [17] Kudo，Y。；Murai，T。；Akama，S.，《基于粒度的演绎、归纳和诱拐框架》，《国际近似推理杂志》，50，8，1215-1226（2009）·Zbl 1191.68686号 ·doi:10.1016/j.ijar.2009.06.002 [18] 库马尔，美国。；Inbarani，H.H.，一种新的基于邻域粗糙集的医学诊断分类方法，《Procedia Computer Science》，47，351-359（2015）·doi:10.1016/j.procs.2015.03.216 [19] 邵明伟。；梁，Y。；王晓珍。；Wu，W.-Z.，形式模糊上下文的粒度约简，基于知识的系统，114，15，156-166（2016）·doi:10.1016/j.knosys.2016.10.10 [20] 吴维珍。；Leung，Y.，多尺度决策表的最优尺度选择，《国际近似推理杂志》，54，8，1107-1129（2013）·Zbl 1316.68197号 ·doi:10.1016/j.ijar.2013.03.017 [21] 吴维珍。；钱，Y。；李，T.-J。；Gu，S.-M.，《不完全多尺度决策表中的规则获取》，信息科学，378282-302（2017）·兹比尔1429.68300 ·doi:10.1016/j.ins.2016.03.041 [22] 赵，H。；王，P。；胡琼，基于自适应邻域粒度的多置信度代价敏感特征选择，信息科学，366134-149（2016）·doi:10.1016/j.ins.2016.05.025 [23] 顾S.-M。；Wu，W.-Z.，《论多尺度决策系统中的知识获取》，《国际机器学习与控制论杂志》，2013年第4期，第5期，第477-486页·doi:10.1007/s13042-012-0115-7 [24] Yao，Y.，颗粒计算的三元理论，颗粒计算，1，2，145-157（2016）·doi:10.1007/s41066-015-0011-0 [25] Lin，Y。；李，J。；林，P。；林·G。；Chen，J.，通过邻域多粒度融合进行特征选择，基于知识的系统，67，162-168（2014）·doi:10.1016/j.knosys.2014.05.019 [26] 钱，Y。；梁，J。；姚，Y。；Dang，C.，MGRS：一个多粒度粗糙集，信息科学，180，6，949-970（2010）·Zbl 1185.68695号 ·doi:10.1016/j.ins.2009.11.023 [27] Yao，Y.Y.，《三元决策与粒度计算》，《国际近似推理杂志》，第103期，第107-123页（2018年）·Zbl 1448.68427号 ·doi:10.1016/j.ijar.2018.09.005 [28] 刘凯。；杨，X。；Fujita，H。；刘，D。；杨，X。；Qian，Y.，多粒度属性约简的有效选择器，信息科学，505，457-472（2019）·doi:10.1016/j.ins.2019.07.051 [29] Chen，D.G。；赵S.Y.，模糊粗糙集决策系统的局部约简，模糊集与系统，161,131871-1883（2010）·Zbl 1192.68683号 ·doi:10.1016/j.fss.2009.12.010 [30] 杨，X。；Yao，Y.，用于属性约简的集成选择器，应用软件计算，70，1-11（2018）·doi:10.1016/j.asoc.2018年5月13日 [31] 宋，J。；Tsang，E.C.C。；陈，D。；Yang，X.，模糊决策理论粗糙集模型中的最小决策成本缩减，基于知识的系统，126104-112（2017）·doi:10.1016/j.knosys.2017.03.013 [32] 陈，H。；李·T。；范，X。；罗，C.，基于邻域粗糙集的非平衡数据特征选择，信息科学，483，1-20（2019）·doi:10.1016/j.ins.2019.01.041 [33] Bai，J。；Xia，K。；Lin，Y。；Wu，P.，基于一致覆盖粗糙集的属性约简及其应用，复杂性，2017（2017）·Zbl 1377.93027号 ·doi:10.115/2017/8896917 [34] Sun，B。；马伟（Ma，W.）。；Qian，Y.，两个宇宙上的多粒度模糊粗糙集及其在决策中的应用，基于知识的系统，123，61-74（2017）·doi:10.1016/j.knosys.2017.01.036 [35] 齐，X。；张杰。；Liang，C.，基于区间值双犹豫模糊非平衡语言集的多属性群决策方法及其应用，复杂性，2018（2018）·兹比尔1407.91092 ·doi:10.1155/2018/3172716 [36] 钱，Y。；X·梁。；王强，局部粗糙集：大数据中粗糙数据分析的解决方案，国际近似推理杂志，97，38-63（2018）·Zbl 1445.68223号 ·doi:10.1016/j.ijar.2018.01.008 [37] 江，Z。；杨，X。；Yu，H。；刘，D。；王，P。；Qian，Y.，多粒度属性约简加速器，基于知识的系统，177，145-158（2019）·doi:10.1016/j.knosys.2019.04.014 [38] 梁，J。；石忠，粗糙集理论中的信息熵、粗糙熵和知识粒化，国际不确定性、模糊性和基于知识的系统杂志，12，1，37-46（2004）·Zbl 1074.68072号 ·doi:10.1142/s0218488504002631 [39] 梁，J。；Wang，J。；Qian，Y.，基于粗糙集知识粒化的不确定性新度量，信息科学，179,4458-470（2009）·Zbl 1162.68666号 ·doi:10.1016/j.ins.2008.10.10 [40] 魏伟（Wei，W.）。；Liang，J.，《粗糙集理论中的信息融合：综述》，信息融合，48，107-118（2019）·doi:10.1016/j.inffus.2018.08.007 [41] 徐，S。；杨，X。；Yu，H。；Yu，D.-J。；Yang，J.等人。；Tsang，E.C.C.，带标签特定特征缩减的多标签学习，基于知识的系统，104，52-61（2016）·doi:10.1016/j.knosys.2016.04.012 [42] 高，Y。；陈，X。；杨，X。；Wang，P.，邻域属性约简：基于样本选择的多准则策略，Information，9，11，282（2018）·doi:10.3390/info9110282 [43] 胡，Q。；Che，X。；张，L。；张，D。；郭，M。；Yu，D.，基于秩熵的单调分类决策树，IEEE知识与数据工程学报，24，11，2052-2064（2012）·doi:10.1109/tkde.2011.149 [44] 张，X。；梅，C。；陈，D。；Li，J.，混合数据中的特征选择：一种使用新型模糊粗糙集信息熵的方法，模式识别，56，1，1-15（2016）·Zbl 1412.68198号 ·doi:10.1016/j.patcog.2016.02.013 [45] Wang，C.Z。；胡庆华。；Wang，X.Z。；陈，D。；钱，Y。；Dong，Z.，基于邻域判别指数的特征选择，IEEE神经网络和学习系统汇刊，29,72986-2999（2018）·doi:10.1109/tnnls.2017.2710422 [46] 胡，Q。；Yu，D。；Xie，Z.，邻域分类器，应用专家系统，34,2866-876（2008）·doi:10.1016/j.eswa.2006.10.043 [47] 杨，X。；Liang，S。；Yu，H。；高，S。；Qian，Y.，伪拉贝尔邻域粗糙集：度量与属性约简，国际近似推理杂志，105，112-129（2019）·兹比尔1452.68236 ·doi:10.1016/j.ijar.2018年11月10日 [48] 贾晓云。；拉奥，Y。；Shang，L。；Li，T.，粗糙集理论中基于相似性的属性约简：聚类视角，国际机器学习与控制论杂志，1，1-14（2019）·doi:10.1007/s13042-019-00959-w [49] 刘，Y。；Huang，W.L。；蒋永乐（Jiang，Y.L.）。；曾志勇，邻域粗糙集模型的快速属性约简算法，信息科学，271,1,65-81（2014）·Zbl 1341.68273号 ·doi:10.1016/j.ins.2014.02.093 [50] 王，C。；Shao先生。；何，Q。；钱，Y。；Qi，Y.，基于模糊邻域粗糙集的特征子集选择，基于知识的系统，111173-179（2016）·doi:10.1016/j.knosys.2016.08.009 [51] 杨，X。；齐，Y。；宋，X。；Yang，J.，《测试成本敏感的多粒度粗糙集：模型和最小成本选择》，信息科学，250184-199（2013）·Zbl 1320.68197号 ·doi:10.1016/j.ins.2013.06.057 [52] 杨，X。；张，M。；窦，H。；Yang，J.，不完备信息系统中基于邻域系统的粗糙集，基于知识的系统，24，6，858-867（2011）·doi:10.1016/j.knosys.2011.03.007 [53] 姚，Y。；Zhang，X.，粗糙集理论中的类特定属性约简，信息科学，418-419，601-618（2017）·Zbl 1436.68363号 ·doi:10.1016/j.ins.2017.08.038 [54] 贾，X。；Shang，L。；周，B。；Yao，Y.，粗糙集理论中的广义属性约简，基于知识的系统，91，204-218（2016）·doi:10.1016/j.knosys.2015.05.017 [55] 姚，Y。；Zhao，Y。；Wang，J.，《关于约简构造算法》，计算机科学讲义，1100-117（2008），德国柏林：施普林格，德国柏林·Zbl 1154.68513号 ·doi:10.1007/978-3-540-87563-56 [56] 刘凯。；杨，X。；Yu，H。；米·J。；王，P。；Chen，X.，通过集成选择器进行基于粗糙集的半监督特征选择，基于知识的系统，165，282-296（2019）·doi:10.1016/j.knosys.2018.11.034 [57] 李，J。；黄，C。；齐，J。；钱，Y。；刘伟，《基于多粒度的三向认知概念学习》，《信息科学》，378244-263（2017）·Zbl 1429.68228号 ·doi:10.1016/j.ins.2016.04.051 [58] 胡，Q。；Yu，D。；刘杰。；Wu，C.，基于邻域粗糙集的异质特征子集选择，信息科学，178，18，3577-3594（2008）·兹比尔1154.68466 ·doi:10.1016/j.ins.2008.05.024 [59] Liu，K.Y。；宋，J.J。；Zhang，W.D。；Yang，X.B.，《缓解属性约简中的过度拟合：一种早期停止策略》，2018年小波分析与模式识别国际会议论文集·doi:10.10109/icwar.2018.8521316 [60] 王，R。；李伟（Li，W.）。；李，R。；Zhang，L.，通过集合SVM自动模糊类型分类，信号处理：图像通信，71，24-35（2019）·doi:10.1016/j.image.2018.08.003 [61] Yu，H。；Mu，C。；Sun，C。；杨伟（Yang，W.）。；杨，X。；Zuo，X.，用于分类不平衡数据的基于支持向量机的优化决策阈值调整策略，基于知识的系统，76，67-78（2015）·doi:10.1016/j.knosys.2014.12.007 [62] Yu，H。；昌阴，S。；杨，X。；郑S。；Zou，H.，用于分类不平衡数据的具有相对密度信息的模糊支持向量机，IEEE模糊系统汇刊，99，1-15（2019）·doi:10.1109/tfuzz.2019.2898371 [63] 卡梅拉，I。；Ariab，M。；安东尼奥·D·A。；Siciliano，R.，《视觉修剪的信息树》，《应用专家系统》，127，228-240（2019）·doi:10.1016/j.eswa.2019.03.018 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。