一种基于改进粗糙集模型的归纳学习方法

• 作者: 刘惠彬 洪菁 陈强
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 离散化 粗糙集 模糊相似关系 属性重要度 归纳学习
• 年，卷（期）: 2006,（10）
• 所属期刊栏目: 智能、算法、软件工程
• 页码范围: 32-34,36
• 页数: 4页
• 分类号: TP18
• 字数: 3567字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2006.10.011

摘要

对传统的粗糙集理论进行了扩展,提出了一种改进的粗糙集归纳学习方法.一方面,针对连续属性离散化,利用模糊集理论对连续属性进行模糊化,再根据模糊贴近度构造模糊相似矩阵,并用k-w方法粗略评估各连续属性的重要度,建立基于模糊相似关系的划分,最终生成相容的决策表.另一方面,针对解决最优属性的选择问题,提出一种加权求和的属性重要度定义.基于以上模型开发了一个原型系统,并以一个工程实例验证了此方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈强	上海工程技术大学计算中心	37	148	6.0	10.0
2	刘惠彬	上海工程技术大学计算中心	7	9	2.0	3.0
3	洪菁	上海工程技术大学计算中心	3	14	2.0	3.0