一、大数据集基于等价类的属性重要性定义和约简（论文文献综述）
李艳,范斌,郭劼,林梓源,赵曌[1]（2021）在《基于k-原型聚类和粗糙集的属性约简方法》文中研究指明基于k-原型聚类和等价关系下的粗糙集理论,对含有连续值和符号值的目标信息系统提出了一种新的适用于混合数据的属性约简方法。首先,k-原型聚类可以通过定义混合数据的距离而得到信息系统的类簇,形成对论域的划分。将所得到的类簇代替粗糙集理论中的等价类,提出基于聚类的近似集、正域以及正域约简的概念,并根据信息熵定义属性重要性度量,建立了变精度正域约简方法。这种属性约简可以同时处理数值型和符号型数据,去除其中的冗余属性,提高分类性能,降低存储和算法运行时间耗费,并通过调节聚类参数k得到对论域不同粒度的划分,对所得到的约简进行优化。最后在UCI数据集上进行了大量的实验,针对分类问题采用了常见的4种分类算法,比较了约简前后的分类精度,详细分析了参数对结果的影响,验证了约简方法的有效性。
史志尧[2]（2021）在《轴承故障知识发现的粗糙集属性约简方法研究》文中指出随着科技的进步,各类旋转机械正向着智能化、优质高效运行方向发展。对旋转机械进行全面的监测会采集到大量的振动信号,这推动故障诊断领域进入了大数据时代。但大量的数据中包含了许多无效冗余的信息,如何从中去除冗余信息,挖掘出最真实、最有价值的信息,帮助实现智能故障知识发现,成为当前急需解决的问题。粗糙集理论作为一种能够描述不确定性的数据分析工具被用于智能决策中,推动了人工智能的快速发展。粗糙集理论中研究的关键问题是知识获取方法和属性约简算法,因此该理论被广泛应用于机械故障诊断领域。本论文将粗糙集理论作为知识发现工具,对轴承故障特征集的属性约简进行了探讨,并结合智能分类器进行故障识别。主要研究内容与取得的研究成果如下:（1）针对邻域多粒度粗糙集模型属性约简时,没有考虑不同粒度权重对约简结果影响的问题,提出一种邻域加权多粒度粗糙集模型,对故障数据集进行属性约简。在决策信息系统中,该模型给每一个条件属性赋予一个权重,重新定义了该模型下的近似集、依赖度和重要度,并建立了基于邻域加权多粒度粗糙集的故障数据集属性约简算法;然后将约简后得到的敏感特征子集输入到KNN分类器中进行模式识别;最后利用轴承故障数据集验证了该方法的有效性。（2）针对决策粗糙集模型参数不确定和参数过多导致的应用困难问题,提出并构建邻域单参数决策粗糙集模型,同时设计了邻域单参数决策粗糙集模型和非朴素贝叶斯分类器结合的故障诊断方法。该方法运用邻域单参数决策粗糙集模型对轴承故障特征集进行属性约简,再将提取出的低维敏感特征子集输入非朴素贝叶斯分类器进行模式识别。设计的故障诊断方法集成了邻域单参数决策粗糙集在属性约简和非朴素贝叶斯分类器在模式识别的优势,通过构建轴承故障特征集,验证了该方法的有效性。（3）针对工业大数据智能决策技术发展中故障数据的科学管理问题,设计了一套旋转机械故障诊断系统。该系统由数据库模块和故障诊断功能模块组成,采用轴承故障数据集进行验证,应用情况表明,本系统可以有效地实现故障数据的存储并完成对故障数据的知识发现,从而验证了故障诊断系统的有效性。本论文以粗糙集理论为基础,将其应用于故障数据集的属性约简。在工业大数据的背景下,为剔除冗余信息、获取故障的敏感特征以及提高故障辨识精度提供了全新的思路,使智能故障决策技术有了更好的发展。
杜艳[3]（2020）在《基于完备信息系统的局部粗糙集》文中提出本文主要是基于局部粗糙集模型与局部多粒度粗糙集模型展开讨论,进一步拓展局部粗糙集理论。基于局部粗糙集模型,考虑到决策数据常常是不协调的,本文将其引入到不协调信息系统。研究发现,基于不协调信息系统的局部粗糙集,正确分类率与分类质量之间存在着一定的关系:不同的正确分类率对应不同的分类质量,两个正确分类率之间的分类质量是保持不变的;使用下近似分布是否改变来定义的属性约简,存在属性核,并且约简具有稳定性,基于此,本文定义了a下近似分布约简。根据在决策表中,条件属性集的信息熵具有单调下降这一性质,本文利用信息熵来衡量属性重要度的大小,并设计出基于不协调信息系统的局部粗糙集的属性约简算法。基于局部多粒度粗糙集模型,本文给出了“求同存异”与“求同排异”两种融合策略下的局部多粒度粗糙集模型,分别定义了两种融合策略下的上下近似算子,并研究了相应的性质。本文发现,根据本文所给出的近似质量的定义,正确分类率与分类质量之间也存在类似于不协调信息系统下的局部粗糙集中的关系:不同的正确分类率对应不同的分类质量,两个正确分类率之间的分类质量是保持不变的。两种融合策略下的局部多粒度框架中,随着粒度空间的单调变化,局部多粒度粗糙集的近似质量也呈单调变化,并且能够完全表示出局部多粒度决策空间中的下近似分布的变化。利用这一特性,本文依据近似质量定义了粒度熵,根据粒度熵给出了合理的粒度内外部重要度的度量办法,并设计出基于a下近似分布的粒度约简算法。研究表明:在悲观融合策略下,随着粒度集中粒度的增加,粒度集的下近似分布粒度熵逐渐变小;在乐观融合策略下,随着粒度集中粒度的增加,粒度集的下近似分布粒度熵也逐渐增大。当某个粒度的内部重要度大于零时,此时的粒度属于粒度核。最后,本文通过实验验证了算法的有效性。
侯文丽[4]（2020）在《基于邻域粗糙集的增量属性约简算法研究》文中认为在科技时代背景下,信息技术时刻在高速率地发展着,各行各业中产生了大量的数据,据不完全统计,在互联网中每天有数万亿PB数据不断更新和增长。这不得不使得人们在收集大规模数据,以及储存处理数据的这些方面的技能迫切提升。在许多工业、教育以及医疗行业中都存在着大量多维的数据,针对于此类数据进行一定程度的数据分析,有利于人们从数据中挖掘出来隐藏在数据背后的有价值的信息,同时,也有利于预测出下一阶段数据的变化情况,这样,有利于针对于动态变化的数据提前做好应对之策。总之,数据挖掘和智能信息处理目前已经是研究工作者们近些年来重点关注的研究内容之一。粗糙集理论是用来处理模糊、不确定、不完备数据的一种有效的数学工具,它的优势在于很多时候仅仅需要利用生成的数据表中的信息本身,并不需要计算出其他的概率论的有关数学知识,如先验知识和其它附加信息等,通过简单的分析处理就可以很便利地分析数据表中的各项数据,进而发现隐藏在数据表中背后的有用的有研究意义的知识或者数据,粗糙集理论一定程度上,揭示潜在数学规律。就目前看来,粗糙集理论以及衍生出来的邻域粗糙集理论、变精度粗糙集理论、模糊粗糙集理论和覆盖粗糙集理论等理论,这些相关理论已经大量运用在数据挖掘、智能信息处理、模糊识别和知识约简等科学研究。属性约简是在保持属性区分能力不改变或者大方向不改变的情况下,去除掉数据中的无关或者不太重要的属性。近些年来,由于许多医疗、教育和工业领域中的数据通常都是在动态实时更新变化,每当数据的数据量増长到一定维度时候,从原始数据集中获取的属性约简和知识获取结果将不再适用,此时需对新生成的数据表,重新进行处理和分析。若使用静态的非增量式的属性约简方法来处理时,将导致属性约简算法的时间复杂度急剧增加,且较难寻找出新数据相较于原始数据的变化规律所在。因此,基于粗糙集理论围绕动态数据研究动态数据挖掘理论和方法具有很大的研究价值。本文的主要研究工作和创新工作如下:（1）基于邻域粗糙集模型和邻域条件熵的常规增量属性约简算法存在精度低,效率低。本文重新定义了一种新的邻域粗糙熵,并推导出邻域粗糙条件熵,分析了基于信息熵的属性约简算法相对于代数观下属性约简算法的优势,以属性的邻域粗糙条件熵为基础来计算属性重要度,提出了一种基于邻域粗糙条件熵的非增量属性约简算法,并且为了精确地确定邻域阈值,本文利用人工蜂群优化算法来搜寻本算法最优的邻域阈值。（2）针对决策表下样本的动态变化,研究探讨了如何快速地从动态决策表中提取关键的知识或规则。第一,完备决策表中独立样本的増加和删除进行分析,基于新的邻域粗糙条件熵动态更新机制,通过计算新的重要度和约简集,对于满足阈值要求的规则进行动态增加和删除。第二,再分析批增量下,多个对象增加和删除时,基于新的邻域粗糙条件熵动态更新机制,再重新确定新的约简结果。主要是分析了新增样本后邻域的变化规律,邻域粗糙条件熵的变化规律以及约简结果的变化规律,并做了详细的理论推导工作。（3）在（2）的基础上,提出了一种基于邻域粗糙集的増量式属性约简算法。在UCI标准数据集随机改变数据集中的10%,20%,30%,40%,50%样本中的数据值,重新计算新生成的数据集的约简结果,并通过与多种算法进行约简结果的对比实验和以十倍交叉验证方法在两种传统分类器下的精度分析对比实验,实验证明所提出的属性约简算法以及新定义的邻域粗糙条件熵的有效性和可行性,并证明了所提算法对混合多维数据有一定的应用价值。综上,本文以粗糙集理论作为数学理论支撑,以智能信息处理为目的,针对动态不完备决策表的属性约简和知识获取模型与增量属性约简算法进行了深入的分析和研究。针对动态数据中的样本集变化,导致的属性约简和知识获取需要实时更新问题,进行了较深入研究,设计一种新的增量属性约简算法,较好地解决了许多静态非增量算法未能描述数据更新变化的变化规律和算法运行效率较低等诸多问题,进而为更容易适应大数据环境下数据实时分析和挖掘。
余建航[5]（2020）在《基于粗糙集的几类广义信息系统知识发现与决策方法研究》文中提出随着信息科学技术的不断发展,特别是现代网络技术和计算机存储技术的飞跃式进步,数据的获取变得越来越容易,导致数据规模呈爆炸式增长态势,与此同时数据的结构也变得更加复杂,经典的信息系统已经不足以对大规模的复杂数据进行刻画,为此针对不同类型的数据提出了一系列广义信息系统。如何快速对这些大规模复杂数据进行挖掘,并作出相应的决策分析在理论研究和实际应用中都有突出的意义。粗糙集理论作为一种由数据驱动的智能计算工具,可以在不具备先验知识的情况下对各种类型的数据进行挖掘,特别是在对不确定性数据的知识发现与决策分析过程中有着明显的优势。本文以粗糙集理论为基础,分别就知识发现和决策分析对区间值序信息系统、多粒度信息系统和混合值信息系统进行研究,论文的主要研究成果和创新如下:（1）针对区间值序信息系统中属性集变化时快速更新近似集的问题,分别对删除属性和增加属性两种情况下动态更新近似集的方法进行讨论,得到了属性集变化时动态更新近似集的一般准则,并结合更新机制设计了近似集动态更新算法。然后,基于几个UCI数据集对算法的有效性进行验证分析,实验结果表明动态算法与一般的近似集计算方式相比在计算效率方面有着明显的优势。（2）针对多粒度信息系统中的双量化决策分析问题,通过在多粒度框架下对决策粗糙集和程度粗糙集的近似算子进行重新组合,建立了三对双量化多粒度决策粗糙集模型,并深入研究了模型的一些基本性质,然后讨论了双量化多粒度决策粗糙集模型与其他粗糙集模型的关系。最后,结合一个医疗诊断案例对模型在决策分析中的应用进行了展示。（3）针对混合值决策信息系统中的决策粗糙集建模问题,建立了三种不同广义混合距离度量方式,然后结合高斯核函数构造了基于邻域的粒化机制,并对粒化过程中的参数设置规则进行了讨论。紧接着,结合Bayesian决策方法在混合值决策信息系统中建立了决策粗糙集模型,并通过一个实际案例演示了混合值决策信息系统中的决策分析过程。（4）针对混合值决策信息系统中的属性约简问题,分别基于相对正域和最小决策代价研究了混合值决策信息系统的属性约简规则,然后结合约简规则设计了对应的启发式属性约简算法。进一步,基于UCI数据集采取不同的距离度量方式和约简算法去获取约简,并分别就约简长度和错误分类代价对不同的约简获取方式进行比较分析。本文基于粗糙集理论对几类广义信息系统的知识发现与决策分析方法进行了研究,得到了区间值序信息系统中属性集变化时动态更新近似集的方法,在多粒度信息系统建立了六个双量化多粒度粗糙集模型,提出了混合值决策信息系统中决策粗糙集模型并设计了两种启发式属性约简算法。这些成果在一定程度上拓展和丰富了粗糙集理论在广义信息系统中的应用,为动态数据环境下的知识发现和复杂数据的决策分析提供了理论指导和技术支持。
董连杰[6]（2020）在《属性约简增量机理与鲁棒算法研究》文中进行了进一步梳理随着信息技术的发展和智能终端的普及,人类社会逐渐步入人工智能时代。数据产生与收集的方式发生了巨大变化,呈现出大规模、实时更新、包含噪声的特点。针对当前数据大容量的特点设计高效并且具有鲁棒性的数据降维算法,成为机器学习领域关注的焦点。通过保持数据中条件属性和决策标签之间的不一致性不变,粗糙集属性约简从数据中删除冗余的条件属性以达到数据降维的目的。由于数据规模的不断增大与动态更新,当前的属性约简算法面临如下的挑战:一是在现有的硬件环境下,如何实现对动态及大规模数据的属性约简;二是针对数据扰动现象,如何提高基于不一致性不变的约简的鲁棒性。针对上述两个问题,本文研究了属性和样本同时增加时,经典粗糙集和模糊粗糙集的属性约简增量机理,并借鉴机器学习的正则化方法研究了鲁棒属性约简的理论和算法。主要研究内容及成果如下:（1）研究了样本和属性同时增加时经典粗糙集属性约简的增量机理。通过辨识关系,设计了新增样本和属性对于更新当前约简必要性的判断机制,并揭示了属性和样本之间在更新约简时的相互制约关系。对于更新当前约简不必要的样本和属性,将其存入数据而不是过滤;对于必要的样本和属性,通过增量计算辨识关系来实现约简的增量计算。基于样本和属性同时增加的统一增量机理设计了经典粗糙集属性约简的增量算法,实验验证了该算法在处理样本和属性同时增加时经典粗糙集增量属性约简的效率和有效性。（2）研究了样本和属性同时增加时模糊粗糙集属性约简的增量机理。利用相对辨识关系实现了对模糊粗糙集中样本和属性的统一描述,为模糊粗糙集中样本和属性同时增加时属性约简增量机理的分析提供了理论基础。通过分析样本增加和属性增加分别带来的相对辨识关系的变化,将属性增加的增量机理和样本增加的增量机理有机的融合到一起,提出了样本和属性同时增加的统一增量机理。当新增样本和属性不断加入时,通过判断相对辨识关系来决定其对当前约简的更新是否必要,从而实现冗余属性的有效删除和必要属性的合理加入。基于属性和样本同时增加的统一增量机制设计了模糊粗糙集属性约简的增量算法。数值实验结果证明该算法能有效处理属性和样本同时增加时模糊粗糙集的增量属性约简。（3）研究了鲁棒属性约简的理论和方法。由于粗糙集对数据噪声敏感,保持一致性不变所得的约简不具有鲁棒性。借鉴机器学习的正则化方法,根据数据类型的不同,分别研究了经典粗糙集和模糊粗糙集的鲁棒属性约简的理论和方法。利用正则化方法,在决策规则的经验误差和整个决策系统的粒度之间寻找一种平衡,以忽略支持度较低的决策规则为代价换取决策规则的泛化能力。基于正则化损失函数的优化策略,设计了鲁棒约简算法,将约简中辨识能力较弱的属性进一步删除,以此提高决策规则的泛化能力。将粗糙集的鲁棒约简算法应用到电厂煤耗的关键特征选取中,并以关键特征作为输入变量建立了煤耗模型。实验结果证明本文所提出的鲁棒约简算法能够有效的删除辨识能力较弱的属性,提高约简的鲁棒性。
余苏丹[7]（2020）在《基于多源信息融合的多标记属性约简与代价敏感研究》文中研究说明随着互联网、大数据、云计算等信息技术的快速发展,数据的规模急剧增长,数据的维度呈现高维性特点。如何对海量高维数据进行挖掘和分析,从中提取出潜在有价值的知识,值得广大学者深入研究和探索。粗糙集作为一种高维数据分析和计算理论,它以不需先数据本身以外的任何先验知识,可直接对不精确、不完备、不一致知识进行分析和挖掘,使得获取的知识相对更客观,已广泛应用在属性约简、特征选择、规则获取等技术。另外,当前数据的来源也日益丰富,越来越多的应用领域需要从不同的数据环境获取多源数据,特别是多源的高维数据将给数据的分析和应用带来难题。如何从多源的同类数据中去粗取精以获得有用的信息具有重要的研究意义。另外,数据的采集往往需要花费不同代价成本,如何在保证结果准确的基础上,降低成本为处理现实应用问题提供参考。因此,本文以多源信息系统为研究对象,以粗糙集为理论基础,研究了面向多源多标记数据的属性约简算法,并从测试代价视角,分析了多源数据的信息融合算法。主要创新点如下:第一,属性约简作为高维数据的重要关键步骤,可以提高学习算法的分类性能和降低算法的计算复杂性。现有的多源信息融合方法大多是集中在单决策系统上,较少考虑多源的多标记决策系统。然而,在许多实际应用中,有些数据来自不同数据源且同时带多个标记的现象,为此,本文提出了一种面向多源多标记数据的属性约简方法。首先利用信息熵方法对多源数据进行信息融合,为了消除数据中存在的某些冗余或不相关的特征,提出了基于正区域模型的多源多标记数据的属性约简算法。最后,通过实例详细说明了该算法的计算过程,并通过实验分析表明了该算法在多源多标记数据上的有效性。第二,从代价敏感学习视角,研究了基于测试代价的多源标记数据的信息融合算法。由于从不同数据源在收集数据所需要测试代价不尽相同,为此,在进行多源信息融合时考虑数据的测试代价是有意义的。属性约简用于融合实现,使用依赖度度量计算每个属性的重要性,以及考虑属性的测试代价对选择的影响,在此基础上,定义了新的信息融合算法,新算法能够保证属性的重要度情况下选择总测试代价小的信息融合结果,最后通过理论分析和实例计算说明其可行性与有效性。最后对算法的研究现状进行总结和对未来研究方向进行陈述。
翁冉[8]（2020）在《基于区分矩阵的多粒度属性约简算法研究》文中认为随着科技的发展和大数据时代的到来,数据量飞速增长,为人类带来丰富的数据资源,但是这些数据中也会存在大量的冗余信息,使得数据的分析与处理面临诸多挑战。为此,研究如何从数据中提取有效信息的数据挖掘技术成为一个具有重要研究方向。作为知识获取和数据挖掘的重要工具,粗糙集一直受到广泛的关注。属性约简是粗糙集理论的核心内容之一,它可以在保持信息系统分类能力不变的条件下去除冗余和不相关属性,提高分类精度。多粒度是粒计算领域的重要研究方向,它可以在多个不同的粒度下进行问题求解,得到更加满意、合理的结果。多粒度计算为复杂问题的求解提供一种新的范式。因此,本文从多粒度角度出发对属性约简算法开展研究,主要工作分为以下两个部分:（1）针对符号型数据构成的信息系统,在经典粗糙集背景下,研究基于区分矩阵的多粒度属性约简算法。首先利用属性关于决策的依赖度对属性进行粒化。然后基于区分矩阵定义了属性粒和属性粒中属性的重要度。属性粒的重要度用来衡量粒整体的重要程度,属性粒中属性重要度用来度量粒内属性的重要程度。最后,利用这两种重要度评价指标设计了一种多粒度属性约简算法,并通过实验验证了算法的有效性。（2）针对数值型数据构成的信息系统,在模糊邻域粗糙集背景下,研究基于区分矩阵的多粒度属性约简算法。首先通过斯皮尔曼公式计算属性之间的相关性,接着用谱聚类对属性进行聚类,实现了属性粒化。其次,面向模糊邻域粗糙集分别定义了属性意义下和正域意义下的区分矩阵,并以此为依据,定义了属性粒和属性粒中属性的重要度评价指标。然后,利用这两种评价指标设计了一种属性约简算法。实验结果表明多粒度属性约简算法的有效性。
任海玲[9]（2020）在《粗糙集理论在肺部肿瘤计算机辅助诊断中的应用》文中研究说明研究背景:肺癌是全球发病率及死亡率最高的癌症,严重威胁人类的生命健康。早期诊断并治疗肺癌能从根本上提高肺癌患者的生存率,甚至能治愈肺癌。肺部医学影像图像是肺癌分期诊断的重要参考依据,但随着医学影像图像的爆炸式增长,医生诊断的漏诊率高、识别精度低。以医学影像图像为基础的计算机辅助诊断,有助于提高医生诊断的敏感性和特异性。属性约简是获取数据中有价值信息的重要方法,它能够降低特征属性的维度、简化知识的处理过程。粗糙集理论是处理不精确、不一致、不完整信息的数学工具。基于粗糙集的属性约简在数据挖掘中不需要先验知识,仅利用数据本身所提供的信息就可以发现问题的规律并进行属性约简,具有处理不精确问题能力,已成为处理医疗数据、建立计算机辅助诊断模型的重要工具。研究目的:以带医嘱的肺部肿瘤医学影像图像（CT、PET、PETCT各3000例）为研究数据,搭建基于粗糙集理论的肺部肿瘤计算机辅助诊断模型,进而提高医生的诊断精度,降低医生阅片的漏诊误诊率。研究方法:首先,搭建基于粗糙集理论的肺部肿瘤计算机辅助诊断模型,解决肺部肿瘤计算机辅助诊断系统的诊断结果存在假阳性高等问题;其次,搭建基于集成DE-NRS的肺部肿瘤影像组学计算机辅助诊断模型,解决经典粗糙集理论基于等价关系不能处理连续型数据问题;最后,针对差分进化算法性能依赖于控制参数（变异系数（F）、交叉系数（CR））和适应度函数的构造问题,搭建基于JADE-NRS的肺部肿瘤高维属性约简模型。研究结果:基于集成DE-NRS的肺部肿瘤影像组学计算机辅助诊断模型在肺部肿瘤良恶性识别上,整体性能较好,识别识别精度达到99.72%,具有较好的鲁棒性和可扩展性。JADE-NRS模型相比DE-NRS模型对高维肺部肿瘤CT医学影像图像做属性约简,得到的属性子集经SVM分类器,识别精度ACC提高1.69%,时间缩短57.7658s。
张霄雨[10]（2019）在《面向肿瘤基因数据的邻域粗糙集特征选择方法研究》文中研究指明粗糙集理论是一种刻画知识模糊性、不确定性和不完整性的有效数学工具。然而,经典粗糙集理论是基于严格等价关系的,在处理具有高维度、低样本和连续型等特点的基因表达数据时可能失效。邻域粗糙集作为粗糙集的扩展理论,适用于处理混合型（符号型和数值型）数据,正在被广泛应用于人工智能、数据挖掘、模式识别等诸多领域。针对混合型的肿瘤基因数据,本文基于邻域关系研究了邻域决策系统的不确定性度量方法,结合机器学习方法中的降维技术,基于邻域粗糙集模型提出了肿瘤基因数据的特征选择算法,并将其运用于肿瘤基因分类,通过理论分析和实验测试来进一步验证所提出算法的有效性。本文的主要研究内容包括三个方面:（1）对于连续型数据,传统的特征选择方法采用离散化处理,导致了具有分类能力的信息丢失从而影响分类精度。为此,通过邻域粗糙集模型中的邻域关系粒化连续型基因数据,以保留连续型数据的分类信息,提出了一种基于Fisher线性判别和邻域依赖度的基因选择算法。首先,Fisher线性判别方法被用于肿瘤基因数据集的初步降维,有助于降低后续算法的计算复杂度,得到候选基因子集;然后,在邻域决策系统中基于邻域精确度定义了邻域粗糙度,并将邻域粗糙度引入到传统邻域粗糙集的依赖度中,提出了邻域依赖度的计算方法,以度量邻域决策系统的知识粗糙性,由此给出了邻域决策系统中属性内部重要性和属性外部重要性,构建了基于邻域依赖度的邻域决策系统特征选择方法;最后,基于Fisher线性判别和邻域依赖度设计了肿瘤基因选择算法,有效剔除候选子集中的冗余基因,获取了最优肿瘤基因子集。在4个标准肿瘤基因数据集上进行仿真实验以验证该算法可以有效地选择最优肿瘤基因子集,且获得较高的分类精度。（2）为解决传统邻域粗糙集中基于评估函数单调性的启发式属性约简方法存在一定缺陷,不能获取更好属性约简结果的问题,提出了一种基于邻域决策熵的非单调特征选择方法。首先,在邻域决策系统中研究基于邻域熵的不确定性度量,定义了邻域可信度和邻域覆盖度,将其引入到决策邻域熵和邻域互信息概念中,以充分反映邻域决策系统中属性的决策能力,推导出它们的性质和这些度量之间的关系;然后,通过理论证明并分析决策邻域熵和邻域互信息的非单调性,给出属性重要性度量方法,设计了基于决策邻域熵的特征选择方法;最后,将其与Fisher score降维技术结合,在邻域决策系统中提出一种具有较低时空复杂度的基于邻域决策熵的启发式特征选择算法,有效降低维度并提高基因表达数据集的分类性能。在10个公开肿瘤基因数据集上的十折交叉验证的实验结果表明,该算法不仅大幅度减少了肿瘤基因数据集的维数,而且分类精度也优于其他对比的特征选择算法。（3）传统的基于粗糙集理论的知识约简方法大多是仅从约简的代数观点或信息论观点出发,研究属性对论域中分类子集的影响,没有实施更有效的度量机制,为解决此问题,提出了一种基于邻域近似决策熵的肿瘤基因选择方法。首先,利用属性代数定义与信息论定义之间较强的互补性,将邻域近似精度与邻域熵结合,定义了新的平均邻域熵;然后,给出了邻域近似决策熵的概念,以处理邻域决策系统的不确定性和噪声,以充分反映决策属性对条件属性子集的决策能力;最后,在邻域决策系统中,提出了一种基于邻域近似决策熵的肿瘤基因选择算法,以提高处理高维复杂基因数据集的分类性能。在7个公开肿瘤基因数据集上的仿真实验结果表明,该方法可以有效地选择具有较高分类性能的肿瘤基因子集。
二、大数据集基于等价类的属性重要性定义和约简（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大数据集基于等价类的属性重要性定义和约简（论文提纲范文）
（1）基于k-原型聚类和粗糙集的属性约简方法（论文提纲范文）
| 1 引言 |
| 2 基本概念和算法 |
| 2.1 基于粗糙集的正域属性约简 |
| 2.2 k-原型聚类算法 |
| 3 基于多粒度k-原型聚类的正域约简 |
| 4 实验分析 |
| 4.1 约简效果 |
| 4.2 参数的影响 |
（2）轴承故障知识发现的粗糙集属性约简方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 故障诊断研究的主要内容 |
| 1.2.1 机械故障诊断的基本流程 |
| 1.2.2 基于数据驱动的故障诊断方法 |
| 1.3 粗糙集理论的研究现状 |
| 1.3.1 粗糙集发展情况 |
| 1.3.2 属性约简问题的研究现状分析 |
| 1.4 知识发现的概念 |
| 1.4.1 知识的定义 |
| 1.4.2 知识发现的涵义 |
| 1.5 归纳与分析 |
| 1.6 主要内容及安排 |
| 第2章 粗糙集理论的基本概念简介 |
| 2.1 引言 |
| 2.2 信息系统的基本概念 |
| 2.3 粗糙集理论的基本概念 |
| 2.3.1 近似集的定义 |
| 2.3.2 近似精度的定义 |
| 2.3.3 属性重要度的定义 |
| 2.4 邻域粗糙集的基本概念 |
| 2.4.1 邻域粒化概念 |
| 2.4.2 邻域粗糙集近似集 |
| 2.4.3 邻域决策信息系统 |
| 2.5 决策粗糙集的基本概念 |
| 2.5.1 概率粗糙集模型 |
| 2.5.2 三支决策 |
| 2.5.3 决策粗糙集约简理论 |
| 2.6 本章小结 |
| 第3章 基于邻域加权多粒度粗糙集的轴承故障知识获取方法 |
| 3.1 引言 |
| 3.2 相关原理简介 |
| 3.2.1 邻域多粒度粗糙集模型 |
| 3.2.1.1 一类邻域多粒度粗糙集模型 |
| 3.2.1.2 二类邻域多粒度粗糙集模型 |
| 3.2.2 基于双重粒化准则的邻域多粒度粗糙集模型 |
| 3.2.3 基于双重粒化准则的邻域多粒度粗糙集属性约简算法 |
| 3.3 提出的邻域加权多粒度粗糙集模型 |
| 3.3.1 基本思想 |
| 3.3.2 基于邻域加权多粒度粗糙集的属性约简算法 |
| 3.4 设计的轴承故障诊断方法 |
| 3.5 实验验证情况 |
| 3.5.1 轴承故障模拟实验 |
| 3.5.2 实验结果 |
| 3.5.3 高维数据约简前后可视化结果对比 |
| 3.5.4 故障分类的效果 |
| 3.6 本章小结 |
| 第4章 基于邻域单参数决策粗糙集的轴承故障知识获取方法 |
| 4.1 引言 |
| 4.2 相关原理简介 |
| 4.2.1 决策粗糙集的参数确定 |
| 4.2.2 邻域单参数决策粗糙集模型 |
| 4.2.3 非朴素贝叶斯分类器 |
| 4.3 建立的轴承故障辨识方法 |
| 4.3.1 基于邻域单参数决策粗糙集的属性约简 |
| 4.3.2 基于NNBC的故障识别 |
| 4.4 实验验证情况 |
| 4.4.1 实验设备 |
| 4.4.2 实验结果 |
| 4.4.3 对比与分析 |
| 4.5 本章小结 |
| 第5章基于C#平台的轴承故障诊断系统开发 |
| 5.1 引言 |
| 5.2 故障诊断系统开发 |
| 5.2.1 设计的数据库模块 |
| 5.2.1.1 数据库技术 |
| 5.2.1.2 数据库模块设计 |
| 5.2.2 故障诊断功能模块设计 |
| 5.2.2.1 预处理功能模块 |
| 5.2.2.2 特征提取功能模块 |
| 5.2.2.3 维数约简功能模块 |
| 5.2.2.4 模式识别功能模块 |
| 5.3 实验验证情况 |
| 5.3.1 实验方案 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
（3）基于完备信息系统的局部粗糙集（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 粗糙集理论的研究背景及意义 |
| 1.2 国内外现状 |
| 1.2.1 粗糙集的研究现状 |
| 1.2.2 局部粗糙集研究现状 |
| 1.3 研究的主要内容与技术路线 |
| 1.3.1 研究的主要内容 |
| 1.3.2 技术路线图 |
| 第二章 预备知识 |
| 2.1 经典粗糙集 |
| 2.2 局部粗糙集 |
| 2.3 不协调信息系统与变精度粗糙集 |
| 2.4 变精度多粒度粗糙集 |
| 2.4.1 乐观变精度多粒度粗糙集模型 |
| 2.4.2 悲观变精度多粒度粗糙集模型 |
| 第三章 基于不协调信息系统的局部粗糙集 |
| 3.1 基于不协调信息系统的局部粗糙集理论模型及性质 |
| 3.1.1 基于不协调信息系统的局部粗糙集理论模型 |
| 3.1.2 基于不协调信息系统的局部粗糙集的性质 |
| 3.2 正确分类率与分类质量的关系 |
| 3.3 基于熵的属性重要度的度量 |
| 3.4 基于属性重要度的启发式约简 |
| 3.4.1 算法 |
| 3.4.2 实例分析 |
| 3.5 本章小结 |
| 第四章 两种融合策略下的局部多粒度粗糙集模型 |
| 4.1 局部多粒度粗糙集理论模型及性质 |
| 4.1.1 局部多粒度粗糙集 |
| 4.1.2 悲观决策策略下的局部多粒度决策粗糙集 |
| 4.1.3 乐观决策策略下的局部多粒度决策粗糙集 |
| 4.2 局部多粒度粗糙集的正确分类率与分类质量的关系 |
| 4.3 两种决策策略下局部多粒度粗糙集的粒度重要性 |
| 4.4 基于两种决策策略的局部多粒度粗糙集启发式粒度约简算法 |
| 4.4.1 算法 |
| 4.4.2 实例分析 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（4）基于邻域粗糙集的增量属性约简算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题应用背景及选题意义 |
| 1.1.1 课题应用背景 |
| 1.1.2 选题意义 |
| 1.2 论文国内外研究现状 |
| 1.2.1 粗糙集理论的研究现状 |
| 1.2.2 粗糙集理论在不完备信息系统中的研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文的结构组成以及安排 |
| 第二章 理论综述 |
| 2.1 粗糙集理论的基本理论 |
| 2.2 邻域粗糙集的基本理论 |
| 2.3 属性约简 |
| 2.4 动态数据的约简方法 |
| 2.5 本章小结 |
| 第三章 基于邻域粗糙条件熵的非增量属性约简算法 |
| 3.1 邻域粗糙条件熵的相关理论 |
| 3.1.1 邻域粗糙熵的定义 |
| 3.1.2 邻域粗糙条件熵的定义 |
| 3.2 基于邻域粗糙条件熵属性约简算法 |
| 3.2.1 基于信息熵的属性约简算法的优势 |
| 3.2.2 算法设计 |
| 3.3 算法测试和结果分析 |
| 3.3.1 参数的确定 |
| 3.3.2 算法测试和结果分析 |
| 3.3.3 非增量属性约简算法的应用场景 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙条件熵的增量属性约简算法 |
| 4.1 增量式约简机制 |
| 4.1.1 增加样本后邻域的变化规律 |
| 4.1.2 增加样本后新的邻域粗糙条件熵的变化规律 |
| 4.1.3 增加样本后约简结果的变化规律 |
| 4.2 基于邻域粗糙条件熵的增量属性约简算法的设计 |
| 4.3 增量属性约简算法的测试和结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 约简时间对比分析 |
| 4.3.3 精度对比分析 |
| 4.3.4 增量属性约简算法的应用场景 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于粗糙集的几类广义信息系统知识发现与决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 基于粗糙集的动态知识发现研究现状 |
| 1.2.2 双量化决策粗糙集方法研究现状 |
| 1.2.3 混合值信息系统中粗糙集方法研究现状 |
| 1.3 本文主要研究思路与内容 |
| 1.4 本章小结 |
| 第2章 预备知识 |
| 2.1 信息系统与知识粒化 |
| 2.2 Pawlak粗糙集模型 |
| 2.3 变精度粗糙集与程度粗糙集模型 |
| 2.4 决策粗糙集模型 |
| 2.5 多粒度粗糙集模型 |
| 2.6 本章小结 |
| 第3章 时变信息粒区间值序信息系统近似集的动态更新方法 |
| 3.1 区间值序信息系统 |
| 3.2 近似集随属性变化的两个基本定理 |
| 3.3 时变信息粒区间值序信息系统近似集的动态更新 |
| 3.3.1 删除属性时近似集的动态更新方法 |
| 3.3.2 增加属性时近似集的动态更新方法 |
| 3.4 实验分析 |
| 3.4.1 删除属性时动态更新近似集的实验 |
| 3.4.2 增加属性时动态更新近似集的实验 |
| 3.5 本章小结 |
| 第4章 多粒度信息系统的双量化决策粗糙集方法 |
| 4.1 双量化粗糙集建模 |
| 4.2 多粒度信息系统的双量化决策粗糙集 |
| 4.2.1 乐观双量化多粒度决策粗糙集 |
| 4.2.2 悲观双量化多粒度决策粗糙集 |
| 4.2.3 平均双量化多粒度决策粗糙集 |
| 4.3 双量化多粒度决策粗糙集与其他粗糙集模型的关系 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 第5章 混合值决策信息系统的决策粗糙集方法 |
| 5.1 混合值决策信息系统 |
| 5.2 基于高斯核函数的决策粗糙集建模 |
| 5.2.1 对象之间的广义距离度量 |
| 5.2.2 基于高斯核的粒化机制 |
| 5.2.3 混合值决策信息系统中的决策粗糙集 |
| 5.3 混合值决策信息系统的属性约简方法 |
| 5.3.1 基于相对正域的属性约简方法 |
| 5.3.2 基于最小代价的属性约简方法 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（6）属性约简增量机理与鲁棒算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 属性约简增量机理与鲁棒算法的国内外研究现状 |
| 1.2.1 经典粗糙集的国内外研究现状 |
| 1.2.2 模糊粗糙集的国内外研究现状 |
| 1.3 本文的主要工作及内容安排 |
| 第2章 经典粗糙集的属性约简增量机理 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 基本概念 |
| 2.2.2 基于辨识矩阵的属性约简 |
| 2.3 基于辨识关系的属性约简 |
| 2.4 属性增加时属性约简的增量机理 |
| 2.4.1 增量机理 |
| 2.4.2 数值实验 |
| 2.5 属性和样本同时增加时属性约简的增量机理 |
| 2.5.1 样本增加时属性约简的增量机理 |
| 2.5.2 统一增量机理 |
| 2.6 实验分析 |
| 2.7 本章小结 |
| 第3章 模糊粗糙集的属性约简增量机理 |
| 3.1 引言 |
| 3.2 基础知识 |
| 3.2.1 基本概念 |
| 3.2.2 模糊相似关系 |
| 3.2.3 基于相对辨识关系的属性约简 |
| 3.3 动态数据属性约简的增量机理 |
| 3.3.1 样本增加时属性约简的增量机理 |
| 3.3.2 属性增加时属性约简的增量机理 |
| 3.3.3 统一增量机理 |
| 3.4 实验分析 |
| 3.4.1 算法的有效性评价 |
| 3.4.2 算法的高效性评价 |
| 3.5 本章小结 |
| 第4章 属性约简的鲁棒算法及应用研究 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 经典粗糙集的粒度刻画 |
| 4.2.2 模糊粗糙集的粒度刻画 |
| 4.2.3 正则化 |
| 4.3 经典粗糙集的鲁棒约简 |
| 4.3.1 鲁棒约简 |
| 4.3.2 算法性能评价 |
| 4.3.3 煤耗关键特征选择 |
| 4.4 模糊粗糙集的鲁棒约简 |
| 4.4.1 鲁棒约简 |
| 4.4.2 算法性能测试 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（7）基于多源信息融合的多标记属性约简与代价敏感研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙集研究现状 |
| 1.2.2 多源融合研究现状 |
| 1.2.3 多标记学习研究现状 |
| 1.2.4 代价敏感学习研究现状 |
| 1.3 研究内容和组织结构 |
| 2 基础知识 |
| 2.1 经典粗糙集 |
| 2.1.1 知识与知识表达系统 |
| 2.1.2 粗糙集与近似概念 |
| 2.1.3 信息系统和决策表 |
| 2.1.4 属性约简 |
| 2.1.5 信息熵 |
| 2.2 多源信息融合基础知识 |
| 2.2.1 多源信息系统 |
| 2.2.2 多源信息融合方法 |
| 2.3 多标记学习 |
| 2.3.1 多标记定义 |
| 2.3.2 多标记评价指标 |
| 2.4 代价敏感学习 |
| 2.5 本章小结 |
| 3 基于信息熵的多源融合与多标记属性约简 |
| 3.1 相关分析 |
| 3.2 多源多标记决策融合方法 |
| 3.2.1 条件熵融合方法 |
| 3.2.2 平均融合方法对比 |
| 3.3 融合算法设计 |
| 3.3.1 基于信息熵的融合算法 |
| 3.3.2 平均融合算法 |
| 3.4 多源多标记决策系统属性约简 |
| 3.4.1 基于正域的属性约简 |
| 3.5 实验对比与结果分析 |
| 3.5.1 数据集 |
| 3.5.2 实验设置 |
| 3.5.3 评价指标 |
| 3.5.4 实验结果对比与分析 |
| 3.6 本章小结 |
| 4 基于测试代价的多源信息系统融合算法 |
| 4.1 相关知识 |
| 4.2 基于测试代价的多源融合 |
| 4.3 融合算法设计 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 本文展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及研究成果 |
| 致谢 |
（8）基于区分矩阵的多粒度属性约简算法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 论文组织结构 |
| 第二章 粗糙集相关理论知识 |
| 2.1 经典粗糙集 |
| 2.2 模糊邻域粗糙集 |
| 2.3 本章小结 |
| 第三章 经典粗糙集中基于区分矩阵的多粒度属性约简 |
| 3.1 属性粒化 |
| 3.2 重要度评价 |
| 3.3 算法介绍 |
| 3.4 实验分析 |
| 3.5 本章小结 |
| 第四章 模糊邻域粗糙集中基于区分矩阵的多粒度属性约简 |
| 4.1 属性粒化 |
| 4.2 面向模糊邻域粗糙集的区分矩阵及重要度评价 |
| 4.3 算法介绍 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（9）粗糙集理论在肺部肿瘤计算机辅助诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.研究背景和研究意义 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 2.国内外研究现状 |
| 2.1 肺部肿瘤计算机辅助诊断研究现状 |
| 2.2 基于粗糙集的属性约简算法研究现状 |
| 3.论文主要工作 |
| 4.论文的章节安排 |
| 第二章 理论基础 |
| 1.经典粗糙集 |
| 1.1 信息系统与决策信息系统 |
| 1.2 等价关系与等价类 |
| 1.3 上近似、下近似、边界域 |
| 1.4 依赖度、重要度 |
| 1.5 属性核与属性约简 |
| 2.邻域粗糙集模型 |
| 2.1 邻域 |
| 2.2 邻域的上、下近似 |
| 2.3 邻域决策系统的上近似、下近似 |
| 2.4 相对约简 |
| 3.差分进化算法 |
| 3.1 初始化种群 |
| 3.2 变异操作 |
| 3.3 交叉操作 |
| 3.4 选择操作 |
| 4.评价指标 |
| 4.1 灵敏度(Sensitive,SEN) |
| 4.2 特异度(Specificity,SPE) |
| 4.3 识别精度(Accuracy,ACC) |
| 4.4 马修相关系数(Matthews correlation coefficient,MCC) |
| 第三章 基于集成DE-NRS的肺部肿瘤影像组学计算机辅助诊断模型 |
| 1.模型思想 |
| 2.算法步骤 |
| 2.1 获取数据 |
| 2.2 获取ROI截取 |
| 2.3 图像分割 |
| 2.4 特征提取 |
| 2.5 基于DE与 NRS的属性约简 |
| 2.6 基于DE-NRS构造个体分类器 |
| 2.7 基于DE-NRS的集成学习计算机辅助诊断模型 |
| 3.实验分析 |
| 3.1 实验环境与数据 |
| 3.2 实验整体思路设计 |
| 3.3 实验结果分析 |
| 4.本章小结 |
| 第四章 基于JADE-NRS的肺部肿瘤高维属性约简模型 |
| 1.模型思想 |
| 2.算法步骤 |
| 2.1 获取数据及预处理 |
| 2.2 特征提取 |
| 2.3 基于NRS模型计算样本的属性邻域 |
| 2.4 基于JADE-NRS的高维属性约简 |
| 2.5 基于JADE-NRS-SVM构造个体分类器 |
| 3.模型伪代码 |
| 4.仿真实验 |
| 4.1 实验环境与数据 |
| 4.2 实验结果分析 |
| 5.本章小结 |
| 第五章 总结与展望 |
| 1.总结 |
| 2.展望 |
| 参考文献 |
| 文献综述 |
| 综述参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 个人简介 |
| 开题、中期及学位论文答辩委员组成 |
（10）面向肿瘤基因数据的邻域粗糙集特征选择方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 相关理论介绍 |
| 2.1 粗糙集理论 |
| 2.2 信息熵度量 |
| 2.3 知识约简 |
| 2.4 邻域粗糙集 |
| 2.5 特征选择 |
| 2.6 肿瘤基因数据描述 |
| 第三章 基于Fisher线性判别和邻域依赖度的基因选择方法 |
| 3.1 引言 |
| 3.2 Fisher线性判别的相关概念 |
| 3.3 基于FLD和邻域依赖度的基因选择方法 |
| 3.3.1 邻域依赖度 |
| 3.3.2 基于FLD和邻域依赖度的肿瘤基因选择算法 |
| 3.3.3 算法时间复杂度分析 |
| 3.4 实验分析 |
| 3.5 小结 |
| 第四章 基于邻域熵不确定性度量的肿瘤基因选择方法 |
| 4.1 引言 |
| 4.2 基础理论 |
| 4.3 基于决策邻域熵的肿瘤基因选择方法 |
| 4.3.1 基于邻域熵的不确定性度量 |
| 4.3.2 基于决策邻域熵的启发式非单调属性约简算法 |
| 4.3.3 基于决策邻域熵的肿瘤基因选择算法 |
| 4.3.4 算法时间复杂度分析 |
| 4.4 实验分析 |
| 4.4.1 数据集描述 |
| 4.4.2 Fisher score算法的实验结果 |
| 4.4.3 邻域参数值的选定 |
| 4.4.4 基于熵度量的特征选择算法的分类性能比较 |
| 4.4.5 相关降维算法的分类性能比较 |
| 4.5 小结 |
| 第五章 基于邻域近似决策熵的肿瘤基因数据的特征选择方法 |
| 5.1 引言 |
| 5.2 邻域近似精度 |
| 5.3 基于邻域近似决策熵的肿瘤基因选择方法 |
| 5.3.1 邻域近似决策熵 |
| 5.3.2 基于邻域近似决策熵的特征选择算法 |
| 5.3.3 算法时间复杂度分析 |
| 5.4 实验分析 |
| 5.4.1 数据集描述 |
| 5.4.2 邻域参数值的选定 |
| 5.4.3 肿瘤基因数据集的高维约简分类结果 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
四、大数据集基于等价类的属性重要性定义和约简（论文参考文献）
- [1]基于k-原型聚类和粗糙集的属性约简方法[J]. 李艳,范斌,郭劼,林梓源,赵曌. 计算机科学, 2021(S1)
- [2]轴承故障知识发现的粗糙集属性约简方法研究[D]. 史志尧. 兰州理工大学, 2021(01)
- [3]基于完备信息系统的局部粗糙集[D]. 杜艳. 西安石油大学, 2020(12)
- [4]基于邻域粗糙集的增量属性约简算法研究[D]. 侯文丽. 太原理工大学, 2020(07)
- [5]基于粗糙集的几类广义信息系统知识发现与决策方法研究[D]. 余建航. 哈尔滨工业大学, 2020(01)
- [6]属性约简增量机理与鲁棒算法研究[D]. 董连杰. 华北电力大学(北京), 2020(06)
- [7]基于多源信息融合的多标记属性约简与代价敏感研究[D]. 余苏丹. 江西农业大学, 2020(07)
- [8]基于区分矩阵的多粒度属性约简算法研究[D]. 翁冉. 山西大学, 2020(01)
- [9]粗糙集理论在肺部肿瘤计算机辅助诊断中的应用[D]. 任海玲. 宁夏医科大学, 2020(08)
- [10]面向肿瘤基因数据的邻域粗糙集特征选择方法研究[D]. 张霄雨. 河南师范大学, 2019(07)