Reduct理论PDF|Epub|txt|kindle电子书版本网盘下载

Reduct理论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 概述1

1.1 Rough的含义2

1.2 Reduct4

1.3 Reduct计算6

1.4 用户需求描述9

1.5 次属性定理10

1.6 基于用户需求的最优Reduct计算11

1.7 规则＋例外11

1.8 符号机器学习14

1.9 特征选择16

1.10 小结17

第2章 Reduct理论与计算23

2.1 引言24

2.1.1 初等范畴与基本范畴25

2.1.2 集合的近似27

2.1.3 信息系统的知识表示28

2.1.4 信息系统的属性约简30

2.1.5 信息系统的范畴约简31

2.1.6 决策表的知识表示33

2.1.7 决策表的属性约简37

2.1.8 决策表的范畴约简39

2.1.9 决策表约简42

2.2 差别矩阵原理43

2.2.1 信息系统的差别矩阵44

2.2.2 决策表的差别矩阵46

2.3 Reduct计算50

2.3.1 基于属性独立性的约简算法50

2.3.2 基于正区域的约简算法52

2.3.3 基于互信息的约简算法（MIBARK算法）55

2.3.4 基于差别矩阵原理的约简算法58

2.3.5 基于先验知识的约简算法62

2.4 小结63

第3章 用户需求描述65

3.1 属性的用户偏好66

3.1.1 属性的定量评价描述67

3.1.2 属性的定性评价描述67

3.2 属性定量评价与定性评价之间的关系72

3.3 属性子集的用户偏好73

3.3.1 基本性质73

3.3.2 属性子集的定量评价74

3.3.3 属性子集的定性评价75

3.4 Reduct的用户偏好77

3.5 小结78

第4章 基于差别矩阵的属性序Reduct算法81

4.1 属性序83

4.2 属性序Reduct算法及性质83

4.2.1 基本概念84

4.2.2 属性序Reduct算法86

4.2.3 算法解的完备性及唯一性88

4.3 基于自由属性的属性序Reduct算法90

4.3.1 基本概念91

4.3.2 基于自由属性的Reduct算法95

4.3.3 算法解的完备性99

4.4 基于差别矩阵初等运算的属性序Reduct算法100

4.4.1 差别矩阵的初等运算100

4.4.2 基于初等运算的Reduct算法108

4.4.3 基于初等运算的属性序Reduct算法111

4.4.4 基于条件偏好关系的属性序Reduct算法118

4.5 小结121

第5章 基于属性-值树的属性序Reduct算法123

5.1 基本属性值树及生成算法124

5.1.1 初等范畴和基本范畴124

5.1.2 树结构124

5.1.3 基本属性-值树125

5.1.4 基本属性值树的生成算法127

5.2 完全属性-值树129

5.3 正区域的属性值树表示131

5.3.1 属性值树表示下正区域的定义与性质131

5.3.2 属性-值树表示下正区域132

5.4 封闭属性-值树133

5.4.1 死子树与活子树133

5.4.2 封闭属性值树表示136

5.5 Core属性的属性值树表示137

5.5.1 属性-值树表示下Core属性的定义与性质137

5.5.2 属性-值树表示下Core的计算138

5.6 Reduct的属性值树表示138

5.6.1 Reduct的计算方法139

5.6.2 Reduct算法的完备性141

5.7 属性值-Core与属性值-Redu ct的属性值树表示142

5.7.1 属性值-Core的属性-值树表示142

5.7.2 属性值-Reduct的属性-值树表示144

5.8 属性序Reduct算法与属性-值树Reduct算法的等价性145

5.9 关于树结构的讨论148

5.10 小结149

第6章 属性序空间与Reduct空间之间的关系151

6.1 满足用户偏好最优Reduct的计算复杂度152

6.2 属性序偶与属性序Reduct算法的形式化描述153

6.2.1 基本概念153

6.2.2 属性序Reduct算法的形式化描述155

6.2.3 属性序偶的性质161

6.3 邻近属性序偶Reduct的基本判定165

6.3.1 差别元素聚合命题165

6.3.2 等价类分解命题175

6.3.3 邻近属性序偶基本判定定理181

6.4 邻近属性序偶Reduct判定规则182

6.4.1 无条件判别规则182

6.4.2 子区间判别规则184

6.4.3 单向与双向判别规则188

6.5 小结191

第7章 次属性原理及属性-值树次属性算法193

7.1 次属性194

7.1.1 基本概念194

7.1.2 次属性原理196

7.1.3 次属性定理200

7.2 属性-值树次属性算法及算法的完备性206

7.2.1 差别矩阵与属性值树表示207

7.2.2 属性-值树次属性算法218

7.2.3 属性-值树次属性算法的完备性223

7.3 小结225

第8章 任意属性序偶Reduct判定227

8.1 属性序之间的关系及属性移动基本规则227

8.2 次属性变化规律231

8.3 任意属性序偶Reduct是否相同的判定问题233

8.3.1 任意属性序偶Reduct基本判定233

8.3.2 任意属性序偶Reduct判定237

8.4 属性范序与属性序偶Reduct判定240

8.4.1 基本概念241

8.4.2 基于属性范序的属性序偶Reduct判定243

8.5 小结247

第9章 基于用户偏好最优Reduct计算249

9.1 满足用户偏好的最优Reduct249

9.2 次属性定理与最优Reduct计算253

9.2.1 最优Reduct的定量描述253

9.2.2 次属性定理与搜索策略254

9.2.3 最优Reduct逼近算法259

9.2.4 算法复杂性分析262

9.3 小结264

第10章 特征选择与Reduct计算265

10.1 特征选择概述265

10.1.1 最优特征子集的搜索问题268

10.1.2 特征和特征子集评价问题271

10.1.3 特征子集的产生方式274

10.1.4 特征选择和学习算法之间的关系275

10.1.5 特征选择和特定应用之间的关系276

10.2 Reduct与特征选择之间的关系279

10.2.1 基本概念279

10.2.2 Reduct的搜索与评价问题280

10.2.3 Reduct的产生方式以及与学习算法之间的关系281

10.2.4 基于删除策略的Reduct计算282

10.2.5 基于添加＋删除搜索策略的Reduct计算286

10.2.6 基于添加策略的Reduct计算288

10.3 小结291

第11章 数据描述的“规则＋例外”模型293

11.1 认知心理学关于概念的研究293

11.1.1 概念结构的假说294

11.1.2 概念形成296

11.2 规则归纳297

11.2.1 基本搜索策略298

11.2.2 样例与规则相结合的方法299

11.2.3 常用归纳算法299

11.2.4 规则归纳小结303

11.3 粒度与粒计算304

11.3.1 粒度304

11.3.2 粒计算305

11.4 例外分析307

11.4.1 例外与“Outlier”307

11.4.2 例外分析的应用308

11.4.3 基于建模的例外分析方法309

11.4.4 基于模式的例外分析方法309

11.4.5 关于例外分析的讨论310

11.5 规则＋例外模型311

11.5.1 脊椎动物世界——一个例子312

11.5.2 “规则＋例外”模型研究315

11.6 正区域和边缘区域扩展研究316

11.6.1 正区域316

11.6.2 认知正区域与认知边缘区域317

11.7 文本粒度与文本粒子320

11.7.1 文本粒度320

11.7.2 文本粒子321

11.8 小结322

第12章 边缘区域与例外分析325

12.1 边缘区域（BR）的结构研究325

12.1.1 例子326

12.1.2 BR的结构327

12.1.3 “活的”与“死的”CPOS——关于边缘区域的进一步讨331

12.2 基于BR的差别矩阵研究332

12.2.1 BR的差别矩阵333

12.2.2 合并问题335

12.2.3 CPOS的死活问题336

12.3 基于CPR的Reduct计算338

12.4 Core属性与例外鉴别338

12.4.1 Core属性339

12.4.2 Core属性的性质340

12.4.3 差别矩阵中Core的分布342

12.5 基于差别矩阵的例外鉴别343

12.5.1 从PRAS中鉴别例外344

12.5.2 从正区域的PR中鉴别例外344

12.5.3 例子和讨论345

12.6 基于概念结构的例外鉴别346

12.6.1 例——基于原型的方法348

12.6.2 例——基于异类之间相似度的方法349

12.7 小结350

参考文献353

算法索引363