传统的决策表规则提取需先进行属性约简再进行值约简,过程中存在大量冗余计算,并且当数据包含一定不确定性时效果不佳。为此,提出一种最简规则获取方法,将属性约简与值约简过程合二为一,使用变精度粗糙集模型,从属性多粒度的角度分析,按粒度的大小将决策表转换成不同的知识空间,并利用矩阵简单直观的特点,在不同的知识空间内定义粒矩阵、粒关系矩阵等概念,通过充分挖掘隐含在β粒关系矩阵中的启发式信息Sω,确定属性约简顺序,实现对不同粒度知识空间下最简规则的快速获取;设置覆盖率α为终止条件,以概率方法加快算法收敛速度

传统的决策表规则提取需先进行属性约简再进行值约简,过程中存在大量冗余计算,并且当数据包含一定不确定性时效果不佳。为此,提出一种最简规则获取方法,将属性约简与值约简过程合二为一,使用变精度粗糙集模型,从属性多粒度的角度分析,按粒度的大小将决策表转换成不同的知识空间,并利用矩阵简单直观的特点,在不同的知识空间内定义粒矩阵、粒关系矩阵等.概念,通过充分挖掘隐含在β 粒关系矩阵中的启发式信息S ω,确定属性约简顺序,实现对不同粒度知识空间下最简规则的快速获取;设置覆盖率α 为终止条件,以概率方法加快算法

粒计算是模拟人类思维和解决复杂问题的方法,它是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具.文中首先分析并指出传统的规则获取方法存在的某些弊端,并从粒计算的角度分析属性约简的粒度原理,指出属性约简过程的本质是寻找决策划分空间的一个极大近似划分空间,而在极大近似划分空间上提取的规则可能不是最简规则.为此,提出一种基于最大粒的规则获取算法,该算法根据条件属性对论域形成的分层递阶的划分空间,自顶向下逐渐提取最大粒对应的规则.仿真实验表明该算法提高粗糙集的泛化能力.