摘要
在分析邻域粗糙集模型弊端的基础上,提出了非对称变邻域粗糙集模型,并以全局属性重要度为启发条件,构造了基于非对称变邻域粗糙集模型的属性约简的启发式算法。利用6个UCI标准数据集与现有算法进行了比较分析,结果表明,该模型不仅可以选择较少的属性个数,而且还能保持较高的分类能力。
On the basis of analyzing the disadvantage of neighborhood rough set model, we proposed an asymmetric vari- able neighborhood rough set model and a new heuristic attribute reduction algorithm based on asymmetric variable neighborhood rough set. The heuristic condition is global attribute significance. Experimental results show that the number of attribute reduction and classification accuracy based on asymmetric variable neighborhood rough set model have better performance.
出处
《计算机科学》
CSCD
北大核心
2015年第6期282-287,共6页
Computer Science
基金
国家自然科学基金资助项目(61070049
61202027)
国际科技合作项目(2012D FA11340)
北京市自然科学基金资助项目(4122015)
电子系统可靠性技术北京市重点实验室2012年阶梯计划项目(Z121101002812006)资助
关键词
邻域粗糙集
全局定邻域
非对称变邻域
全局属性重要度
Neighborhood rough set
Global neighborhood
Asymmetric variable neighborhood
Global attribute significance
