期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
区间值信息系统的熵度量
被引量:
4
1
作者
冯琴荣
温玮华
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第1期101-105,共5页
不确定性度量是粗糙集理论的一个主要研究问题,其中熵度量受到学者们的广泛关注。然而,迄今为止,区间值信息系统的香农熵度量研究较少,尤其缺乏满足单调性的香农熵度量。为此,该文首先给出了一种由覆盖导出划分的方法,并证明了覆盖越细...
不确定性度量是粗糙集理论的一个主要研究问题,其中熵度量受到学者们的广泛关注。然而,迄今为止,区间值信息系统的香农熵度量研究较少,尤其缺乏满足单调性的香农熵度量。为此,该文首先给出了一种由覆盖导出划分的方法,并证明了覆盖越细,由其导出的划分越细,从而可用划分熵对区间值信息系统的不确定性进行度量;其次,分别构造了区间值信息系统的香农熵度量和补熵(粒度)度量,并证明了其单调性和有界性。最后,分析了香农熵和补熵的关系。
展开更多
关键词
补
熵
区间值信息系统
香农
熵
不确定性度量
下载PDF
职称材料
利用混杂核模糊补互信息选择特征
2
作者
袁钟
陈红梅
+1 位作者
王志红
李天瑞
《计算机研究与发展》
EI
CSCD
北大核心
2023年第5期1111-1120,共10页
模糊粗糙集理论目前在数据挖掘和机器学习等领域受到了广泛的关注.该理论提供了一种能克服离散化问题的有效工具,并能直接应用于数值或混合属性数据.在模糊粗糙集模型中,定义模糊关系来测量对象之间的相似性,数值属性值不再需要离散化....
模糊粗糙集理论目前在数据挖掘和机器学习等领域受到了广泛的关注.该理论提供了一种能克服离散化问题的有效工具,并能直接应用于数值或混合属性数据.在模糊粗糙集模型中,定义模糊关系来测量对象之间的相似性,数值属性值不再需要离散化.模糊粗糙集理论已经被成功应用于许多领域,如属性约简、规则提取、聚类分析和离群点检测.信息熵被引入到模糊粗糙集理论进行模糊和不确定信息的表示,产生了不同形式的模糊不确定性度量,如模糊信息熵、模糊补熵和模糊互信息等.然而,大部分所提关于决策的模糊互信息都是非单调的,这可能导致一个不收敛的学习算法.为此,基于混杂核模糊补熵,定义了关于决策的模糊补互信息,证明了其随特征呈单调性变化.进而,利用混杂核模糊补互信息探索特征选择方法并且设计了相关的算法.实验结果展示了在大多数情况下所提算法可以选取更少的特征且能保持或提高分类准确率.
展开更多
关键词
模糊粗糙集理论
混杂核
补
熵
不确定性度量
特征选择
下载PDF
职称材料
区间数分级决策的特征选择方法研究
3
作者
宋鹏
梁吉业
+1 位作者
钱宇华
李常洪
《中国管理科学》
CSSCI
CSCD
北大核心
2017年第7期141-152,共12页
在多属性决策分析中,科学的特征选择方法有利于提取关键决策指标,进而求解决策方案并提升决策效率。本文面向区间数分级决策问题,以区间数优势关系为序化信息刻画的基本手段;基于粗糙集与信息熵理论,通过分析条件属性与决策属性序相关...
在多属性决策分析中,科学的特征选择方法有利于提取关键决策指标,进而求解决策方案并提升决策效率。本文面向区间数分级决策问题,以区间数优势关系为序化信息刻画的基本手段;基于粗糙集与信息熵理论,通过分析条件属性与决策属性序相关性的决策内涵,提出了一种新的特征评价函数——区间序补集条件熵。在此基础上,基于区间序补集条件熵的变化程度,给出了必要属性的形式化表示与属性重要度的度量准则,进而设计了区间数分级决策表的启发式特征选择算法。最后,通过两个案例研究,验证了特征选择方法的有效性。
展开更多
关键词
区间数
分级决策
特征选择
补
集条件
熵
原文传递
题名
区间值信息系统的熵度量
被引量:
4
1
作者
冯琴荣
温玮华
机构
山西师范大学数学与计算机科学学院
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第1期101-105,共5页
基金
山西省自然科学基金(2016D011043)。
文摘
不确定性度量是粗糙集理论的一个主要研究问题,其中熵度量受到学者们的广泛关注。然而,迄今为止,区间值信息系统的香农熵度量研究较少,尤其缺乏满足单调性的香农熵度量。为此,该文首先给出了一种由覆盖导出划分的方法,并证明了覆盖越细,由其导出的划分越细,从而可用划分熵对区间值信息系统的不确定性进行度量;其次,分别构造了区间值信息系统的香农熵度量和补熵(粒度)度量,并证明了其单调性和有界性。最后,分析了香农熵和补熵的关系。
关键词
补
熵
区间值信息系统
香农
熵
不确定性度量
Keywords
co-entropy
interval-valued information system
Shannon entropy
uncertainty measure
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
利用混杂核模糊补互信息选择特征
2
作者
袁钟
陈红梅
王志红
李天瑞
机构
西南交通大学计算机与人工智能学院
综合交通大数据应用技术国家工程实验室(西南交通大学)
出处
《计算机研究与发展》
EI
CSCD
北大核心
2023年第5期1111-1120,共10页
基金
国家自然科学基金项目(61976182,62076171,61976245,61876157)
四川省重点研发项目(2020YFG0035)
四川省科技成果转移转化示范项目(2022ZHCG0005)。
文摘
模糊粗糙集理论目前在数据挖掘和机器学习等领域受到了广泛的关注.该理论提供了一种能克服离散化问题的有效工具,并能直接应用于数值或混合属性数据.在模糊粗糙集模型中,定义模糊关系来测量对象之间的相似性,数值属性值不再需要离散化.模糊粗糙集理论已经被成功应用于许多领域,如属性约简、规则提取、聚类分析和离群点检测.信息熵被引入到模糊粗糙集理论进行模糊和不确定信息的表示,产生了不同形式的模糊不确定性度量,如模糊信息熵、模糊补熵和模糊互信息等.然而,大部分所提关于决策的模糊互信息都是非单调的,这可能导致一个不收敛的学习算法.为此,基于混杂核模糊补熵,定义了关于决策的模糊补互信息,证明了其随特征呈单调性变化.进而,利用混杂核模糊补互信息探索特征选择方法并且设计了相关的算法.实验结果展示了在大多数情况下所提算法可以选取更少的特征且能保持或提高分类准确率.
关键词
模糊粗糙集理论
混杂核
补
熵
不确定性度量
特征选择
Keywords
fuzzy rough set theory
hybrid kernel
complementary entropy
uncertainty measure
feature selection
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
区间数分级决策的特征选择方法研究
3
作者
宋鹏
梁吉业
钱宇华
李常洪
机构
山西大学经济与管理学院
山西大学计算智能与中文信息处理教育部重点实验室
出处
《中国管理科学》
CSSCI
CSCD
北大核心
2017年第7期141-152,共12页
基金
国家自然科学基金青年项目(71301090)
国家自然科学基金重点项目(71031006
+3 种基金
61432011)
国家优秀青年科学基金项目(61322211)
教育部人文社会科学研究青年基金项目(12YJC630174)
山西省高等学校创新人才支持计划(2013052006)
文摘
在多属性决策分析中,科学的特征选择方法有利于提取关键决策指标,进而求解决策方案并提升决策效率。本文面向区间数分级决策问题,以区间数优势关系为序化信息刻画的基本手段;基于粗糙集与信息熵理论,通过分析条件属性与决策属性序相关性的决策内涵,提出了一种新的特征评价函数——区间序补集条件熵。在此基础上,基于区间序补集条件熵的变化程度,给出了必要属性的形式化表示与属性重要度的度量准则,进而设计了区间数分级决策表的启发式特征选择算法。最后,通过两个案例研究,验证了特征选择方法的有效性。
关键词
区间数
分级决策
特征选择
补
集条件
熵
Keywords
interval-valued data
sorting decision
feature selection
complementary condition entropy
分类号
C934 [经济管理—管理学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
区间值信息系统的熵度量
冯琴荣
温玮华
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021
4
下载PDF
职称材料
2
利用混杂核模糊补互信息选择特征
袁钟
陈红梅
王志红
李天瑞
《计算机研究与发展》
EI
CSCD
北大核心
2023
0
下载PDF
职称材料
3
区间数分级决策的特征选择方法研究
宋鹏
梁吉业
钱宇华
李常洪
《中国管理科学》
CSSCI
CSCD
北大核心
2017
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部