粗糙集理论作为一种新的数据分析理论,是处理具有不确定性的问题的数学工具。粗糙集理论已广泛应用于数据挖掘、机器学习、人工智能和模式识别等领域。但其自身尚存在一些局限,Pawlak粗糙集与变精度粗糙集模型都是建立在等价关系基础之上。然而很多实际问题中所处理对象本身可能就具有模糊性,对象之间也不存在分明的关系,而只存在模糊关系。属性约简问题是NP问题,用传统的优化方法不能很好解决。本文把蚁群算法应用到属性约简中,基于属性约简的特点修正了基本蚁群算法的状态转移概率计算公式和信息素更新公式,以使得修正的蚁群算法更合适于解决属性约简问题。本文吸收了Ziarko的变精度思想,基于模糊相似关系提出了变精度模糊粗糙集模型,研究了模糊集的变精度粗近似问题,并详细讨论了变精度模糊粗糙集模型的性质。Pawlak粗糙集和Ziarko变精度粗糙集都是本文提出的模型的一个特例。在实际模糊聚类分析中,样本的属性重要性不同,甚至有的属性干扰了聚类分析的结果。本文把变精度模糊粗糙集模型应用于模糊聚类分析中的样本属性权值的确定问题。我们利用本文提出的模型和属性重要程度的概念分析了聚类样本属性重要性权值。然后把分析的结果应用于模糊C均值聚类算法。通过实验验证了基于变精度模糊粗糙集模型的属性重要性分析方法可以有效的提高聚类质量。
本文来源: https://www.lw50.cn/article/7dfc2bda14ced244e6d0cef5.html