基于粗糙集的属性约简研究进展

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (6): 92-94.doi: 10.3969/j.issn.1007130X.2010.

基于粗糙集的属性约简研究进展

丁浩1，丁世飞1,2，胡立花1

（1.中国矿业大学计算机科学与技术学院，江苏徐州 221116; 2.中国科学院计算技术研究所智能信息处理重点实验室，北京 100080）

收稿日期:2009-09-13 修回日期:2009-12-08 出版日期:2010-06-01 发布日期:2010-06-01
通讯作者: 丁浩 E-mail:dhtcwd@qq.com
作者简介:丁浩(1985),男,江苏徐州人,硕士生,研究方向为粗糙集理论和数据挖掘;丁世飞,博士,教授,博士生导师,研究方向为机器学习与数据挖掘、人工智能与模式识别等;胡立花, 硕士生,研究方向为粗糙集理论。
基金资助:
江苏省自然科学基金资助项目(BK2009093);国家自然科学基金资助项目(60975039)；中国科学院智能信息处理重点实验室开放基金资助项目(IIP20062)

Research Progress of Attribute Reduction Based on Rough Sets

DING Hao1，DING Shifei1,2，HU Lihua1

（1.School of Computer Science and Technology,China University of Mining and Technology,Xuzhou 221116;
2.Key Laboratory of Intelligent Information Processing,Institute of Computing Technology,
Chinese Academy of Sciences,Beijing 100080,China)

Received:2009-09-13 Revised:2009-12-08 Online:2010-06-01 Published:2010-06-01

摘要/Abstract

摘要：

粗糙集理论是一种用于处理不确定、不精确、不完整知识的数学工具，已被广泛应用于人工智能、模式识别、数据挖掘和智能决策等领域。属性约简是粗糙集理论的一个核心问题，近年来已经成为粗集研究的热点。本文综述了当前国内外关于属性约简算法的若干最新研究进展，重在对属性约简的主流方法和前沿进展进行概括和分析，最后简要探讨了今后研究发展的方向。

关键词: 粗糙集, 属性约简, 差别矩阵, 粒计算

Abstract:

The rough set theory is a mathematical tool which deals with uncertain ,imprecise and incomplete data . It is used widely in artificial intelligence, pattern recognition,data mining, intelligent decisionmaking and other application fields. Attribute reduction is one of the core issues of the rough set theory and it has become a hot topic of the rough set theory research. This paper briefly describes some recent advancement in the study of attribute reduction algorithms both at home and abroad , focusing on generalizing and analysing the mainstream methods of attribute reduction. Finally the paper discusses the future trend of attribute reduction research.

Key words: rough set;attribute reduction;discernibility matrix;granular computing

中图分类号:

TP18

丁浩1，丁世飞1,2，胡立花1. 基于粗糙集的属性约简研究进展[J]. J4, 2010, 32(6): 92-94.

DING Hao1，DING Shifei1,2，HU Lihua1. Research Progress of Attribute Reduction Based on Rough Sets[J]. J4, 2010, 32(6): 92-94.

[1]	肖振国, 陈林书, 孙少杰, 梅本霞, 柳媛慧, 赵磊. 基于代数粒的聚类方法[J]. 计算机工程与科学, 2024, 46(01): 150-158.
[2]	骆公志, 陈佳馨. 多源覆盖信息系统下的加权广义多粒度粗糙集模型及其应用[J]. 计算机工程与科学, 2021, 43(12): 2231-2237.
[3]	李雨晨, 魏巍, 白伟明, 王达. 基于标签共现关系的多标签特征选择[J]. 计算机工程与科学, 2021, 43(11): 2049-2055.
[4]	姜春茂, 刘安鹏. 三支决策视角下的属性约简加速方法[J]. 计算机工程与科学, 2020, 42(12): 2280-2286.
[5]	王虹, 李敏赢. 局部广义多粒度粗糙集[J]. 计算机工程与科学, 2020, 42(08): 1463-1471.
[6]	郭映江，徐蔚鸿，陈沅涛，文泽林. 一种有效的Gk-prototypes聚类算法[J]. 计算机工程与科学, 2019, 41(09): 1693-1699.
[7]	佘志用,段超，张雷. 变精度最小平方粗糙熵的图像分割算法[J]. 计算机工程与科学, 2019, 41(04): 657-664.
[8]	吴尚智1，张文超2，佘志用1，张霞1，段超1. 利用蚁群优化算法的粗糙集属性约简方法[J]. 计算机工程与科学, 2019, 41(03): 538-544.
[9]	吴尚智1，佘志用2，张霞1，赵慧琴3. 利用变精度粗糙熵的图像分割算法[J]. 计算机工程与科学, 2018, 40(10): 1837-1843.
[10]	李联辉，王丽，雷婷，丁少虎. 制造企业供应商排序决策：#br# 基于SVM和TFN-RS的改进TOPSIS[J]. 计算机工程与科学, 2018, 40(04): 757-764.
[11]	张朋，戴月明，吴定会. 基于属性加权的RCM算法[J]. 计算机工程与科学, 2018, 40(03): 544-.
[12]	马福民1,逯瑞强1,张腾飞2. 基于局部密度自适应度量的粗糙K-means聚类算法[J]. 计算机工程与科学, 2018, 40(01): 184-190.
[13]	毛华,康然,杨兰珍. 基于固定β值的概念格上变精度粗糙集近似[J]. 计算机工程与科学, 2017, 39(12): 2345-2350.
[14]	谢小军1,2,俞春强3,王博1,何弦1,徐章艳1,2. 基于免疫量子粒子群优化的测试代价敏感属性约简算法[J]. 计算机工程与科学, 2017, 39(07): 1371-1378.
[15]	徐怡1,2，李策2. 基于多重阈值的变精度多粒度粗糙集模型[J]. 计算机工程与科学, 2016, 38(08): 1727-1734.

基于粗糙集的属性约简研究进展

Research Progress of Attribute Reduction Based on Rough Sets

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价