大數(shù)據(jù)信息系統(tǒng)中的不確定性度量和知識約簡

第1章 緒論
1.1 粗糙集理論簡介
1.2 粗糙集理論的研究與發(fā)展
1.2.1 粗糙集理論的產(chǎn)生
1.2.2 粗糙集理論的發(fā)展
1.2.3 粗糙集理論研究熱點
1.3 粗糙集理論基礎知識
1.3.1 粗糙集的基本概念
1.3.2 粗糙集理論中的二元關系
1.3.3 不確定性度量
1.3.4 約簡
1.4 粗糙集理論研究的必要性
1.5 本書內(nèi)容編排
第2章 基于區(qū)分能力的知識不確定性度量方法
2.1 信息系統(tǒng)中單屬性集的不確定性度量
2.3 信息系統(tǒng)中多屬性集的組合度量
2.3.1 同可區(qū)分度
2.3.2 相對可區(qū)分度
2.3.3 聯(lián)合可區(qū)分度
2.3.4 同可區(qū)分度、相對可區(qū)分度和聯(lián)合可區(qū)分度間的關系
2.4 基于區(qū)分能力的不確定性度量和現(xiàn)有不確定性度量之間的關系
第3章 一種統(tǒng)一的加權不確定性度量
3.1 基于一般二元關系的知識加權不確定性度量
3.1.1 基于一般二元關系的α粒度熵及其性質(zhì)
3.1.2 基于一般二元關系的α熵及其性質(zhì)
3.1.3 一般二元關系下不同知識間的不確定性度量
3.1.4 加權不確定性度量和現(xiàn)有不確定性度量間的關系
3.2 基于一般二元關系的粗糙集集成加權不確定性度量
3.2.1 現(xiàn)有不確定性度量的缺陷
3.2.2 粗糙集集成加權不確定性度量
第4章 基于區(qū)分能力觀點的屬性約簡算法
4.1 基于不可區(qū)分度的啟發(fā)式快速完備約簡算法
4.1.1 基于不可區(qū)分度的屬性重要性及其約簡
4.1.2 基于不可區(qū)分度的啟發(fā)式約簡算法
4.1.3 實驗分析
4.2 基于相對可區(qū)分度的屬性約簡算法
4.2.1 現(xiàn)有約簡算法的缺陷
4.2.2 基于相對可區(qū)分度的屬性重要性及其約簡
4.2.3 基于代數(shù)觀點、信息觀點和區(qū)分能力觀點約簡定義間的關系
4.2.4 實驗分析
第5章 基于區(qū)分能力觀點的不協(xié)調(diào)決策表約簡算法
5.1 不協(xié)調(diào)信患系統(tǒng)的基本知識
5.2 不協(xié)調(diào)決策表約簡算法之間的關系
5.3 商效的不協(xié)調(diào)決策表約簡算法
5.3.1 簡化協(xié)調(diào)決策表
5.3.2 不協(xié)調(diào)決策表的約簡
5.3.3 一種高效的不協(xié)調(diào)決策表約簡算法
5.4 實驗分析
5.4.1 實例
5.4.2 對UCI數(shù)據(jù)的處理
第6章 基于一般二元關系的近似屬性約簡算法
6.1 一般二元關系下基于區(qū)分能力觀點的近似屬性約簡算法
6.1.1 基于區(qū)分能力的近似屬性約簡算法
6.1.2 近似約簡算法的實例分析
6.1.3 近似約簡算法在SIFT特征匹配算法中的應用
6.2 一般二元關系下基于加權理精度的加權近似屬性約簡算法
6.2.1 基于加權α精度的加權近似屬性約簡算法
6.2.2 基于加權α精度的近似約簡算法實例分析
6.3 兩種近似參數(shù)β和ε對屬性約簡和分類精度的影響
基于加權α精度的多約簡組合分類算法
.1 基于加權α精度的多約簡組合分類算法
.2 實驗分析
.3 算法CRCAWαA在紅外與激光融合目標識別中的應用
第7章 基于鄰域組合測度的屬性約簡算法
7.1 鄰域粗糙集基本概念
7.2 基于鄰域組合測度的屬性約簡算法
7.2.1 基于鄰域組合測度的不確定性度量
7.2.2 基于鄰域組合測度的屬性約簡算法
7.3 實驗分析
7.4 在三維點云目標識別中的應用
參考文獻