您的位置: 专家智库 > >

山西省自然科学基金(2008011038)

作品数:6 被引量:103H指数:5
相关作者:梁吉业曹付元白亮高嘉伟常瑜更多>>
相关机构:山西大学更多>>
发文基金:山西省自然科学基金国家自然科学基金国家高技术研究发展计划更多>>
相关领域:自动化与计算机技术更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 5篇自动化与计算...

主题

  • 3篇聚类
  • 2篇聚类算法
  • 1篇序信息系统
  • 1篇约简算法
  • 1篇属性数据
  • 1篇属性约简
  • 1篇属性约简算法
  • 1篇启发式约简算...
  • 1篇相异度
  • 1篇聚类个数
  • 1篇类属性
  • 1篇划分聚类
  • 1篇分类属性数据
  • 1篇ROUGH
  • 1篇ROUGH_...
  • 1篇DECISI...
  • 1篇MODES
  • 1篇层次聚类
  • 1篇粗糙集

机构

  • 4篇山西大学

作者

  • 4篇梁吉业
  • 3篇曹付元
  • 2篇白亮
  • 1篇赵兴旺
  • 1篇钱宇华
  • 1篇王锋

传媒

  • 1篇计算机研究与...
  • 1篇计算机工程
  • 1篇广西师范大学...
  • 1篇浙江海洋学院...
  • 1篇计算机科学

年份

  • 3篇2010
  • 2篇2009
6 条 记 录,以下是 1-5
排序方式:
基于新的距离度量的K-Modes聚类算法被引量:45
2010年
传统的K-Modes聚类算法采用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离,没有充分考虑其相似性.对此,基于粗糙集理论,提出了一种新的距离度量.该距离度量在度量同一分类属性下两个属性值之间的差异时,克服了简单0-1匹配差异法的不足,既考虑了它们本身的异同,又考虑了其他相关分类属性对它们的区分性.并将提出的距离度量应用于传统K-Modes聚类算法中.通过与基于其他距离度量的K-Modes聚类算法进行实验比较,结果表明新的距离度量是更加有效的.
梁吉业白亮曹付元
关键词:聚类算法分类属性数据粗糙集
Pessimistic Rough Decision被引量:5
2010年
With granular computing point of view,this paper first presents a novel rough set model with a multigranulation view,called pessimistic rough decision,where set approximations are defined through using consistent granules among multiple granular spaces on the universe.Then,we investigate several important properties of the pessimistic rough decision model.With introduction of the rough set model,we have developed two types of multigranulation rough sets(MGRS):optimistic rough decision and pessimistic rough decision. These multigranulation rough set models provide a kind of effective approach for problem solving in the context of multi granulations.
QIAN Yuhua LIANG Jiye WEI Wei
符号数据最佳聚类个数的确定方法
2009年
在聚类分析中,如何选择恰当的聚类个数是一个非常复杂而又必须面对的问题。尽管针对数值型数据聚类个数的选择算法已经进行了广泛地研究,但如何确定符号型数据的聚类个数仍然是一个富有挑战性的问题。结合划分和层次聚类的思想,提出一种符号数据聚类个数的确定算法。在UC I数据集上的实验结果表明该方法是有效的。
赵兴旺梁吉业曹付元
关键词:聚类个数划分聚类层次聚类
序信息系统的启发式属性约简算法被引量:13
2010年
属性约简是粗糙集理论的核心问题之一,序信息系统中的属性约简也逐渐受到关注。基于优势类的概念,引入了序信息系统的一种信息粒度,用于度量属性集在序意义下的不确定性,进而给出了序信息系统中属性重要度的定义。在此基础上,设计了一种序信息系统的启发式属性约简算法,并通过实例分析进行了有效性检验。
王锋钱宇华梁吉业
关键词:序信息系统启发式约简算法
基于新的相异度量的模糊K-Modes聚类算法被引量:5
2009年
传统的模糊K-Modes聚类算法采用简单匹配方法度量对象与Mode之间的相异程度,没有充分考虑Mode对类的代表程度,容易造成信息的丢失,弱化了类内的相似性。针对上述问题,通过对象对类的隶属度反映Mode对类的代表程度,提出一种新的相异度量,并将它应用于传统的模糊K-Modes聚类算法。与传统的K-Modes和模糊K-Modes聚类算法相比,该相异度量是有效的。
白亮曹付元梁吉业
共1页<1>
聚类工具0