基于鄰域粗糙集增量式屬性約簡算法的研究與應(yīng)用.pdf

1、數(shù)據(jù)挖掘中一項重要的技術(shù)是分類技術(shù)。數(shù)據(jù)約簡作為一種常見的數(shù)據(jù)挖掘手段，可以將數(shù)據(jù)集中不重要或者不相關(guān)的冗余屬性剔除掉而又不改變原有數(shù)據(jù)的分類能力?；诖植诩碚摰膶傩约s簡是一種重要的數(shù)據(jù)約簡方法。但傳統(tǒng)粗糙集作為一種處理不確定數(shù)據(jù)的理論，雖被廣泛用于數(shù)據(jù)挖掘技術(shù)中，卻有著只能處理離散型數(shù)據(jù)的局限性，面對現(xiàn)實中一些連續(xù)型數(shù)據(jù)時無法直接處理。而其拓展出的鄰域粗糙集理論能夠較好處理連續(xù)和混合型數(shù)據(jù)，具有很高的研究意義。目前在傳統(tǒng)粗糙集上的屬

2、性約簡算法已經(jīng)有很多，但絕大多數(shù)并不適用于鄰域粗糙集模型，為此本文針對鄰域粗糙集上的屬性約簡理論和應(yīng)用兩方面做了以下研究：
　　首先，深入研究了現(xiàn)有的鄰域粗糙集屬性約簡算法，特別是增量式算法，指出目前基于鄰域粗糙集增量式算法中所存在的問題，包括更新可辨識矩陣出現(xiàn)的錯誤以及屬性約簡時情況考慮不周全等。
　　其次，針對現(xiàn)實數(shù)據(jù)中對象數(shù)不斷增加的特點，提出一種基于鄰域可辨識矩陣元素集的增量式屬性約簡算法。根據(jù)原有約簡結(jié)果和新增對象

3、，在分析其可辨識矩陣差異的條件下，快速得到新的約簡結(jié)果，避免了重復(fù)的計算，提高了算法效率。并通過實例與實驗驗證了其正確性和有效性。
　　最后，在研究了目前針對股票市場股價預(yù)測的一些數(shù)據(jù)挖掘方法的基礎(chǔ)上，利用基于可辨識矩陣元素集的增量式屬性約簡算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，提出了一個預(yù)測股票收盤價的數(shù)據(jù)挖掘模型。運用本文提出的屬性約簡算法對真實數(shù)據(jù)中的屬性進行了約簡，然后利用神經(jīng)網(wǎng)絡(luò)所建立的股價預(yù)測模型對約簡前后的兩種數(shù)據(jù)進行預(yù)測。屬性約簡之