一个新的基于ANN的特征子集选择在多尺度颗粒状球邻里决策表中
Lujing Zhang1, Guoping Lin2, Ling Wei3
1School of Mathematics and Statistics, Minnan Normal University, Zhangzhou, Fujian 363000, China; Fujian Key Laboratory of Granular Computing and Applications, Zhangzhou, Fujian 363000, China.
概括
这项研究引入了新的特征子集选择算法,结合了颗粒状球邻近粗略集和人工神经网络. 这些方法有效地解决了高度复杂性和缺失的数据,改进了隆模型的应用.
科学领域:
- 数据科学数据科学数据科学
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 特性子集选择对于数据预处理至关重要.
- 对于武陵模型的现有方法具有很高的时间复杂性.
- 缺失或不完整的标签在数据收集中带来了挑战.
研究的目的:
- 开发高效的特征子集选择算法,用于-格模型.
- 为了解决高时间复杂性和处理缺失的数据.
- 为特征权重引入多个尺度的方法.
主要方法:
- 集成颗粒状球邻近粗的设置与武陵模型.
- 设计一个多尺度颗粒球邻里决策表的设计.
- 人工神经网络 (ANN) 与特征权重决策表的结合.
- 开发基于权重,基于正区域增量和不受监督的特征子集选择算法.
主要成果:
- 拟议的算法通过实验分析来证明其有效性和可行性.
- 无监督的算法成功处理丢失或不完整的标签.
- 多尺度方法准确计算与决策相关的特征权重.
结论:
- 开发的算法为特征子集选择提供了高效和强大的解决方案.
- 颗粒计算和神经网络的整合提供了一个强大的框架.
- 无监督方法显著提升了数据预处理与不完整的标签.


