CN112949812A - 一种利用蝙蝠算法和粗糙集的属性约简方法 - Google Patents
一种利用蝙蝠算法和粗糙集的属性约简方法 Download PDFInfo
- Publication number
- CN112949812A CN112949812A CN202110374836.8A CN202110374836A CN112949812A CN 112949812 A CN112949812 A CN 112949812A CN 202110374836 A CN202110374836 A CN 202110374836A CN 112949812 A CN112949812 A CN 112949812A
- Authority
- CN
- China
- Prior art keywords
- bat
- population
- attribute
- fitness
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009467 reduction Effects 0.000 title claims abstract description 31
- 241000288673 Chiroptera Species 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 206010012601 diabetes mellitus Diseases 0.000 description 9
- 208000024891 symptom Diseases 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 206010022998 Irritability Diseases 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 206010007134 Candida infections Diseases 0.000 description 1
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000007027 Oral Candidiasis Diseases 0.000 description 1
- 208000007542 Paresis Diseases 0.000 description 1
- 208000004880 Polyuria Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 241000287411 Turdidae Species 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 231100000360 alopecia Toxicity 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000003984 candidiasis Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 208000022530 polyphagia Diseases 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种利用蝙蝠算法和粗糙集的属性约简方法，该方法用属性依赖度计算属性核，引入智能优化蝙蝠算法对属性最佳优化，在不改变信息决策表中各属性的依赖关系的情况下，找到影响决策的关键属性，对信息决策表进行属性约简，求得最小属性约简，该方法具有设置参数少、结构简单、收敛速度快的优点，与同类算法相比较，本发明主要应用于对信息决策表中的数据分析中，能够去除冗余属性，提取影响智能决策的关键信息，挖掘特征规律，提高决策效率，同时还可以避免搜索过程中容易陷入局部最优情况的发生。
Description
技术领域
本发明属于数据处理技术领域，涉及一种利用蝙蝠算法和粗糙集的属性约简方法。
背景技术
数据作为计算机处理对象，其本身自带的潜在价值在数据分析领域起着巨大的作用，数据处理领域工程也迫切需要数据处理方法使得自身形成系统化，同时，由于网络信息爆炸，在面对海量数据时，对采集的数据需要依据算法寻找出关联密切的信息，而数据挖掘的过程需要通过统计分析、机器学习、专家系统、模式识别等多种方法完成决策支持。
数据分析中蝙蝠算法(Bat Algorithm，BA)是群智能和蝙蝠行为的启发而提出的一种新的优化算法，该算法具有较强的鲁棒性和寻找最优解的能力，其模拟了大多数微型蝙蝠回声定位的特性，即蝙蝠以脉冲的形式以一定的发射率进行发射一定量的频率和音量的超声波，当超声波在传播过程中遇到三维空间中的物体之后就会以回声的形式返回，通过对自身回声的接收和处理，蝙蝠不仅能够探测到运动物体与自身的距离和飞行方向，还可以判断其运动速率、大小、形态以及结构，从而避开障碍物。BA算法目前主要在连续域函数优化问题上进行求解，较少的地方用来求解组合优化问题。
粗糙集是一种刻画不完整性和不确定性的数学工具，能有效地分析不精确、不一致、不完整等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来(近似) 刻画。该理论与其他处理不确定和不精确问题理论的最显著的区别是：它无需提供问题所需处理的数据集合之外的任何先验信息，所以对问题的不确定性的描述或处理可以说是比较客观的，由于这个理论未能包含处理不精确或不确定原始数据的机制，所以这个理论与概率论、模糊数学和证据理论等其他处理不确定或不精确问题的理论有很强的互补性。
现有智能优化算法各有不同的优缺点，其中缺失数据会对决策有影响，数值的填充任务在属性约简工作前并没有实施，数据缺失在许多研究领域是一个复杂的问题，在数据清洗过程中，主要处理的是缺失值、异常值和重复值，所谓清洗，是对数据集合通过丢弃、填充、替换、去重等操作，达到去除异常、纠正错误、补足缺失的目的。数据挖掘算法本身更致力于避免数据过分适合所建的模型，这一特性使得它难以通过自身的算法去很好地处理不完整数据。因此，空缺的数据需要通过专门的方法进行推导、填充等，以减少数据挖掘算法与实际应用之间的差距。根据以上论述，本发明尝试提出一种利用蝙蝠算法和粗糙集的属性约简方法，用以解决在复杂数据处理分析中提取影响智能决策的关键信息的问题。
发明内容
本发明的目的在于针对现有技术存在的问题，提供一种利用蝙蝠算法和粗糙集的属性约简方法，以解决在复杂数据处理分析中提取影响智能决策的关键信息的问题。
为此，本发明采取以下技术方案：
第一步，计算待分析样本中所有属性的依赖度γC(D)＝|posC(D)|/|U|，并求出属性核Core(C)，若属性核的依赖度γCORE(C)＝γC，那么Core(C)为最小相对约简，则终止运行，否则执行第二步；
第二步，初始化蝙蝠种群及所有参数，根据目标函数计算各个蝙蝠的适应度值fitness(xi)，确定目前种群里最优解 x*；
第三步，通过公式fi＝fmin+(fmax-fmin)×β调整频率f，每只蝙蝠通过公式
根据自身当前速度和当前位置与最优位置间的距离来更新其速度，从而通过公式
更新每一代蝙蝠的位置；
其中：
为种群t代后更新的速度，
为种群t代后更新的位置，x*为种群中适应度值最高的蝙蝠个体的位置，参数f表示蝙蝠的声波频率，声波频率的对应范围为[fmin,fmax]，β是从均匀分布的范围[0，1]中生成的一个随机数。
第四步，生成一个随机数rand，若rand>r，则在最优解x*附近通过公式Xnew＝Xold+εAt产生一个新的局部解Xnew；
其中，r为脉冲发射频率，Xold为从当前最优解中选择一个解，Xnew代表新产生的局部解，ε是[-1，1]内的均匀随机数， At为t时刻的所有蝙蝠的响度的平均值。
第五步：生成随机数rand，若rand<A并且F(Xnew)<F(X*)，则通过公式
更新响度A和脉冲发射频率r；
其中，A为响度值，F(Xnew)为新产生的局部解的适应度函数值，F(X*)为当前最佳解的适应度值。
第六步：根据蝙蝠的适应度值对整个蝙蝠的种群进行评估，找到当前最佳解决方案X*，即对F(Xnew)、F(X*)进行排序，选择最大的适应度函数值作为最优的位置，从而得出最优解决方案X*；
第七步：检查停止条件，若达到最大迭代次数，则转入第八步，否则转到第三步，继续下一次迭代；
第八步：结束进程，算法终止，输出最优结果X*。
进一步地，所述种群初始化指由随机数产生m个长度为 |C|的二进制串所代表的个体组成初始种群，其对应位随机取0或1，计算初始种群中每个个体的适应度，其中，C为条件属性的个数。
进一步地，所述适应度函数为
其中， R为所选特征子集的长度，C为特征的总数，是未被选择的特征与特征总数的比值，α和β均为控制适应度函数的权值常数。
本发明的有益效果在于：
本发明适合完整性数据的属性约简，利用蝙蝠算法和粗糙集的属性约简方法，应用于数据处理分析中对信息决策表的属性约简，去除冗余属性，提取影响智能决策的关键信息，具有设置参数少、结构简单、收敛速度快的优点，与同类算法相比较，本发明能够在搜索过程中避免容易陷入局部最优情况的发生。具体体现在以下两点：
1.粗糙集在处理不确定性问题时，不需要提供问题所需处理的数据集合之外的先验信息；
2.结合智能优化算法比用单一算法分析相同参数时优化性能和鲁棒性均有大幅度提升。
附图说明
图1为本发明的步骤示意图。
具体实施方式
下面结合附图对本发明的技术方案进行相关说明。
如图1所示，一种利用蝙蝠算法和粗糙集的属性约简方法，具体包括如下步骤：
第一步：计算待分析样本中所有属性的依赖度γC(D)＝|posC(D)|/|U|，并求出属性核Core(C)，若属性核的依赖度γCORE(C)＝γC，那么Core(C)就是最小相对约简，则终止运行，否则执行第二步；
第二步：初始化种群及所有参数，根据目标函数计算各个蝙蝠的适应度值fitness(xi)，确定目前种群里最优解x*；
其中，种群初始化指由随机数产生m个长度为|C|的二进制串所代表的个体组成初始种群，其对应位随机取0或1，计算初始种群中每个个体的适应度，C为条件属性的个数；
适应度函数为
其中，R为所选特征子集的长度，C为特征的总数，α和β均为控制适应度函数的权值常数(0<α≤1，0≤β<1)，具体适应度函数的取值α设置为0.9，β设置为0.1，可以更好的保证蝙蝠算法在属性约简过程中搜索更佳的位置，其中每个位置的好坏由适应度值来决定。
第三步：通过公式fi＝fmin+(fmax-fmin)×β调整频率f，每只蝙蝠通过公式
根据自身当前速度和当前位置与最优位置间的距离来更新其速度，从而通过公式
更新每一代蝙蝠的位置；
其中，
为种群t代后更新的速度，
为种群t代后更新的位置，x*为种群中适应度值最高的蝙蝠个体的位置，参数f表示蝙蝠的声波频率，声波频率的对应范围为[fmin,fmax]，β是从均匀分布的范围[0，1]中生成的一个随机数。
第四步：生成一个随机数rand，若rand>r，则在最优解 x*附近，通过公式Xnew＝Xold+εAt产生一个新的局部解Xnew；
其中，rand∈[0，1]是服从均匀分布的随机数，且第四步和第五步的随机数分别产生，r为脉冲发射频率，Xold为从当前最优解中选择一个解，Xnew代表新产生的局部解，ε是[-1， 1]内的均匀随机数，At为t时刻的所有蝙蝠的响度的平均值。
第五步：生成一个随机数rand，若rand<A并且 F(Xnew)<F(X*)，则通过公式
更新响度 A和脉冲发射频率r；
其中，A为响度值，F(Xnew)为新产生的局部解的适应度函数值，F(X*)为当前最佳解的适应度值，具体地，适应度值根据适应度函数
得出。
第六步：根据蝙蝠的适应度值对整个蝙蝠的种群进行评估，找到当前最佳解决方案X*，即对F(Xnew)、F(X*)进行排序，选择最大的适应度函数值作为最优的位置，从而得出最优解决方案X*；
第七步：检查停止条件，若达到最大迭代次数，则转入第八步，否则转到第三步，继续下一次迭代；
第八步：结束进程，算法终止，输出最优结果。
现将上述方法应用于早期糖尿病诊断分析，具体过程如下：
经过调查研究，造成糖尿病的因素很多。早期糖尿病数据来自UCI数据集，该数据集包含16个条件属性，520条患者的信息以及他们的患病类别构建早期糖尿病患者信息表进行分析，参照早期糖尿病患者信息表的数据将症状属性转化为数字化形式，属性符号化如表1。
表1属性符号化表
进行数字化处理的样本数据如表2，其中，C1-C16为样本的条件属性，分别代表年龄、性别、是否有多尿症状、是否烦渴、是否体重突降、是否虚弱、是否多食、是否外阴鹅口疮、是否视力模糊、是否有瘙痒症状、是否易怒、是否免疫力弱、是否轻瘫、是否肌肉僵硬、是否脱发以及是否肥胖。样本数据中年龄范围为20-65，“年龄”范围在20-42岁的患者用数字“0”表示，43-65岁的患者用数字“1”表示；“Gender”属性中，女性患者用数字“0”表示，男性患者用数字“1”表示；属性C3-C16，无症状用“0”表示，有症状用“1”表示。表2中，{D}为样本的决策属性，表示早期糖尿病诊断的“类别”，决策属性的取值为“0”或“1”，其中，“0”表示诊断“类别”为阴性情况，“1”表示诊断“类别”为阳性情况。样本中的各个属性之间可能相互影响，也可能独立存在，各属性彼此之间存在着不确定性。
表2早期糖尿病患者数字化处理的信息表
利用蝙蝠算法和粗糙集的属性约简方法，通过适应度函数对样本数据进行属性约简，适应度函数的取值α＝0.9，β＝0.1，迭代停止次数设置100次。经过计算和约简，约简结果为r＝ [0000001000110001]，即{C7，C11，C12，C16}为重要属性如表3。最佳适应度函数值为0.098489。
表3约简信息表
通过表2的属性约简，去除冗余属性，得到最小属性约简集{C7，C11，C12，C16}如表3所示，早期糖尿病诊断为阳性的结果，其主要症状有：近期是否食量大增、易怒、免疫力下降以及体重大增，结果比较贴合实际情况。
为了验证利用蝙蝠算法和粗糙集的属性约简方法，用上述数据集，将利用蝙蝠算法和粗糙集的属性约简方法与基于遗传算法的属性约简算法(Genetic AlgorithmAttribute Reduction，GAAR)以及基于粒子群算法的属性约简算法 (Particle SwarmOptimization Attribute Reduction， PSOAR)进行实验对比分析。三种方法分别对数据集进行100 次迭代，比较结果如表4。
表4GAAR、PSOAR和本文算法的比较
通过表4的比较结果看出，用GAAR算法得出的最优个体为[0011001000100101]，即{C3，C4，C7，C11，C14，C16}，用PSOAR算法得出的最优个体为[0101000001110000]，即{C2，C4，C10，C11，C12}，用本发明提出的利用蝙蝠算法和粗糙集的属性约简方法结果为{C7，C11，C12，C16}，所得即是所求的最优解。实验结果验证，本发明提出的方法是正确有效的，很大程度上对数据集进行约简，且搜索能力强，约简结果均优于其他两种算法。
由表2和表3可知，320个检测为阳性的患者中，59.1％的患者有食量增多的症状，34.38％的患者有易怒的症状， 47.81％的患者有免疫力下降的表现，19.06％的患者有体重大增的表现，这些因素可作为早期糖尿病初步诊断的重要依据，能够减轻医生的压力，若出现以上相似伴随症状出现，可进行下一步的诊断。
Claims (3)
1.一种利用蝙蝠算法和粗糙集的属性约简方法，包括以下步骤：
第一步，计算待分析样本中所有属性的依赖度γC(D)＝|posC(D)|/|U|，并求出属性核Core(C)，若属性核的依赖度γCORE(C)＝γC，那么Core(C)为最小相对约简，则终止运行，否则执行第二步；
第二步，初始化蝙蝠种群及所有参数，根据目标函数计算各个蝙蝠的适应度值fitness(xi)，确定目前种群里最优解x*；
第三步，通过公式fi＝fmin+(fmax-fmin)×β调整频率f，每只蝙蝠通过公式
根据自身当前速度和当前位置与最优位置间的距离来更新其速度，从而通过公式
更新每一代蝙蝠的位置；
其中：
为种群t代后更新的速度，
为种群t代后更新的位置，x*为种群中适应度值最高的蝙蝠个体的位置，参数f表示蝙蝠的声波频率，声波频率的对应范围为[fmin,fmax]，β是从均匀分布的范围[0，1]中生成的一个随机数。
第四步，生成一个随机数rand，若rand>r，则在最优解x*附近通过公式Xnew＝Xold+εAt产生一个新的局部解Xnew；
其中，r为脉冲发射频率，Xold为从当前最优解中选择一个解，Xnew代表新产生的局部解，ε是[-1，1]内的均匀随机数，At为t时刻的所有蝙蝠的响度的平均值。
第五步：生成随机数rand，若rand<A并且F(Xnew)<F(X*)，则通过公式
ri t+1＝ri 0[1-exp(-γt)]更新响度A和脉冲发射频率r；
其中，A为响度值，F(Xnew)为新产生的局部解的适应度函数值，F(X*)为当前最佳解的适应度值。
第六步：根据蝙蝠的适应度值对整个蝙蝠的种群进行评估，找到当前最佳解决方案X*，即对F(Xnew)、F(X*)进行排序，选择最大的适应度函数值作为最优的位置，从而得出最优解决方案X*；
第七步：检查停止条件，若达到最大迭代次数，则转入第八步，否则转到第三步，继续下一次迭代；
第八步：结束进程，算法终止，输出最优结果X*。
2.根据权利要求1所述的一种利用蝙蝠算法和粗糙集的属性约简方法，其特征在于，所述种群初始化指由随机数产生m个长度为|C|的二进制串所代表的个体组成初始种群，其对应位随机取0或1，计算初始种群中每个个体的适应度，其中，C为条件属性的个数。
3.根据权利要求1所述的一种利用蝙蝠算法和粗糙集的属性约简方法，其特征在于，所述适应度函数为
其中，R为所选特征子集的长度，C为特征的总数，是未被选择的特征与特征总数的比值，α和β均为控制适应度函数的权值常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110374836.8A CN112949812A (zh) | 2021-04-07 | 2021-04-07 | 一种利用蝙蝠算法和粗糙集的属性约简方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110374836.8A CN112949812A (zh) | 2021-04-07 | 2021-04-07 | 一种利用蝙蝠算法和粗糙集的属性约简方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949812A true CN112949812A (zh) | 2021-06-11 |
Family
ID=76230895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110374836.8A Pending CN112949812A (zh) | 2021-04-07 | 2021-04-07 | 一种利用蝙蝠算法和粗糙集的属性约简方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949812A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5701400A (en) * | 1995-03-08 | 1997-12-23 | Amado; Carlos Armando | Method and apparatus for applying if-then-else rules to data sets in a relational data base and generating from the results of application of said rules a database of diagnostics linked to said data sets to aid executive analysis of financial data |
| CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
| CN103286319A (zh) * | 2013-05-06 | 2013-09-11 | 西北师范大学 | 一锅法制备氮掺杂介孔碳/银钠米粒子的方法及其应用 |
| CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
| CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
| CN109816087A (zh) * | 2018-12-28 | 2019-05-28 | 天津大学 | 基于人工鱼群与蛙群混合算法的粗糙集属性约简方法 |
| CN111652402A (zh) * | 2019-03-04 | 2020-09-11 | 湖南师范大学 | 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 |
| CN111950687A (zh) * | 2020-08-27 | 2020-11-17 | 桂林电子科技大学 | 一种结合局部对立学习与社会蜘蛛算法解决最小属性约简的方法 |
-
2021
- 2021-04-07 CN CN202110374836.8A patent/CN112949812A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5701400A (en) * | 1995-03-08 | 1997-12-23 | Amado; Carlos Armando | Method and apparatus for applying if-then-else rules to data sets in a relational data base and generating from the results of application of said rules a database of diagnostics linked to said data sets to aid executive analysis of financial data |
| CN101819604A (zh) * | 2010-05-24 | 2010-09-01 | 天津大学 | 基于概率粗糙集的决策树生成方法 |
| CN103286319A (zh) * | 2013-05-06 | 2013-09-11 | 西北师范大学 | 一锅法制备氮掺杂介孔碳/银钠米粒子的方法及其应用 |
| CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
| CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
| CN109816087A (zh) * | 2018-12-28 | 2019-05-28 | 天津大学 | 基于人工鱼群与蛙群混合算法的粗糙集属性约简方法 |
| CN111652402A (zh) * | 2019-03-04 | 2020-09-11 | 湖南师范大学 | 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 |
| CN111950687A (zh) * | 2020-08-27 | 2020-11-17 | 桂林电子科技大学 | 一种结合局部对立学习与社会蜘蛛算法解决最小属性约简的方法 |
Non-Patent Citations (2)
| Title |
|---|
| EMARY E， YAMANY W， HASSANIEN A E.: "New approach for feature selection based on rough set and bat algorithm", NTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING & SYSTEMS. IEEE, pages 346 - 353 * |
| 白晓波: "非线性系统的状态估计方法", vol. 1, 西南交通大学出版社, pages: 35 - 38 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| SR et al. | Lung cancer detection using probabilistic neural network with modified crow-search algorithm | |
| CN111401573B (zh) | 一种工况状态建模与修正模型方法 | |
| CN106126607A (zh) | 一种面向社交网络的用户关系分析方法 | |
| CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
| CN112085125A (zh) | 基于线性自学习网络的缺失值填补方法、存储介质及系统 | |
| Wang et al. | Application of fuzzy cluster analysis for medical image data mining | |
| CN116723034B (zh) | 一种用于互联网信息安全的智能数据监测系统及方法 | |
| CN115148327B (zh) | 一种面向麻醉智能决策的多方协同原型系统及其方法 | |
| CN114822823B (zh) | 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统 | |
| CN116386899A (zh) | 基于图学习的药物疾病关联关系预测方法及相关设备 | |
| CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
| CN114242178A (zh) | 基于梯度提升决策树的ERα拮抗剂的生物活性定量预测方法 | |
| CN112949812A (zh) | 一种利用蝙蝠算法和粗糙集的属性约简方法 | |
| CN116541944B (zh) | 一种基于变电站综合倾斜摄影建模模型的碳排放计算方法 | |
| Zhang et al. | A method of deep belief network image classification based on probability measure rough set theory | |
| CN110289098B (zh) | 一种基于临床检验和用药干预数据的风险预测方法 | |
| CN116883128A (zh) | 洗钱团伙的挖掘方法、装置、电子设备及计算机存储介质 | |
| CN113345588A (zh) | 一种不完备数据集快速属性约简方法 | |
| CN111144910B (zh) | 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置 | |
| Erhua | Solar photovoltaic power generation wireless monitoring system based on IOT technology | |
| CN111243697A (zh) | 一种基于神经网络对目标对象数据进行判断的方法及系统 | |
| CN115116590B (zh) | 深度强化学习方法、装置、肺结节患者随诊流程规划方法、系统、介质和设备 | |
| Ramyea et al. | Predictive analysis of pulmonary fibrosis progression using gradient boosting classifier and DICOM images | |
| CN117010283B (zh) | Pba车站钢管柱结构变形预测方法、系统 | |
| CN111459927B (zh) | Cnn-lstm开发者项目推荐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |