کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943903 1437723 2017 21 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fuzzy rough set based incremental attribute reduction from dynamic data with sample arriving
ترجمه فارسی عنوان
کاهش ضریب فزاینده بر اساس ویژگی افزایشی از داده های پویا با رسیدن نمونه
کلمات کلیدی
مجموعه خشن فازی کاهش مشخصه، یادگیری افزایشی، داده های پویا، نسبت تشخیص نسبی،
ترجمه چکیده
کاهش ویژگی با مجموعه خشن فازی یک روش موثر برای انتخاب بیشتر ویژگی های آموزنده از یک مجموعه داده های واقعی است. با این حال، الگوریتم های موجود برای کاهش ویژگی با مجموعه خشن فازی باید مجددا تخمین زده شده از داده های پویا با نمونه برداری که یک نمونه یا چندین نمونه به طور متوالی وارد می شوند. این از دیدگاه محاسباتی به وضوح غیر اقتصادی است. در این مقاله به منظور رفع موثر از مجموعه داده ها، این مقاله کاهش خواص افزایشی را با مجموعه های خشن فازی بررسی می کند. در هنگام ورود یک نمونه یا چند نمونه، نسبت نسبی تشخیص برای هر ویژگی به روز می شود. بر اساس روابط به روز شده، بینش به فرایند افزایشی از کاهش ویژگی با مجموعه های خشن فازی به منظور نشان دادن نحوه اضافه کردن ویژگی های جدید به کاهش فعلی و حذف ویژگی های موجود از کاهش فعلی بدست می آید. با استفاده از فرآیند افزایشی، دو الگوریتم افزایشی برای کاهش ویژگی با مجموعه های خشن فازی به ترتیب برای یک نمونه ورودی و چند نمونه ورودی ارائه می شود. مقایسه تجربی با چند الگوریتم غیر افزایشی و الگوریتم افزایشی پیشنهادی برای یک نمونه ورودی نشان می دهد که الگوریتم افزایشی پیشنهادی برای چندین نمونه ورودی می تواند به طور موثر یک ردارد را با دقت طبقه بندی قابل مقایسه مقایسه کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
کاهش ضریب فزاینده بر اساس ویژگی افزایشی از داده های پویا با رسیدن نمونه
چکیده انگلیسی
Attribute reduction with fuzzy rough set is an effective technique for selecting most informative attributes from a given real-valued dataset. However, existing algorithms for attribute reduction with fuzzy rough set have to re-compute a reduct from dynamic data with sample arriving where one sample or multiple samples arrive successively. This is clearly uneconomical from a computational point of view. In order to efficiently find a reduct from such datasets, this paper studies incremental attribute reduction with fuzzy rough sets. At the arrival of one sample or multiple samples, the relative discernibility relation is updated for each attribute. On the basis of the updated relation, an insight into the incremental process of attribute reduction with fuzzy rough sets is gained to reveal how to add new attributes into the current reduct and delete existing attributes from the current reduct. Applying the incremental process, two incremental algorithms for attribute reduction with fuzzy rough sets are presented for one incoming sample and multiple incoming samples, respectively. Experimental comparisons with several non-incremental algorithms and the proposed incremental algorithm for one incoming sample show that our proposed incremental algorithm for multiple incoming samples can efficiently find one reduct with a comparable classification accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Fuzzy Sets and Systems - Volume 312, 1 April 2017, Pages 66-86
نویسندگان
, , , , ,