کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944154 1437981 2017 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A unified framework of dynamic three-way probabilistic rough sets
ترجمه فارسی عنوان
یک چارچوب یکپارچه از مجموعه های خشن احتمالی سه بعدی پویا
کلمات کلیدی
یادگیری افزایشی، تصمیم گیری مجموعه ای خشن تئوریک، تصمیمات سه گانه، تغییرات چندسطحی، ماتریکس،
ترجمه چکیده
تکنولوژی یادگیری افزایشی به طور گسترده در داده کاوی کارآمد و موثر با استفاده از داده های بزرگ بر اساس محاسبات گرانشی، مجموعه های خشن و روش های سه گانه به کار گرفته شده است. در برنامه های کاربردی واقعی، سیستم های اطلاعاتی با گذشت زمان با چهار سطح شرایط متنوع تکامل می یابد که می تواند با ترکیب تغییرات ویژگی ها، اشیاء، مقادیر مشخصه های شرطی و ارزش های ویژگی های تصمیم گیری توصیف شود. با توجه به به روز رسانی دانش با تغییرات چندسطحی داده ها، این مقاله چارچوب پویای یکپارچه مجموعه های خشن تصمیم گیری را برای به روز رسانی سه گانه مناطق احتمالی، یعنی منطقه مثبت، منطقه مرزی و ناحیه منفی پیشنهاد می دهد. با بهبود نمایندگی از مناطق سه گانه بر اساس روش تصمیم گیری بیزی، روش ماتریسی جدید با ساخت ماتریس بولین و تعریف خاصی از عملیات ماتریس معرفی می شود. در ادامه، در تغییرات سطح 1، گزاره های به روز رسانی اساسی که می توانند گزاره های مربوطه را با تغییرات سطح 2، سطح 3، سطح 4 به ترتیب، توسط استراتژی های به روز رسانی ماتریس ارائه شوند. در نهایت، آزمایشات با چهار الگوریتم افزایشی برای تأیید امکان سنجی و کارایی در تغییرات چندسطحی داده ها، با مقایسه با الگوریتم غیر افزایشی صورت می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک چارچوب یکپارچه از مجموعه های خشن احتمالی سه بعدی پویا
چکیده انگلیسی
The incremental learning technology has been widely applied in efficient and effective data mining with big data based on granular computing, rough sets and three-way approaches. In real-life applications, the information systems will evolve over time with four levels of variational situations, which can be described by the combination of the variations of attributes, objects, condition attributes values and decision attributes values. Considering updating knowledge with multilevel variations of data, this paper proposes a unified dynamic framework of decision-theoretic rough sets for incrementally updating three-way probabilistic regions, namely, positive region, boundary region and negative region. Through improving the representation of three-way regions based on the well-established Bayesian decision procedure, a novel matrix approach is introduced by the construction of Boolean matrix and specific definition of matrix operation. Subsequently, at the variations of level-1, the fundamental updating propositions, which can induce the corresponding propositions with the variations of level-2, level-3, level-4, respectively, are presented by the matrix updating strategies. Finally, experiments with four incremental algorithms developed for the verification of feasibility and efficiency under multilevel variations of data are conducted by comparison with non-incremental algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 420, December 2017, Pages 126-147
نویسندگان
, , , , ,