Discernibility matrix based incremental attribute reduction for dynamic data

داده های پویا، که در آن مقادیر اشیا در طول زمان تغییر می کنند، در برنامه های واقعی در همه جا مورد استفاده قرار می گیرند. اگر چه محققان الگوریتم های کاهش چند ویژگی افزایشی را برای پردازش داده های پویا توسعه داده اند، کاهش یافته های حاصل از این الگوریتم ها معمولا مطلوب نیستند. برای غلبه بر این کمبود، در این مقاله پیشنهاد می کنیم الگوریتم کاهش ویژگی های افزایشی مبتنی بر ماتریس تشخیص، که از طریق آن همه کاهش می یابد، از جمله کاهش بهینه، داده های پویا را می توان به طور پیوسته به دست آورد. علاوه بر این، برای افزایش بهره وری از الگوریتم کاهش دهنده ویژگی افزایشی مبتنی بر ماتریس تشخیص، الگوریتم کاهش یک ویژگی افزایشی دیگری براساس ماتریس تشخیص یک جدول تصمیم گیری جمع و جور طراحی شده است. تجزیه و تحلیل های تئوری و نتایج تجربی نشان می دهد که الگوریتم دوم نیاز به زمان بسیار کمتری برای پیدا کردن کاهش از سابق دارد و همین کاهش می تواند توسط هر دو تولید شود.