کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6862811 677027 2013 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Incremental approaches for updating approximations in set-valued ordered information systems
ترجمه فارسی عنوان
رویکردهای افزایشی برای به روز رسانی تقریبی در سیستم های اطلاعاتی مرتب شده بر اساس مجموعه
کلمات کلیدی
نظریه مجموعه خشن، یادگیری افزایشی، کشف دانش، مجموعه اطلاعات ارزشمند سیستم، نزدیک شدن
ترجمه چکیده
یادگیری افزایشی یک روش کارآمد برای کشف دانش در یک پایگاه داده پویا است که امکان دستیابی به دانش جدید از داده های جدید را بدون فراموش کردن دانش قبلی فراهم می آورد. تئوری مجموعه خشن از موفقیت در سیستم های اطلاعاتی برای تجزیه و تحلیل طبقه بندی استفاده شده است. سیستم های اطلاعات ارزشمند مجموعه ای از مدل های تعمیم یافته سیستم های اطلاعات ارزشمند هستند که می توان آنها را به دو دسته تقسیم کرد. تقریبها مفاهیم اساسی تئوری مجموعه خشن هستند که باید به صورت تدریجی به روزرسانی شوند در حالی که مجموعه شیء در طول زمان در سیستم های اطلاعات ارزشمند متغیر است. در این مقاله، ما مکانیزم های به روز رسانی برای محاسبه تقریبی با تغییرات مجموعه شی را تحلیل می کنیم. دو الگوریتم افزایشی برای به روز رسانی تقریبها در سیستم های اطلاعاتی دیجیتال / همراه با مجموعه داده ها پیشنهاد شده است. علاوه بر این، آزمایش های گسترده ای بر روی چندین مجموعه داده ها برای بررسی عملکرد الگوریتم های پیشنهادی انجام شده است. نتایج نشان می دهد که رویکردهای افزایشی به طور قابل توجهی از رویکردهای غیر افزایشی با کاهش قابل توجهی در سرعت محاسبات فراتر رفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
رویکردهای افزایشی برای به روز رسانی تقریبی در سیستم های اطلاعاتی مرتب شده بر اساس مجموعه
چکیده انگلیسی
Incremental learning is an efficient technique for knowledge discovery in a dynamic database, which enables acquiring additional knowledge from new data without forgetting prior knowledge. Rough set theory has been successfully used in information systems for classification analysis. Set-valued information systems are generalized models of single-valued information systems, which can be classified into two categories: disjunctive and conjunctive. Approximations are fundamental concepts of rough set theory, which need to be updated incrementally while the object set varies over time in the set-valued information systems. In this paper, we analyze the updating mechanisms for computing approximations with the variation of the object set. Two incremental algorithms for updating the approximations in disjunctive/conjunctive set-valued information systems are proposed, respectively. Furthermore, extensive experiments are carried out on several data sets to verify the performance of the proposed algorithms. The results indicate the incremental approaches significantly outperform non-incremental approaches with a dramatic reduction in the computational speed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 50, September 2013, Pages 218-233
نویسندگان
, , , ,