文件名称：更新标准值时在集值决策系统中计算粗糙近似的快速算法
文件大小：2.22MB
文件格式：PDF
更新时间：2024-04-05 17:25:32
研究论文
粗糙集理论被提倡为概念化和分析各种类型数据的框架，这是通过一对概念（即上下近似）发现给定数据集中模式的强大工具。 在动态决策环境下，决策行为需要不断加强，因为决策过程中的数据会随着时间变化。 增量学习是一种可以处理动态学习任务的有效技术，因为它可以充分利用以前的知识。 一组值与一个个体相关联的设定值数据在现实世界的数据集中很常见。 基于设置值决策系统中标准值的动态变化导致的知识更新需求，本文提出了当设置值决策系统中的标准值随时间变化时，动态维护近似值的更新属性。时间。 然后，提出了两种分别用于计算近似值的增量算法，分别与标准值的增加和减少相对应。 实验结果表明，我们的增量算法在UCI数据集以及人工数据集上均能成功工作，并且比传统的非增量方法具有更好的性能。