發(fā)布時間：2018-06-03 08:08

  本文選題：奇異值分解 + 偏熵　； 參考：《安徽大學(xué)》2017年碩士論文

【摘要】：現(xiàn)實世界地大物博,繽紛復(fù)雜.現(xiàn)實世界具有太多的不確定性,導(dǎo)致了人類對世界認(rèn)知的不完善.粗糙集作為不確定性的問題的有效工具,近些年來被人們廣泛的研究,并應(yīng)用于處理現(xiàn)實生活中遇到不確定問題,其中屬性約簡作為粗糙集研究的主要方向被學(xué)者們廣泛關(guān)注.本文主要提出基于奇異值分解偏熵和關(guān)聯(lián)熵的關(guān)聯(lián)系數(shù)概念,通過比較關(guān)聯(lián)系數(shù)進行屬性約簡,實驗證明了該方法的有效性.本文主要工作如下:(1)奇異值能充分反映軌跡矩陣的奇異特征,關(guān)聯(lián)系數(shù)能夠較好地刻畫數(shù)據(jù)之間的關(guān)聯(lián)性,本文提出了一種基于奇異值分解熵的屬性約簡算法,該算法通過對時間序列的軌跡矩陣進行奇異值分解,得到兩條時間序列間的關(guān)聯(lián)系數(shù).剔除與決策屬性值關(guān)聯(lián)系數(shù)較小的屬性,從而進行屬性約簡.通過具體實例,并與條件信息熵等算法進行了對比,表明奇異值分解方法在約簡結(jié)果和識別精度方面均表現(xiàn)出優(yōu)勢.(2)通過分割整體序列為若干個子序列,并借助于滑動窗方法,得到兩個序列的關(guān)聯(lián)系數(shù)譜.實驗說明該關(guān)聯(lián)系數(shù)譜能更加準(zhǔn)確刻畫數(shù)據(jù)間的相關(guān)程度,從而更有效用于數(shù)據(jù)約簡.進一步,提出了基于多重奇異值分解偏熵和關(guān)聯(lián)熵的關(guān)聯(lián)系數(shù)譜,通過重數(shù)在正負(fù)值之間的調(diào)節(jié),刻畫不同標(biāo)度下奇異值的大小對關(guān)聯(lián)系數(shù)的影響,實驗證明該方法可以更加細(xì)致刻畫兩序列的關(guān)聯(lián)系數(shù)譜的穩(wěn)定程度,從而更加精確刻畫條件屬性與決策屬性間的關(guān)聯(lián).
[Abstract]:The real world is vast and complex. There is too much uncertainty in the real world, which leads to the imperfect cognition of the world. Rough set, as an effective tool for uncertain problems, has been widely studied in recent years and applied to deal with uncertain problems in real life. Among them, attribute reduction, as the main research direction of rough sets, has been widely concerned by scholars. In this paper, the concept of correlation coefficient based on singular value decomposition partial entropy and correlation entropy is proposed, and the effectiveness of the method is proved by comparing the correlation coefficient with attribute reduction. The main work of this paper is as follows: (1) the singular value can fully reflect the singular characteristics of the locus matrix, and the correlation coefficient can better describe the correlation between the data. In this paper, an attribute reduction algorithm based on singular value decomposition entropy is proposed. The correlation coefficient between two time series is obtained by the singular value decomposition of the locus matrix of the time series. The attribute is reduced by eliminating the attribute with low correlation coefficient with the value of decision attribute. Compared with the conditional information entropy algorithm, it is shown that the singular value decomposition method has advantages in both the reduction result and the recognition accuracy) by dividing the global sequence into several sub-sequences, and by using the sliding window method, the singular value decomposition method can be used to solve the problem. The correlation coefficient spectrum of two sequences is obtained. The experimental results show that the correlation coefficient spectrum can more accurately describe the correlation degree between the data, so that the correlation coefficient spectrum can be more effectively used in data reduction. Furthermore, the correlation coefficient spectrum based on the partial entropy and correlation entropy of multiple singular value decomposition is proposed. By adjusting the multiplicity between positive and negative values, the influence of singular value on the correlation coefficient under different scales is described. Experimental results show that this method can describe the stability of correlation coefficient spectrum of two sequences in more detail, so that the correlation between conditional attributes and decision attributes can be described more accurately.
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 王蘊紅,譚鐵牛,朱勇;基于奇異值分解和數(shù)據(jù)融合的臉像鑒別[J];計算機學(xué)報;2000年06期

2 高仕龍;;矩陣奇異值分解的圖像性質(zhì)及其應(yīng)用[J];樂山師范學(xué)院學(xué)報;2008年05期

3 孫靜靜;張宏飛;孫昌;;一種基于奇異值分解的人臉識別新方法[J];科學(xué)技術(shù)與工程;2010年25期

4 曹長修;;自適應(yīng)消除干擾的新算法(使用矩陣奇異值分解)[J];自動化學(xué)報;1986年02期

5 M.穆倫;張俊芳;;修正的奇異值分解并行實現(xiàn)[J];雷達(dá)與對抗;1992年04期

6 戴偉輝，，呂維雪，段云所，楊芙清;多準(zhǔn)則優(yōu)化圖象重建方法的奇異值分解研究[J];計算機學(xué)報;1997年07期

7 任蕾;施朝健;冉鑫;;應(yīng)用奇異值分解的海上場景顯著性檢測[J];計算機工程與應(yīng)用;2012年23期

8 李曉軍;吳辰文;;基于奇異值分解的流量矩陣估算研究[J];蘭州交通大學(xué)學(xué)報;2012年06期

9 張友民，李慶國，戴冠中，張洪才;基于奇異值分解的遞推辨識方法[J];控制理論與應(yīng)用;1995年02期

10 羅鐵堅;程福興;周佳;;融合奇異值分解和動態(tài)轉(zhuǎn)移鏈的學(xué)術(shù)資源推薦模型(英文)[J];中國科學(xué)院大學(xué)學(xué)報;2014年02期

相關(guān)會議論文 前10條

1 張友民;陳洪亮;戴冠中;;基于奇異值分解的固定區(qū)間平滑新方法[A];1995年中國控制會議論文集（上）[C];1995年

2 何田;王立清;劉獻棟;朱永波;;基于奇異值分解的信號處理機理及其應(yīng)用[A];2008年航空試驗測試技術(shù)峰會論文集[C];2008年

3 張霄;林鴻飛;楊志豪;;基于奇異值分解的蛋白質(zhì)關(guān)系抽取[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

4 曹云麗;郭勤濤;徐堯;周瑾;;基于奇異值分解響應(yīng)面方法的磁軸承轉(zhuǎn)子參數(shù)識別[A];第11屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會（ROTDYN2014）論文集（上冊）[C];2014年

5 吳曉穎;吳俊;董濱江;;TK方法在γ譜分析中的應(yīng)用[A];第7屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會論文集（三）[C];1994年

6 林原;林鴻飛;蘇綏;;一種應(yīng)用奇異值分解的RankBoost排序?qū)W習(xí)方法[A];中國計算機語言學(xué)研究前沿進展（2007-2009）[C];2009年

7 金宋友;趙志文;;一種基于奇異值分解盲水印算法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

8 趙衛(wèi)國;翟自勇;王子君;;基于奇異值分解和神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像水印算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

9 岳紅;蔣慰孫;;基于奇異值分解的改進Bayes集員辨識遞推算法[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

10 張景瑞;;基于奇異值分解的SGCMGs輸出誤差分析及操縱律設(shè)計[A];第三屆全國動力學(xué)與控制青年學(xué)者研討會論文摘要集[C];2009年

相關(guān)碩士學(xué)位論文 前10條

1 相桂芳;MFA與SVD模糊融合的人臉識別研究[D];合肥工業(yè)大學(xué);2015年

2 聶振國;基于奇異值分解的信號處理關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

3 夏玉丹;基于S變換和奇異值分解的自動癲癇檢測算法[D];山東大學(xué);2016年

4 武慧娟;基于HHT特征提取的雷聲信號模式識別[D];陜西師范大學(xué);2016年

5 鄒申申;基于手指心電信號時頻域分析的身份識別算法研究[D];杭州電子科技大學(xué);2016年

6 曾莼;奇異值分解熵對股票指數(shù)的預(yù)測力研究[D];南京財經(jīng)大學(xué);2016年

7 馬亞峰;基于FPGA的矩陣奇異值分解加速方案的設(shè)計與實現(xiàn)[D];北京交通大學(xué);2017年

8 馬斌斌;基于多重奇異值分解熵的屬性約簡方法研究及應(yīng)用[D];安徽大學(xué);2017年

9 關(guān)曉勇;基于奇異值分解的狀態(tài)監(jiān)測與故障診斷方法研究[D];大連理工大學(xué);2005年

10 王鋼;基于奇異值分解的機織物瑕疵檢測算法研究[D];東華大學(xué);2014年

本文編號：1972087