主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
黄金杰,李士勇,蔡云泽.一种建立粗糙数据模型的监督模糊聚类方法.软件学报,2005,16(5):744-753
一种建立粗糙数据模型的监督模糊聚类方法
An Approach to Building Rough Data Model Through Supervised Fuzzy Clustering
投稿时间:2003-07-28  修订日期:2004-09-08
DOI:
中文关键词:  粗糙数据模型  粗糙集  监督模糊聚类  GK算法  推定隶属度
英文关键词:rough data model  rough set  supervised fuzzy clustering  Gustafson-Kessel algorithm  putative membership degree
基金项目:Supported by the National Grand Fundamental Research 973 Program of China under Grant No.2002cb312200(国家重点基础研究发展规划(973));the Natural Science Foundation of Heilongjiang Province of China under Grant No.F0316(黑龙江省自然科学基金);the China Postdoctoral Science Foundation under Grant No.2004036321(中国博士后科学基金)
作者单位
黄金杰 上海交通大学,自动化系,上海,200030 
李士勇 哈尔滨工业大学,控制科学与工程系,黑龙江,哈尔滨,150001 
蔡云泽 上海交通大学,自动化系,上海,200030 
摘要点击次数: 2795
全文下载次数: 2886
中文摘要:
      提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法.该方法将RDM模型的分类质量性能指标与具有良好特性的Gustafson-Kessel(G-K)聚类算法结合在一起,并通过引入数据对模糊类的推定隶属度的概念,给出了将模糊聚类模型转化为粗糙数据模型的方法,从而设计出一种通过迭代计算使目标函数最小的两个必要条件方程来获取RDM模型的有效算法,将Kowalczyk方法的多维搜索过程变为以聚类数目为参数的一维搜索,极大地减少了寻优时间.与传统的粗糙集理论和Kowalczyk方法相比,提出的方法具有更好的数据概括能力和噪声数据处理能力.最后,通过不同的数据集实验测试,结果表明了该方法的有效性.
英文摘要:
      A new method for fast building the rough data model (RDM) by means of supervised fuzzy clustering in the product space of input and output variables is proposed. The approach incorporates the RDM’s classification quality performance index with Gustafson-Kessel (GK) clustering algorithm and is of many good properties. The way to convert the fuzzy cluster models to rough data models by introducing the concept of putative membership degree of a data point to a fuzzy cluster is suggested. Hence, an efficient algorithm that can obtain RDMs by just iteratively computing two necessary condition equations is worked out. It minimizes the objective function and turns the multi-dimensional search process of the Kowalczyk’s method to one dimensional search strategy (in terms of the number of clusters). This technique reduces the searching time greatly. Compared with the traditional rough set theory and the Kowalczyk’s method, the approach has more powerful ability to handle data contaminated by noise and better generalization ability. Finally, different examples of data sets illustrate the effectiveness of the approach.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利