SOIS中基于信息熵的属性约简

基于粗糙集属性约简的图像隐藏信息检测新方法(2008)

统计分析方法是图像隐藏信息检测中常用的手段，相较于特定隐写分析，其更为灵活，能够快速适应新的或未知的隐写算法。为解决高维特征属性问题，采用粗糙集属性约简技术，有效降低数据规模。实验结果显示，该方法在不影响分类精度的情况下显著提升了检测速度。

统计分析 0 2024-08-30

基于启发式算法的属性约简在数据挖掘中的应用

基于粗糙集理论，探讨了属性约简在数据挖掘中的重要性和应用。通过引入启发式算法，详细分析了其在优化数据挖掘过程中的有效性，并结合实例展示了算法的实际效果。技术进步使得这些算法在处理复杂数据集时显得尤为重要。

数据挖掘 0 2024-08-03

基于Spark的系统信息熵和条件熵计算

利用Spark计算CMIM、MRMR、MIFS等方法的开源库已经相当成熟。作者在仿照Spark MLlib库的特征选择功能基础上，扩展了支持系统信息熵和条件熵计算的方法。需要具体结果时，可直接调用ml.feature中相应的方法。

spark 2 2024-08-03

粗糙集属性约简调研

本调研分析了粗糙集理论中属性约简的方法，为大学生理解这一概念提供了指南。

数据挖掘 2 2024-04-30

基于信息熵与TOPSIS的综合评价方法

方法概述 该方法融合信息熵和TOPSIS法进行综合评价。首先，利用信息熵计算指标权重，客观反映指标信息量；随后，应用TOPSIS法，基于指标权重计算综合得分，对评价对象进行排序。 步骤 数据标准化处理 计算信息熵 确定指标权重 计算各方案与理想解的距离 计算综合得分 排序 优势 客观性：权重由数据自身决定，避免主观因素影响 综合性：考虑指标信息量和方案与理想解的距离 可操作性：步骤清晰，易于实现

算法与数据结构 4 2024-04-30

基于迭代局部搜索和粗糙集的新属性约简算法探讨

介绍了两种基于迭代局部搜索和粗糙集理论的新型属性约简算法。这两种算法均以相对约简的贪婪策略作为起点，并采用不同的属性选择方式。第一种算法采用随机选择策略，而第二种算法则通过复杂的选择程序进行优化。另外，第一种算法设定了固定的迭代次数，而第二种算法则在达到局部最优解时停止迭代。通过对来自UCI的八个著名数据集进行的实验验证，展示了这些算法在属性约简中的显著优势。

Matlab 2 2024-07-21

基于云计算的浓缩布尔矩阵并行属性约简算法研究(2015年)

云计算技术作为海量数据挖掘的高效解决方案，结合MapReduce并行计算模型与粗糙集属性约简算法，提出了一种基于MapReduce的浓缩布尔矩阵并行属性约简算法。该算法显著提升了粗糙集属性约简在大数据处理中的效率，适应了云计算环境。实验验证显示，该算法具备出色的效率、加速比和可扩展性。

数据挖掘 2 2024-07-23

基于粗糙集的条件信息熵权重方法

该方法利用粗糙集理论处理不确定信息，通过计算条件信息熵来量化属性重要性，进而确定权重。

算法与数据结构 2 2024-05-27

MATLAB信息熵计算

MATLAB提供高效便捷的函数，用于计算信息熵，量化数据的不确定性。

Matlab 3 2024-05-21