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

基于信息熵的异常数据挖掘算法解析

信息熵是粒计算理论中用于度量不确定信息的重要工具之一。现有的异常数据挖掘算法多集中于处理确定性的异常数据。然而，关于使用信息熵来度量不确定性数据以实现异常数据挖掘的研究相对较少。基于此，在引入信息熵概念的基础上，定义了基于信息熵的异常度，用以衡量数据之间的异常程度，并提出了一种基于信息熵的异常数据挖掘算法。该算法能够高效地进行异常数据的挖掘。理论分析和实验结果均证明了该算法的有效性和可行性。

数据挖掘 0 2024-10-26