信息觀下屬性約簡算法及在場景圖像特征提取中的應用.pdf

1、隨著IT行業(yè)的迅速發(fā)展，我們已經進入了“大數據”時代，生活中每天都會有大量的數據，而且數據處于不斷更新、不斷增長的狀態(tài)，例如語音、文字、圖像、視頻等信息。如何快速有效的從這些數據信息中挖掘出重要的知識已經成為當前比較熱門的研究。粗糙集作為一種挖掘知識的工具，能夠應用在各類知識發(fā)掘中。但傳統(tǒng)粗糙集存在不足，它只能夠處理離散性數據，所以有學者在此基礎上將傳統(tǒng)粗糙集進行改進，引入鄰域粗糙集模型，該模型擴展了粗糙集理論的應用領域，其核心符合人類

2、的思維方式，易于理解。
　　本研究主要內容包括：⑴在現有的基于粒子群優(yōu)化的屬性約簡算法中，正域部分通常被作為啟發(fā)式信息，但是它并不能準確地衡量不確定性，而互信息具有更強的度量不確定信息的能力。基于此本文提出一種將互信息與粒子群優(yōu)化相結合的約簡算法，該算法將互信息作為適應度函數，運用加快粒子快速尋找吸引子的這一特點，將內嵌區(qū)域震蕩搜索的粒子群算法進行改進，使得粒子群中的粒子能夠迅速搜尋到約簡值，進而盡可能實現全局收斂。⑵鄰域粗糙集通

3、過距離函數解決了傳統(tǒng)粗糙集不能處理連續(xù)型數據的局限性?；诖?，提出一種信息觀下批增量式屬性約簡算法。首先，該算法分析批量增加樣本后新樣本集下條件熵的變化機制，并給出條件熵的計算公式；其次，該算法總結出引起條件熵變化的是新加入樣本的不一致鄰域，當這些樣本加入到原數據集后，僅需通過公式求其不一致鄰域，并與新加入樣本相結合，進行約簡計算；最后，再對所得約簡結果冗余消除處理，得到約簡值。⑶將圖像轉換為數據之后，可知維度較高，不能夠被大量存儲，我