基于特征选择的粗糙集（第2版）

本书全面介绍了基于粗糙集的特征选择技术，包括基于经典粗糙集、模糊粗糙集、优势关系粗糙集等的特征选择技术。还介绍了技术应用，提供各类算法的伪代码，构建了基于经典粗糙集和优势粗糙集的特征选择算法的API库，可为技术应用提供支撑。

陈小卫，博士，航天工程大学教研室副主任、讲师，硕士生导师。2005年毕业于海军航空工程学院获学士学位，2008年毕业于海军航空工程学院获全日制硕士研究生学位，2012年毕业于海军航空工程学院获博士研究生学位。

1 特征选择概述1.1 特征1.1.1 数字特征1.1.2 分类属性1.2 特征选择1.2.1 有监督的特征选择1.2.2 无监督的特征选择1.3 特征选择方法 .1.3.1 过滤（Filter）法 1.3.2 包装（Wrapper）法.1.3.3 嵌入（Embedded）法1.4 特征选择的目标 1.5 特征选择标准1.5.1 信息增益1.5.2 距离 1.5.3 依赖性 1.5.4 一致性 1.5.5 分类准确度1.6 特征生成策略1.6.1 前向特征生成 .1.6.2 后向特征生成 . 1.6.3 随机特征生成 . 1.7 相关概念 1.7.1 搜索机制1.7.2 特征选择算法的生成.1.7.3 特征相关性1.7.4 特征冗余性1.7.5 特征选择的应用1.7.6 特征选择面临的问题1.8 本章小结 参考文献2 研究背景2.1 维数灾难 2.2 变换-基于约简 2.2.1 线性方法 2.2.2 非线性方法 2.3 选择-基于约简 2.3.1 监督学习中的特征选择 2.3.2 过滤（Filter）技术 2.3.3 包装（Wrapper）技术 2.3.4 无监督学习中的特征选择2.4 基于相关性的特征选择 2.4.1 基于相关性的度量 2.4.2 基于相关性度量高效特征选择—（ECMBF） 2.5基于互信息的特征选择 2.5.1 一种基于互信息的特征选择方法 (MIFS-ND) 2.5.2 多目标人工蜂群(MOABC)方法 2.6 本章小结 参考文献 3 粗糙理论 3.1经典粗糙集理论 3.1.1 集合 3.1.2子集 3.1.3 幂集 3.1.4 运算 3.1.5 集合论的数学符号 3.2知识表达和含糊 3.3 粗糙集理论(RST)3.3.1 信息系统 3.3.2 决策系统 3.3.3 不可分辨关系 3.3.4 粗糙近似 3.3.5 正区域 3.3.6 差别矩阵 3.3.7 差别函数 3.3.8 决策相关差别矩阵 3.3.9 依赖性 3.3.10 约简和核 3.4 离散化过程 3.5 其他概念 3.6 粗糙集的应用 3.7 本章小结 参考文献 4 粗糙集理论的前沿概念 4.1 模糊集理论 4.1.1模糊集 4.1.2 模糊集和部分程度的真 4.1.3 隶属函数 4.1.4 模糊运算 4.1.5 模糊集的表示 4.1.6 模糊规则 4.2 模糊粗糙集杂合 4.2.1 有监督学习和信息检索 4.2.2 特征选择 4.2.3 粗糙集模糊集 4.2.4 模糊粗糙集 4.3 依赖类 4.3.1 增依赖类 (IDC) 4.3.2 直接依赖类(DDC) 4.4 重新定义的粗糙近似 4.4.1 重新定义的下近似 4.4.2 重新定义的上近似 4.5 本章小结 参考文献 5 基于粗糙集的特征选择技术 5.1 快速约简 5.2 基于粒子群优化(PSO) .的混合特征选择算法 5.3 遗传算法 5.4 增量式特征选择算法(IFSA) 5.5 基于鱼群算法(FSA)的特征选择方法 5.5.1 位置表示 5.5.2 鱼的距离和中心 5.5.3 位置更新策略 5.5.4 适应度函数 5.5.5 中止条件 5.6 基于快速约简和改进和声搜索算法的特征选择(RS-IHS-QR) 5.7 一种基于启发式和穷举算法粗糙集的混合特征选择方法(FSHEA) 5.7.1 特征选择预处理 5.7.2 使用相对依赖算法进行特征优化 5.8 一种基于粗糙集的随机特征向量特征选择方法 5.9 基于启发式的依赖性计算技术 5.10 特征选择的并行依赖性计算方法 5.11本章小结 参考文献 6 基于粗糙集的无监督特征选择 6.1 监督快速约简算法(USQR) 6.2 无监督相对约简算法 6.3 无监督模糊粗糙特征选择 6.4 基于无监督粒子群优化算法的相对约简 (US-PSO-RR)6.5 基于无监督粒子群优化算法的快速约简(US-PSO-QR)6.6 本章小结 参考文献 7 特征选择算法的批判性分析 7.1 特征选择技术的优缺点 7.1.1 过滤（Filter）法 7.1.2 包装法（Wrapper）法 7.1.3 嵌入（Embedded）法 7.2 比较框架 7.2.1执行时间减少百分比 7.2.2 内存使用情况 7.3 不同特征选择算法的对比分析 7.3.1快速约简 7.3.2基于遗传算法的粗糙集 7.3.3 基于粒子群优化的快速约简 7.3.4 增量特征选择算法 (IFSA) 7.3.5 人工鱼群算法（AFSA） 7.3.6 基于穷举和启发式算法的特征选择 7.3.7 基于随机特征向量的特征选择 7.4 本章小结 参考文献 8 基于优势关系的粗糙集方法 8.1 引言 8.2 优势关系粗糙集方法 8.2.1 决策表 8.2.2 优势关系 8.2.3决策类和类合集 8.2.4上近似 8.2.5 下近似 8.3 一些基于优势关系粗糙集的方法 8.4 本章小结 参考文献 9 模糊粗糙集 9.1模糊粗糙集模型 9.1.1 模糊近似 9.1.2 模糊正区域 9.2 基于模糊粗糙集的方法 9.3 本章小结 参考文献 10 基于经典粗糙集的API库介绍 10.1 一个简单的教程 10.1.1 变量声明 10.1.2 数组声明 10.1.3 注释 10.1.4 if - else语句 10.1.5 循环 10.1.6 函数 10.1.7 LBound和UBound函数 10.2 如何导入源代码 10.3 采用正区域计算依赖度 10.3.1 主函数 10.3.2 CalculateDRR函数 10.3.3 SetDClasses函数 10.3.4 FindIndex 函数 10.3.5 ClrTCC 函数 10.3.6 AlreadyExists 函数 10.3.7 InsertObject 函数 10.3.8 MatchCClasses 函数 10.3.9 PosReg 函数 10.4 采用IDC方法计算依赖性 10.4.1 主函数 10.4.2 CalculateDID函数 10.4.3 Insert方法 10.4.4 MatchChrom 方法 10.4.5 MatchDClass 方法 10.5 运用传统方法计算下近似 10.5.1主函数 10.5.2CalculateLAObjects方法 10.5.3 FindLAO方法 10.5.4 SetDConcept 方法 10.6 运用重定义的基本概念计算下近似 10.7 运用传统方法计算上近似 10.8 运用重定义的基本概念计算上近似 10.9 快速约简算法 10.9.1 Miscellaneous方法 10.9.2 Restore方法 10.9.3 C_R 方法 10.10 本章小结 11 基于优势关系粗糙集的API库介绍 11.1 L下近似 . 11.1.1 函数: Find_PL_L_t () 11.1.2 函数: Get_Cl_LE_t 11.1.3 函数: DP_N_X 11.1.4 函数: Find_P_L_G_T11.2 上近似 11.3 本章小结