一、关于属性约简和集合覆盖问题的探讨（论文文献综述）
许晴媛,李进金[1]（2021）在《集覆盖问题的粗糙集属性约简方法》文中进行了进一步梳理集覆盖问题和粗糙集属性约简问题都是当前的研究热点,两者均有广泛的应用背景。目前,集覆盖理论与粗糙集理论的交叉研究还处于起步阶段。文章的工作主要是把集覆盖问题转化成测试代价敏感粗糙集属性约简问题,使得可应用粗糙集理论来研究集覆盖问题,目的在于丰富集覆盖理论与粗糙集理论的交叉研究。首先构造集覆盖的分辨矩阵,然后在该分辨矩阵上构造集覆盖对应的测试代价敏感信息系统模型,发现求解集合覆盖问题等价于求解对应测试代价敏感信息系统的最小测试代价约简。接着给出了基于正域正向近似加速器最小集覆盖问题的粗糙集解法。最后通过实例验证了该算法的可行性和有效性。
朱瑞玥[2]（2020）在《基于最小集合覆盖模型的在线社交网络数据放置策略研究》文中提出随着互联网和在线社交网络应用的不断发展,数以十亿计的用户活跃在大型社交网络平台并产生大量的社交网络数据。在线社交网络数据放置作为社交网络后台支撑系统的关键技术,是社交网络数据管理中一个非常值得研究的方向。面对海量的社交网络数据,如何使资源调度方案更加合理是在线社交网络数据放置问题的首要研究目标。然而现有的数据放置方案中存在大量冗余数据副本,因此本文将在线社交网络数据放置问题转化为最小集合覆盖问题,以改善数据副本效益为重点进行深入研究。本文通过构建相关矩阵首次将最小集合覆盖模型应用到在线社交网络数据放置问题中,针对在线社交网络静态社区和动态社区做了以下两个方面的研究。首先针对在线社交网络静态社区系统开销巨大及系统响应慢的问题,提出一种全新启发式的基于最小集合覆盖模型的在线社交网络数据放置策略（Latency-Constrained Matrix-Based Data Placement Algorithm for Online Social Network,LDS）。此策略通过构建用户时间延迟约束矩阵并进行集合运算从而输出满足时间延迟约束的最小数据副本集合进而减少冗余数据副本数量、改善数据副本效益来达到优化运营成本、提高系统性能的目的。接着针对在线社交网络动态社区的资源分配问题,本文提出基于最小集合覆盖模型的在线社交网络动态数据放置策略（Latency-Constrained Matrix-Based Dynamic Data Placement Algorithm for Online Social Network,LDD）,解决了社交网络用户增减、朋友关系增减情景下的资源调度问题从而优化动态社区数据放置费用和系统性能。本文提出了基于最小集合覆盖模型的在线社交网络数据放置策略,并分别针对在线社交网络静态社区和动态社区进行了深入研究。最终通过实验证明了本文策略能够有效地改善数据副本效益、优化运营成本、提高系统性能并保证用户访问质量（Quality of Service,Qo S）,这对于降低能源消耗和促进节能减排,具有一定的理论和实践意义。
陶玉枝,赵仕梅,谭安辉[3]（2018）在《一种基于决策表约简的集覆盖问题的近似解法》文中指出集覆盖问题和决策信息表的约简问题分别是优化领域和信息处理领域重要的研究课题,但目前的研究大都针对这两个问题分别独立展开.通过分析集覆盖问题的解结构和决策信息表的布尔约简结构,将两者联系起来探讨.首先,给出一个集覆盖问题的布尔矩阵表示,并通过添加决策属性,对集覆盖中的集合进行分类,进一步诱导出一个以该布尔矩阵为条件属性值的决策信息表.其次,分析了决策表和集覆盖的辨识集之间的关系,证明了集覆盖问题的一个局部最优解恰好是该决策表的一个属性约简,即,求解集覆盖问题可等价地转化为求解决策表的属性约简问题.然后,利用决策表中的条件熵来度量集覆盖中一个集合在集族中的相对重要度,并构造了基于条件熵的集覆盖问题的近似算法.最后,运用实例验证了该算法的有效性和可行性,并将新算法与几个传统集覆盖算法进行了对比.实验结果表明,新算法在求得满意解上具有一定的优势.
郑铌,张琳,汪文峰,赵宇,张昭建,陈永革[4]（2017）在《基于扰动搜索属性约简的装备故障诊断研究》文中提出为提高装备故障诊断效率,提出了一种新的粗糙集属性约简方法。首先将属性约简问题转化为集合覆盖问题,在相关矩阵的基础上构建相关系数矩阵;然后基于优质特征集选取原则,引入随机变异机制,设计扰动搜索算法,求出属性约简结果;最后,用UCI数据集和某型复杂装备电源系统进行验证。仿真结果表明,在满足分类精度要求的基础上,有效剔除了冗余属性,缩短了故障诊断时间。
韩素青,阴桂梅[5]（2014）在《一种面向用户需求的属性约简算法》文中指出在已有的属性约简算法中,一般假定属性集中的属性同等重要.然而,对于实际问题,这种假定既不合理也不实际,因为属性的重要性往往与用户的需求相关.许多已经提出的面向用户需求的学习算法给出的结果不能保证与用户的需求完全匹配.将描述用户需求的属性序纳入考虑,并将属性约简问题转化为集合覆盖的约简问题求解,提出一种面向用户需求的属性约简算法,旨在获得满足用户需求或偏好的最小属性约简.理论分析、实验和实例显示,算法可行且有效.
郭晋芳[6]（2013）在《面向用户需求的属性约简方法研究》文中指出属性约简是粗糙集理论研究的核心内容之一,它是指在保持分类能力不变的前提下,将属性集中的冗余（或不必要）属性删除.很多关于属性约简的学习算法都存在这样一个偏置：假设属性集中的属性同等重要.然而,这种假设既不合理,也可能不符合实际Reduct是一类具有特殊意义的属性约简.有不少研究Reduct的学者都是运用启发式的算法来求解Reduct如果把属性集中的属性根据实际情况考虑为具有不同的重要性,那么由此建立的模型可能会更切合实际.本文将以面向用户需求的属性约简方法研究为选题.首先根据现实生活中用户对属性集中属性的不同偏好将其进行粗略的排序,构成属性序的形式来表示属性的不同重要性.然后分别以完备的信息系统,决策表,不完备的信息系统为研究对象,运用覆盖的方法来处理求解Reduct的问题.并将属性序纳入算法的设计之中,建立合理的模型进行讨论研究.本文的主要研究内容如下：（1）信息系统面向用户需求的约简方法：首先将信息系统通过等价关系来划分等价类.根据两两不同的等价类之间的差别构造等价类差别矩阵.建立信息系统属性约简和集合覆盖之间的联系.运用求集合约简覆盖的方法解决属性约简的问题.借助属性序反映用户对属性的偏好,纳入了学习算法设计中.这样得到的结果可能更符合实际,且这样的方法实用,有效.最后运用实例验证了算法的正确性和可行性.（2）决策表面向用户需求的约简方法：文献[19]证明了信息系统的属性约简和集合覆盖问题之间存在着联系.而本算法将以决策表为研究对象,证明决策表的属性约简和集合覆盖之间的对应关系.通过属性序的形式表示用户对属性的不同偏好,然后通过集合覆盖的方法来解决求解决策表的Reduct问题,以此来建立模型.最后对算法进行详细地分析和运用实例验证.（3）不完备信息系统基于属性序的约简方法：文[37]证明了不完备的信息系统属性约简与集合覆盖之间存在着一定的联系.本文运用相容关系将不完备的信息系统进行分类.这些相容类构成决策表的一个覆盖.再根据两两不同的相容类构造相容类差别矩阵,通过该差别矩阵建立属性约简与集合覆盖之间的联系,运用集合覆盖约简的方法来求得信息系统的Reduct与文[37]的算法相比本文算法将会更实用,更合理.
王平[7]（2013）在《基于粗糙集属性约简的分类算法研究与应用》文中研究表明数据分类是数据挖掘领域的一个重要课题,目的在于根据数据集的特点产生一个分类模型,把数据库中未标记的数据映射到给定的具体类别中的某一个。分类的技术主要有两类,一类是基于传统技术,只适合处理确定性的问题；另一类是基于软计算技术,可以灵活处理不确定性,不完整性以及非均匀性的数据。粗糙集是软计算方法中处理不确定性数据的数学工具。粗糙集是在不影响分类能力的情况下,通过属性约简的方式删除知识库中的冗余信息来导出问题的决策或分类规则。属性约简问题是粗糙集理论研究的主要内容之一,已经被证明为NP-hard（?）司题。常用的属性约简算法包括基于差别矩阵的基础算法和基于某种属性重要度的启发式算法等。本文首先介绍了经典的属性约简算法并分析了各自的优缺点,然后将粗糙集的最小属性约简问题和组合优化中的最小集合覆盖问题联系起来。先分析证明了属性约简问题和集合覆盖问题的等价性,在此基础上提出了一种基于改进的相关矩阵的属性约简算法,即先对决策表进行简化,然后对相关矩阵进行预处理,这样有效的避免了空元素和重复元素的存在,经处理后的相关矩阵比传统相关矩阵更简单,在其基础上实现了最小属性约简算法,能够快速求出决策表的最小属性约简并且节省了存储空间。理论分析和实验表明,基于改进的相关矩阵的属性约简算法可减小属性约简的搜索空间,提高约简的效率。由于粗糙集对噪音敏感,在噪声大的环境中存在分类不精确的问题,需要与其他软计算理论和方法相结合。使用神经网络分类时,如果文本特征维数过高就容易导致神经网络不易收敛,文本分类精度低,学习时间太长。所以本文在文本分类中将粗糙集理论和神经网络结合起来,提出了新的分类模型,即粗糙集-神经网络分类模型,把粗糙集的属性约简作为神经网络的前端,将经过特征选择的向量空间模型转化为决策表并离散化,然后对其进行属性约简,以便降低特征空间的维数,缩短神经网络的学习和训练时间,提高分类的精度。最后用该模型对复旦大学李荣陆提供的中文分类语料库进行了文本分类,实验结果表明,该分类模型有更高的分类准确率、召回率和F1值。最后,结合北京慈铭健康体检集团的实际数据库,运用粗糙集-神经网络分类模型进行体重预测,准确率达到了77.6%。
张文鹏,李红婵,王兴[8]（2011）在《结合类内集中度和最小集合覆盖的特征选择》文中研究表明特征选择是文本分类中的核心研究课题之一。简单分析了词频和文档频,在此基础上提出了类内集中度,把集合覆盖的思想引入粗糙集并提出了一个基于最小集合覆盖的属性约简算法,把该属性约简算法同类内集中度结合起来,提出了一个新的特征选择方法。该方法利用类内集中度进行特征初选以过滤掉一些词条来降低特征空间的稀疏性,利用所提约简算法消除冗余,从而获得较具代表性的特征子集。实验结果表明此种特征选择方法效果良好。
周丽[9]（2011）在《实值信息系统属性约简算法研究》文中进行了进一步梳理属性约简是粗糙集理论的重要应用,也是其核心问题之一。但是,经典粗糙集理论模型建立在不分明关系（等价关系）基础上,它处理的属性值是清晰的离散值,而对现实世界中广泛存在的实值信息系统却不能直接处理,即无法利用连续属性值来建立等价关系,从而使经典粗糙集理论的应用大大受到了限制。因此,探究实值信息系统的有效属性约简方法显得尤为重要,同时发展这方面的理论也是十分必要的。本文首先系统的阐述了粗糙集理论的总体研究情况,深入研究了经典粗糙集的理论框架、概念基础以及粗糙集理论的核心—知识约简,讨论了知识约简与信息系统、决策系统的关系。其次,简单介绍了粗糙集的属性约简理论以及现有的属性约简算法,包括基于可辨识矩阵和逻辑运算算法、基于信息熵的算法和基于信息量的算法。再次,在总结和借鉴前人研究成果的基础上,针对普遍存在的实值信息系统,给出了两种不同的实值属性约简算法:第一种是基于区分矩阵的实值属性约简算法。该方法将经典粗糙集理论对数据空间的等价划分转换为基于邻域关系的粒化,从而形成论域的一个覆盖,通过定义对象之间关于单个属性的相似度以及构造区分矩阵,同时应用集合覆盖和属性约简之间的联系,将实值信息系统的最小属性约简问题转化为最小集合覆盖问题,给出了实值信息系统最小属性约简的算法。并采用UCI机器学习中心库中4个不同的数据集进行实证,实验结果表明,该约简方法可以选择较少的属性而保持或改善分类能力。第二种是基于信息量的实值属性约简算法。该方法在已有典型的基于信息量的属性约简方法的基础上,对其进行拓展。通过构造关于单个属性的相似矩阵,重新定义属性的信息量、联合信息量、条件信息量以及属性的相对重要性。在算法实现上,以空集为起点,逐次选择使属性相对重要性最大的属性添加到约简集中,同时给定一个属性相对重要性的阈值ε,作为算法终止的条件。给出多个实例仿真,验证了该算法的可行性和有效性。此外,针对更一般的信息系统（不完备实值信息系统）,在上述提出的两种算法基础上,结合容差关系,给出了适用于更广泛的信息系统属性约简方法。
马超,陈西宏,徐宇亮,姚懿玲[10]（2011）在《基于支持向量机属性约简集成的模拟电路故障诊断》文中研究说明针对模拟电路故障数据存在大量无关或冗余特征的特点,为进一步提高故障诊断准确率,提出支持向量机属性约简集成的模拟电路故障诊断新方法。首先证明一致决策表属性约简与集合覆盖的等价性,将最优属性约简问题转化成最小集合覆盖问题;然后在结合混沌优化产生初始信息素分布和进行混沌扰动的基础上,设计求解最小集合覆盖问题的混沌蚁群算法;最后给出基于属性约简集成的模拟电路故障诊断模型。用双二次滤波电路对算法进行验证,取得97.8%的故障诊断准确率,与其他方法进行比较,结果显示了本文方法的优越性。
二、关于属性约简和集合覆盖问题的探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关于属性约简和集合覆盖问题的探讨（论文提纲范文）
（1）集覆盖问题的粗糙集属性约简方法（论文提纲范文）
| 1 基本概念 |
| 1.1 集覆盖问题 |
| 1.2 测试代价敏感粗糙集属性约简问题 |
| 2 集覆盖问题的粗糙集模型 |
| 3 基于正域正向近似加速器的最小集覆盖问题解法 |
| 4 案例 |
| 5 总结 |
（2）基于最小集合覆盖模型的在线社交网络数据放置策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及组织结构 |
| 1.4 本章小结 |
| 第二章 相关基础知识 |
| 2.1 在线社交网络概述 |
| 2.1.1 社交网络工作流程 |
| 2.1.2 在线社交网络模型 |
| 2.1.3 社交网络成本模型 |
| 2.1.4 时间延迟约束模型 |
| 2.2 在线社交网络数据放置技术 |
| 2.2.1 数据存储技术 |
| 2.2.2 数据划分技术 |
| 2.2.3 副本放置技术 |
| 2.3 数学理论基础 |
| 2.4 本章小结 |
| 第三章 静态社区的数据放置策略研究 |
| 3.1 问题描述与示例分析 |
| 3.2 模型建立 |
| 3.3 算法介绍 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验方案 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第四章 动态社区的数据放置策略研究 |
| 4.1 问题描述与示例分析 |
| 4.2 模型建立 |
| 4.3 算法介绍 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验方案 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 在读期间发表的学术论文 |
| 致谢 |
（3）一种基于决策表约简的集覆盖问题的近似解法（论文提纲范文）
| 1 相关的基础知识 |
| 1.1 决策表的属性约简 |
| 1.2 集覆盖问题 |
| 2 集合覆盖的决策表表示 |
| 3 基于信息熵的集合覆盖近似算法 |
| 4 实验 |
| 5 结语 |
（4）基于扰动搜索属性约简的装备故障诊断研究（论文提纲范文）
| 0 引言 |
| 1 粗糙集的属性约简 |
| 2 基于扰动搜索算法的属性约简 |
| 2.1 构造相关系数矩阵 |
| 2.2 优质特征集的选择 |
| 2.3 扰动搜索算法 |
| 3 仿真验证 |
| 3.1 算法检验 |
| 3.2 实例应用 |
| 3.3 结果分析 |
| 4 结语 |
（5）一种面向用户需求的属性约简算法（论文提纲范文）
| 1引言 |
| 2相关概念 |
| 2. 1属性约简与最小属性约简 |
| 2. 2集合的覆盖与覆盖约简 |
| 2. 3用户需求及其描述 |
| 3属性约简与集合覆盖约简 |
| 3. 1差别矩阵与差别表 |
| 3. 2差别表简化 |
| 3. 3属性约简与集合覆盖之间的关系 |
| 4面向用户需求的最小覆盖约简算法 |
| 5实验与结果分析 |
| 6结束语 |
（6）面向用户需求的属性约简方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景、目的及意义 |
| §1.2 国内外研究现状 |
| §1.3 本文主要研究内容 |
| §1.4 论文的组织结构 |
| 第二章 预备知识 |
| §2.1 覆盖及约简覆盖 |
| §2.2 用户需求的描述 |
| §2.3 本章小结 |
| 第三章 信息系统面向用户需求的约简模型 |
| §3.1 基本概念 |
| 3.1.1 属性约简与Reduct |
| 3.1.2 约简和覆盖之间的联系 |
| §3.2 信息系统的约简算法 |
| §3.3 实例验证及其算法分析 |
| 3.3.1 实例验证 |
| 3.3.2 算法分析 |
| §3.4 本章小结 |
| 第四章 决策表面向用户需求的约简方法 |
| §4.1 相关概念 |
| 4.1.1 决策表的属性约简和Reduct |
| 4.1.2 决策表约简和覆盖之间的联系 |
| §4.2 决策表的约简算法 |
| §4.3 实例及其算法分析 |
| 4.3.1 实例分析 |
| 4.3.2 算法分析 |
| §4.4 总结 |
| 第五章 不完备信息系统面向用户需求的约简方法 |
| §5.1 不完备信息系统 |
| 5.1.1 基本定义 |
| 5.1.2 约简算法 |
| §5.2 实例及其算法分析 |
| 5.2.1 实例分析 |
| 5.2.2 算法分析 |
| §5.3 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 个人简况 |
（7）基于粗糙集属性约简的分类算法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景介绍 |
| 1.2 研究现状 |
| 1.3 本文的主要工作 |
| 1.4 论文的组织结构 |
| 2 分类方法概述 |
| 2.1 分类方法的过程 |
| 2.2 主要的分类方法 |
| 2.2.1 决策树分类法 |
| 2.2.2 贝叶斯分类 |
| 2.2.3 神经网络 |
| 2.2.4 K最近邻分类 |
| 2.2.5 支持向量机 |
| 2.3 粗糙集的基本理论 |
| 2.3.1 粗糙集的基本定义 |
| 2.3.2 粗糙集研究的主要问题 |
| 3 属性约简算法研究 |
| 3.1 属性约简的基本概念及经典算法 |
| 3.1.1 属性约简的基本概念 |
| 3.1.2 属性约简的经典算法 |
| 3.2 改进的属性约简算法 |
| 3.2.1 属性约简和集合覆盖问题 |
| 3.2.2 决策表预处理 |
| 3.2.3 基于改进的相关矩阵的约简算法 |
| 3.2.4 改进的最小属性约简算法 |
| 3.3 实验结果分析 |
| 4 基于粗糙集的文本分类器RS-BPNN |
| 4.1 文本分类流程 |
| 4.2 基于粗糙集的神经网络分类算法 |
| 4.2.1 文本预处理 |
| 4.2.2 特征选择与表示 |
| 4.2.3 决策表转化并离散化 |
| 4.2.4 属性约简 |
| 4.2.5 神经网络分类 |
| 4.3 性能评估测试 |
| 4.4 实验及结果分析 |
| 5 RS-BPNN在体重预测中的应用 |
| 5.1 应用背景 |
| 5.2 数据预处理 |
| 5.3 进行属性约简 |
| 5.4 分类结果及分析 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）实值信息系统属性约简算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 引言 |
| 第一章 绪论 |
| 1.1 粗糙集提出的背景 |
| 1.2 粗糙集理论的发展概述 |
| 1.3 粗糙集理论的研究现状及研究方向 |
| 1.4 课题的研究意义 |
| 1.5 研究内容与结构安排 |
| 第二章 粗糙集理论基础 |
| 2.1 知识、分类与知识库 |
| 2.2 不精确，近似范畴与粗糙集 |
| 2.3 知识表达系统与决策表 |
| 2.4 知识约简与知识依赖性 |
| 2.5 本章小结 |
| 第三章 信息系统属性约简理论 |
| 3.1 属性约简 |
| 3.2 完备信息系统下的几种典型属性约简方法 |
| 3.2.1 基于可辨识矩阵和逻辑运算的属性约简算法（Skowron） |
| 3.2.2 基于信息熵的属性约简算法 |
| 3.2.3 基于信息量的属性约简算法 |
| 3.3 本章小结 |
| 第四章 实值信息系统属性约简 |
| 4.1 基于区分矩阵的完备实值信息系统属性约简算法 |
| 4.1.1 基于邻域的粒化 |
| 4.1.2 相似度 |
| 4.1.3 集合覆盖和属性约简 |
| 4.1.4 基于区分矩阵的属性约简算法 |
| 4.1.5 实例仿真 |
| 4.2 基于区分矩阵的不完备实值信息系统属性约简算法 |
| 4.2.1 广义的邻域粒化 |
| 4.2.2 拓展的相似度 |
| 4.2.3 不完备实值信息系统属性约简算法 |
| 4.2.4 实例仿真 |
| 4.3 基于信息量的完备实值信息系统属性约简算法 |
| 4.3.1 信息量与条件信息量 |
| 4.3.2 属性约简的定义与算法 |
| 4.3.3 实例仿真 |
| 4.4 基于信息量的不完备实值信息系统属性约简算法 |
| 4.4.1 拓展的相似矩阵 |
| 4.4.2 实例仿真 |
| 4.5 本章小结 |
| 第五章 结束语 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间公开发表论文（着）及科研情况 |
（10）基于支持向量机属性约简集成的模拟电路故障诊断（论文提纲范文）
| 1 引言 |
| 2 基于属性约简的集成特征选择 |
| 2.1 相对属性约简与集合覆盖的等价性 |
| 2.2 基于混沌蚁群算法的相对属性约简 |
| 2.2.1 启发式信息 |
| 2.2.2 初始信息素分布 |
| 2.2.3 信息素混沌扰动 |
| 2.2.4 属性约简算法 |
| 3 故障诊断模型 |
| 4 模拟电路故障诊断实例 |
| 5 结论 |
四、关于属性约简和集合覆盖问题的探讨（论文参考文献）
- [1]集覆盖问题的粗糙集属性约简方法[J]. 许晴媛,李进金. 模糊系统与数学, 2021(01)
- [2]基于最小集合覆盖模型的在线社交网络数据放置策略研究[D]. 朱瑞玥. 安徽大学, 2020(02)
- [3]一种基于决策表约简的集覆盖问题的近似解法[J]. 陶玉枝,赵仕梅,谭安辉. 南京大学学报(自然科学), 2018(04)
- [4]基于扰动搜索属性约简的装备故障诊断研究[J]. 郑铌,张琳,汪文峰,赵宇,张昭建,陈永革. 弹箭与制导学报, 2017(01)
- [5]一种面向用户需求的属性约简算法[J]. 韩素青,阴桂梅. 模式识别与人工智能, 2014(03)
- [6]面向用户需求的属性约简方法研究[D]. 郭晋芳. 山西大学, 2013(02)
- [7]基于粗糙集属性约简的分类算法研究与应用[D]. 王平. 大连理工大学, 2013(09)
- [8]结合类内集中度和最小集合覆盖的特征选择[J]. 张文鹏,李红婵,王兴. 计算机工程与应用, 2011(28)
- [9]实值信息系统属性约简算法研究[D]. 周丽. 江西师范大学, 2011(05)
- [10]基于支持向量机属性约简集成的模拟电路故障诊断[J]. 马超,陈西宏,徐宇亮,姚懿玲. 仪器仪表学报, 2011(03)