改进K-means结合深度学习的不完备信息选取
2021-11-17宋新鹏张彦波
计算机仿真 2021年9期
宋新鹏,张彦波
(1.河南大学信息化管理办公室,河南 开封,475004) 2.河南大学物理与电子学院,河南 开封,475004)
1 引言
随着信息技术的高速发展,现实生活中的数据信息量越来越大。由于数据信息在获取过程中的有限性,及测量过程中的误差性等原因,导致数据理解不全面,所掌握的数据信息通常不完备[1-2]。同时很多信息常常具有属性偏好,如学生成绩、工作效率、产品质量、投资回报等等,这些属性值会导致偏好次序的形成[3]。传统的粗糙集理论在数据分析方面起了很大的作用,然而该理论对噪声数据处理效果不好,在多粒度的信息系统中,信息的多属性值难以获取或经常丢失,因此对于不完备信息系统进行研究具有重要的意义,大量学者也在传统的粗糙集模型基础上进行了改进。文献[4]提出一种不完备邻域决策粗糙集的最小化代价属性简约算法,该方法在连续型数据系统中引入不完备邻域关系,利用二元关系对信息集进行重新构造,实验结果表明,该方法具有较好的约简性能,然后对于更加复杂的信息系统模型优势不明显。文献[5]提出一种基于信息熵的不完备数据特征选择算法,该方法以不完备信息作为特征准则,通过数据特征对熵值进行分析,解决了数据间的特征相关问题。实验结果表明,该算法具有较高的选择速度和正确率,然而由于空值的影响,该方法不能直接对不完备信息进行分析处理。文献[6]提出一种面向不完备信息系统的集对K-means聚类算法,该方法通过集对度量方法,取得初步聚类数据,然后将其分到相应域的边界域,最后通过选取UCI数据库的多个数据集进行实验评价。……
登录APP查看全文
