一、一种基于条件熵的粗糙集属性约简算法（论文文献综述）
胡声丹,苗夺谦,姚一豫[1]（2021）在《基于三支标签传播的半监督属性约简》文中研究说明属性约简是粗糙集理论的重要应用之一.为了对部分标记的数据进行属性约简,一些基于粗糙集的半监督属性约简方法相继被提出,但这些方法在数据信息利用、运行代价、约简质量等方面仍然存在挑战.本文针对混合型分类数据,提出了一种新的基于三支标签传播的半监督属性约简（3WLPME）方法.该方法包括两个过程:三支标签传播（3WLP）和基于混合熵的启发式属性约简（MEHAR）.其中,3WLP在经典标签传播算法的基础上,结合三支决策和主动学习思想,对无标签数据进行标注,并更新有标签集和无标签集.迭代执行上述过程直至收敛,可以提升最终的伪标签准确率.在MEHAR中,属性重要度由混合熵度量.基于依赖度和条件熵定义的混合熵,融合了粗糙集的代数表示和信息表示,能更深刻地反映属性的分类能力.本文对3WLP算法和MEHAR算法的有效性进行了理论分析.在UCI数据集上进行了以下仿真实验:3WLP与随机标签传播在伪标签准确率上的对比;不同属性约简算法在约简质量上的对比;3WLPME与其他基于粗糙集的半监督属性约简方法,在约简质量上的对比.实验结果验证了3WLP能获得较高的伪标签准确率;MEHAR在不降低分类准确率的前提下,能获得较小的约简;3WLPME在半监督约简过程中具有更高的效率和稳定性,说明本文所提方法是有效的.
唐玉凯[2]（2021）在《不完备决策系统下的高效属性约简算法研究》文中研究表明计算机技术及互联网的高速发展,使得海量且复杂的信息数据产生,此类数据规模巨大、维度过高、数据类型复杂（如符号型、集值型、区间值型、不完备型）且具有动态变化等特性。从此类大规模复杂数据中快速有效地获取知识成为目前的研究重点之一。粗糙集理论作为知识获取的重要方法之一,能够有效处理不确定性信息。随着粗糙集理论的发展,其重要研究内容属性约简正被应用于不同数据背景和约简目标,大量属性约简算法被提出。然而,现有的属性约简算法在处理大规模复杂数据时,计算效率较低。因此,本文在不完备决策系统下对基于差别矩阵的广义决策约简以及基于条件熵的属性约简进行了研究,分别提出不完备决策系统下多特定决策类广义决策约简算法和不完备决策系统下基于条件熵的增量式属性约简算法,主要工作如下:（1）针对在实际应用过程中存在决策者仅对某几个特定决策类感兴趣的情况,在不完备决策系统下,针对单个和多个特定决策类,分别给出了相应广义决策约简的定义,并构造了相应的差别矩阵。基于差别矩阵,设计了多特定决策类广义决策约简算法。实验与经典全决策类属性约简算法作比较,当选定决策类数量较少时,提出算法可得到更短的约简,并且在计算属性约简过程中时间消耗和空间消耗都有不同程度的降低。（2）针对数据呈现动态变化这一特性,通过分析动态新增对象后初始相容类的变化,研究动态新增对象对初始条件熵的影响,分别建立条件熵的单增量更新机制和组增量更新机制,并分析证明单增量更新机制和组增量更新机制的有效性与可行性。基于条件熵的增量更新机制,定义了属性重要度的度量,简化了求解约简的过程。在此基础上,设计了增量式属性约简算法用于更新动态不完备决策系统的约简。实验与传统非增量属性约简算法进行对比,本文提出算法可得到正确的约简结果,并且约简效率有明显提升。
赵茁君[3]（2021）在《基于优势粗糙集的多准则分类方法研究》文中研究表明多准则分类是指通过一簇有序的条件属性（或称为条件准则）,将具有优先顺序的决策类进行分类。在现有研究中,基于优势关系的优势粗糙集方法已经成功地被引入到多准则分类问题中,用来表达和解释与优势原则不一致的问题。在实际应用中,属性值往往具有层次结构,可以让人们从不同的角度组织、查看和分析数据,以适应偏好的变化。然而,在已有研究之中,分层多准则决策系统中的属性约简还未涉及,已有关于近似集更新的增量学习研究也只是局限于完备多准则决策系统,鉴于此,本文研究在完备分层多准则决策系统中的属性泛化约简,进一步,将属性泛化约简推广至不完备多准则决策系统之中,并给出相应的近似更新算法。首先将属性值分类和切割引入到完备分层多准则决策系统中,研究了在完备分层多准则决策系统中最细层准则值下属性约简和属性泛化约简之间的关系,证明了属性约简是特殊的属性泛化约简。基于此,从最细层属性约简集的属性值分类树出发,利用优势条件熵进行属性泛化约简,设计了完备分层多准则决策系统的属性泛化约简算法,并通过算例详细地说明了该算法的整个流程,给出了实验验证。结论表明,所提出的属性泛化约简算法能够在保持原始数据分类能力不变的情况下,客观地控制属性的泛化程度,可将约简集中的属性泛化到相对较高的粒度层次,进而获得更好的分类性能,计算出更小的规则集,得到更加泛化的知识。其次,将属性值分类和切割引入到不完备分层多准则决策系统中,研究了不完备分层多准则决策系统中的不同粒度间知识粒下粗糙近似的增量更新方法,给出了切割细化下优势类、决策类向上联合的粗糙近似更新算法,并将属性泛化约简算法拓展至不完备情形,通过算例对其进行了验证。
唐荣[4]（2021）在《基于增量条件熵的不完备数据特征约简方法研究》文中提出随着新兴信息技术的高速发展,数据存储的规模表现出前所未有的增长速度。大数据环境下的数据不仅仅表现出数据规模急剧膨胀,同时也呈现出数据质量低下、价值密度稀疏的鲜明特征。此外,数据随时间的推移产生得快,变化得快,折旧得也快,数据流已成为大数据环境中一种主流的数据存在形式。因此,对大数据的采集及分析应是一个不断优化、持续更新的增量优化过程。海量高维、动态低质的数据导致数据挖掘与知识发现算法所需要的计算代价和存储资源呈指数级增长。特征约简作为一种重要的数据处理技术,其目的在于从高维数据提取能够反映原始数据特性的低维表示,已成为机器学习与模式识别等领域广泛关注的热点问题。大数据环境下数据所表现出的动态更新、质量低下等特性给特征约简问题带了新的挑战,成为了当前该领域中一项紧迫又重要的研究课题。粗糙集理论是一种能够有效的处理不一致、不精确信息的数据建模与知识获取工具,已被广泛应用于机器学习、数据挖掘等领域中。粗糙集理论能够更客观的处理问题,因为其只依据数据集中所携带的信息处理问题,而不需要数据集之外的任何先验信息。作为不确定信息的量化度量方式,信息熵可以有效度量特征的不确定性,此外还能对特征之间的相关或依赖程度进行准确刻画。因此,本文主要研究面向不完备数据的动态特征约简方法,粗糙集和信息熵理论为本文的研究提供了重要的理论支撑。本文以相容和邻域粗糙集模型作为特征约简的理论框架,以动态不完备数据的不同变化情形作为研究主线,将增量学习技术引入到动态不完备数据的特征约简问题中,提出不完备数据下最优特征子集的动态求解方法,发展了若干基于增量条件信息熵的高效特征约简算法,为动态不完备数据中的数据建模与分析挖掘提供了新的理论方法与处理技巧。本文在面向不完备数据的动态特征约简方法研究中主要取得以下的研究成果。（1）针对不完备数据中样本集动态增长情况,刻画了特征空间上相容类与标签空间上决策等价类的动态更新模式,建立了条件熵的增量计算机制,将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,并提出了不完备数据中面向样本集规模动态增长的增量特征约简算法。实验证明了提出的增量算法是一种可行且高效的特征约简方法。（2）针对不完备数据中特征值动态更新问题,刻画了不完备决策系统中论域上条件划分与决策分类的动态更新模式,分析了作为特征重要度评价准则的不完备相容条件熵的增量计算机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进一步设计了不完备数据中基于动态特征值域的增量特征约简算法。实验结果表明算法能有效、高效的处理特征值动态更新问题。（3）针对同时含有名义型和数值型特征的不完备混合数据,刻画了样本集动态增长时特征空间上邻域容差类与标签空间上决策等价类的动态更新模式,建立了邻域容差信息熵、联合熵、以及条件熵的增量更新机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进而设计了不完备混合数据中面向样本规模动态增长时的增量特征约简算法。实验结果证明了所提出算法的可行性、高效性。
刘丽娜[5]（2021）在《多源模糊邻域系统中不确定性度量的层次构建和属性约简》文中进行了进一步梳理信息技术的飞速发展使得具有不确定性的数据爆炸式的增长,越来越严峻地考验着人们的数据收集和分析能力。面对大数据所带来的信息系统的不确定性,不确定性度量的有效构建便成为研究数据挖掘和知识获取的重要课题。模糊集理论、粗糙集理论和信息熵理论作为处理不确定性信息的有力数学工具,提出了很多切实有效的约简算法。本文以模糊集的一个分支——直觉模糊集为基础,研究其等价类的层次构建和属性约简问题,以及其相似度量在直觉模糊决策和直觉模糊多粒度决策上的模型构建问题。主要工作如下:（1）直觉模糊信息系统中二元直觉模糊相容关系下的（α,β）-水平截集Rαβ和二元直觉决策目标概念下的（α,β）-水平截集Xαβ具有很好的划分性质,本文利用粒计算和贝叶斯定理,构造了直觉模糊信息系统下决策表的三层粒度和三向信息度量。对于决策表,根据形式结构和系统粒度的不同,将其按微观底层、中观中层和宏观高层来进行层次结构划分,而后通过贝叶斯定理得到不同的信息度量。本文通过分析在传统意义下层次粒结构不具有单调性的原因,对微观底层的条件概率进行改进,然后以集成的方式一步步实现微观底层到中观中层再到宏观高层的演化,并使得改进后的三层粒结构具有粒化单调性和演化系统性。最后,通过算法和示例有效地说明了结构和结果信息,并进一步的实现信息的属性约简。（2）鉴于现有直觉模糊相似性度量在某些语义下存在一些“违反直觉”的情况,本文在综合考虑隶属度、非隶属度和犹豫度的条件下构建了一个新的相似度量,并对其进行了可行性证明和优劣性分析。以新构建的相似性度量为基础,进一步的在直觉模糊信息系统中定义了直觉模糊相似类,构造了直觉模糊决策模型。而后在多源直觉模糊信息系统中构造了多粒度直觉模糊决策模型,讨论了其相关性质,并以实例的形式给出了合理的结果。
张雨新,孙达明,李飞[6]（2021）在《基于粒化单调的不完备混合型数据增量式属性约简算法》文中研究表明增量式属性约简是一种针对动态数据集的新型属性约简方法。然而目前的增量式属性约简很少有对不完备混合型的信息系统进行研究。针对这类问题提出一种属性增加时的增量式属性约简算法。在不完备混合型信息系统下引入邻域容差关系。基于邻域容差关系的粒化单调性,提出信息系统属性增加时邻域容差条件熵的增量式更新方法,并提出了不完备混合型信息系统下的邻域容差条件熵增量式属性约简算法。实验分析表明了该算法的有效性。
毛振宇[7]（2021）在《属性约简下的集成分类方法研究》文中认为随着科学技术的飞速发展与进步,我们正在慢慢进入一个数据时代,数据的规模正在呈现一个爆炸式增长,并且这些大规模数据中往往存在着大量的冗余信息以及一些噪声数据。面对这些冗余复杂、充满噪声的数据,如何进行高效的处理分析成为了关键。为了更好的处理这些复杂多样的数据,我们可以从三个方面着手:（1）针对高维数据,降低数据的属性维度,一般有属性约简方法;（2）针对噪声数据,直接从源头处找出这些噪声,从而减少噪声对后续数据处理分析的影响,一般有基于模型预测的噪声数据过滤方法;（3）针对多角度分析数据,可以结合多种学习器从不同视角来分析数据,一般有集成学习方法。本文在全面介绍了属性约简以及集成学习的基础上,从构建新型粗糙集模型开始,探索应对复杂多样数据的属性约简与分类方法,其中还考虑到噪声数据的影响,最后将属性约简运用到集成分类的过程之中。具体内容如下所示:（1）在邻域粗糙集中,往往借助给定的半径来约束样本之间的相似性进而实现邻域信息粒化。若给定的半径较大,不同类别的样本将落入同一邻域中,易引起邻域中信息的不精确或不一致。为改善这一问题,已有学者给出了伪标记邻域的策略。然而邻域粗糙集和伪标记邻域粗糙集都仅仅使用样本间的距离来度量样本之间的相似性,忽略了邻域信息粒内部不同样本所对应的邻域之间的结构关系。鉴于此,通过引入邻域距离度量,提出了一种共现邻域的信息粒化机制,并构造了新型的共现邻域粗糙集模型以及伪标记共现邻域粗糙集模型。在此基础上,利用启发式近似质量约简算法实现了所构造的两种模型下的属性约简求解。实验结果表明,与传统邻域关系以及伪标记邻域关系所求得的约简相比,利用共现邻域方法求得的约简能够在不降低分类器准确率的前提下产生更高的约简率。（2）在实际生活应用中,噪声数据可能会广泛存在于数据集之中,如果对这些噪声数据直接进行属性约简,往往会产生各种各样的不利影响。因此我们将其分为噪声数据过滤阶段和属性约简阶段。首先在噪声数据过滤阶段,考虑不同样本周围邻居密度不同的情况,利用邻域思想并结合分类策略提出了一种度值噪声过滤方法;其次在属性约简阶段,利用随机约简可以得到多个有差异性的属性子集,从而对其进行集成学习的思想,提出了一种条件熵随机约简集成分类方法,该方法在传统启发式算法基础上,放宽约束条件,从而可以在一定范围内利用属性随机选择的方法获取多个不同的属性约简子集,随后利用这些属性子集在基分类器上的结果进行投票集成,得到最终的分类结果。实验结果表明,度值噪声过滤方法可以减少噪声数据带来的影响,提高分类器在噪声数据上的分类性能;并且对于后续提出的属性约简下的集成分类方法,不仅可以有效提升分类准确率,而且还可以保持一个较好的分类稳定性。
李虹欣[8]（2020）在《基于条件熵的邻域粗糙集属性约简算法及其应用》文中进行了进一步梳理在爆炸的信息时代,数据规模的增长速度远远超过人类分析与应用的能力。粗糙集理论作为一种数学工具,能够在处理模糊、不精确数据时发挥其优点,不需要提供任何除所原始数据以外的先验信息,在处理不确定性问题时更客观。近几年之中在数据挖掘、模式识别与人工智能等领域得到广泛的应用并快速发展。属性约简作为邻域粗糙集理论的最广泛应用之一,它能够在信息系统中保持其分类、决策能力不变,将不相关、冗余的属性摒弃,从而提取关键属性、简化信息系统。本文提出一种在信息观点下基于条件熵的邻域粗糙集属性约简算法,基于UCI数据集对算法进行有效性验证,并应用该算法处理铝合金焊接接头疲劳寿命,获得关键影响因素,设计拟合基于疲劳特征域的S-N曲线,研发基于疲劳特征域的焊接接头疲劳分析系统。（1）提出了一种基于条件熵的邻域粗糙集属性约简算法（Neighborhood Rough Set Based on Conditional Entropy算法）本文引入信息论,在信息观点下构建邻域粗糙集模型,提出邻域信息熵、邻域条件熵,将邻域条件熵作为属性重要度的度量方式,并以此作为启发条件,提出一种基于条件熵的邻域粗糙集属性约简算法。在UCI数据集上,进行实验分析,验证算法的有效性。（2）提出一种基于疲劳特征域的S-N曲线拟合优化方法为了能够实现降低分散度和降低S-N曲线的标准差,同时又提高疲劳寿命的预测精度,引入了疲劳特征域概念。本文构建焊接接头疲劳决策系统,并提供一种基于改进邻域粗糙集的主S-N曲线拟合方法,以NRSBCE算法对数据进行处理,获得疲劳寿命关键影响因素,从而划分疲劳特征域;根据划分的疲劳特征域进行基于疲劳特征域的主S-N曲线拟合,得到一组S-N曲线簇。（3）设计研发基于疲劳特征域的焊接接头疲劳分析系统利用NRSBCE算法,设计研发基于疲劳特征域的焊接接头疲劳分析系统。通过上传数据集来获得基于网格不敏感结构应力法的主S-N曲线拟合图像和基于疲劳特征域的主S-N曲线簇;从算法角度与邻域粗糙集前向搜索快速属性约简算法结果进行比较。演示了系统的有效性,也为铝合金焊接接头工业生产提供新的技术应用。NRSBCE算法将信息论与邻域粗糙集理论结合提出邻域条件熵的概念,并作为属性重要度的度量,NRSBCE算法不仅能够获得较高的收敛精度,也能在较短的时间内获得更小的约简集合;与此同时,利用该算法进行铝合金焊接接头疲劳影响因素中关键影响因素的提取,从而划分疲劳特征域,获得基于疲劳特征域的主S-N曲线簇;在基于疲劳特征域的焊接接头疲劳分析系统中,使用本算法对铝合金焊接接头疲劳影响因素进行有效分析,并对改进前后的S-N曲线拟合进行可视化,具有很大的实用价值和应用性。
徐洋[9]（2020）在《面向邻域粗糙集模型的不确定性度量方法研究》文中研究表明粗糙集理论作为一种能够处理不精确、不一致和不完备数据的数学工具,其在不确定性度量方面的显着性能以及处理过程中不需要任何先验知识的特性受到了国内外专家的广泛关注。数值型数据是目前信息系统中的常见类型,由于经典粗糙集模型在处理数值型数据时存在一定的不足,为了能够更好处理数值型数据,学者们提出了邻域粗糙集模型。邻域粗糙集模型作为一种重要的扩展粗糙集模型,其不确定性度量是重要的研究内容。针对邻域粗糙集模型的不确定性度量方法,本文的具体工作如下:（1）最大决策邻域粗糙集模型是一种有效的邻域粗糙集模型,但是缺少有效的度量方法,本文针对该问题,研究了最大决策邻域粗糙集模型的不确定性度量方法。首先分别给出了该模型下的最大决策邻域精度、最大决策邻域粗糙度和最大决策邻域粒度三种不确定性度量方法。在此基础上,融合最大决策邻域粗糙度和最大决策邻域粒度提出最大决策邻域混合度量的定义,该度量方法结合了最大决策邻域粗糙度和最大决策邻域粒度的优点,是一种更加有效的不确定性度量方法。在UCI公开数据集上进行实验对比,实验结果表明本文所提出的不确定性度量方法具有更好的度量效果,提出的算法在属性约简后的分类结果上也有较高的精度。（2）针对邻域粗糙集模型中现有不确定性度量方法存在的两个问题:一是基于边界域的不确定性度量方法没有区分边界域中属于目标概念的对象和不属于目标概念的对象对不确定性的影响,二是仅基于单纯的信息熵和条件熵的度量结果在一定程度上会放大粗糙集的不确定性。本文在邻域粗糙集模型下,对基于信息熵和条件信息熵的不确定性方法进行改进。首先将边界域加入到不确定性度量方法的设计中,并且考虑边界域中属于目标概念的对象和不属于目标概念的对象对不确定性的影响,给出了边界域信息熵和边界域条件信息熵的定义,并提出了相关性质。其次本文将所提的边界域信息熵、边界域条件信息熵和近似粗糙度相融合,给出了粗糙边界信息熵和粗糙边界条件信息熵的定义,这两种度量方法结合了邻域粗糙集不确定性度量的代数观点和信息论观点,是一种更加全面的不确定性度量方法。最后在UCI公开数据集上进行实验,实验结果表明本文提出的四种不确定性度量方法均有较好的度量效果,并且在属性约简和分类实验中,粗糙边界信息熵和粗糙边界条件熵具有更好的约简效果和更高的分类精度。
侯文丽[10]（2020）在《基于邻域粗糙集的增量属性约简算法研究》文中指出在科技时代背景下,信息技术时刻在高速率地发展着,各行各业中产生了大量的数据,据不完全统计,在互联网中每天有数万亿PB数据不断更新和增长。这不得不使得人们在收集大规模数据,以及储存处理数据的这些方面的技能迫切提升。在许多工业、教育以及医疗行业中都存在着大量多维的数据,针对于此类数据进行一定程度的数据分析,有利于人们从数据中挖掘出来隐藏在数据背后的有价值的信息,同时,也有利于预测出下一阶段数据的变化情况,这样,有利于针对于动态变化的数据提前做好应对之策。总之,数据挖掘和智能信息处理目前已经是研究工作者们近些年来重点关注的研究内容之一。粗糙集理论是用来处理模糊、不确定、不完备数据的一种有效的数学工具,它的优势在于很多时候仅仅需要利用生成的数据表中的信息本身,并不需要计算出其他的概率论的有关数学知识,如先验知识和其它附加信息等,通过简单的分析处理就可以很便利地分析数据表中的各项数据,进而发现隐藏在数据表中背后的有用的有研究意义的知识或者数据,粗糙集理论一定程度上,揭示潜在数学规律。就目前看来,粗糙集理论以及衍生出来的邻域粗糙集理论、变精度粗糙集理论、模糊粗糙集理论和覆盖粗糙集理论等理论,这些相关理论已经大量运用在数据挖掘、智能信息处理、模糊识别和知识约简等科学研究。属性约简是在保持属性区分能力不改变或者大方向不改变的情况下,去除掉数据中的无关或者不太重要的属性。近些年来,由于许多医疗、教育和工业领域中的数据通常都是在动态实时更新变化,每当数据的数据量増长到一定维度时候,从原始数据集中获取的属性约简和知识获取结果将不再适用,此时需对新生成的数据表,重新进行处理和分析。若使用静态的非增量式的属性约简方法来处理时,将导致属性约简算法的时间复杂度急剧增加,且较难寻找出新数据相较于原始数据的变化规律所在。因此,基于粗糙集理论围绕动态数据研究动态数据挖掘理论和方法具有很大的研究价值。本文的主要研究工作和创新工作如下:（1）基于邻域粗糙集模型和邻域条件熵的常规增量属性约简算法存在精度低,效率低。本文重新定义了一种新的邻域粗糙熵,并推导出邻域粗糙条件熵,分析了基于信息熵的属性约简算法相对于代数观下属性约简算法的优势,以属性的邻域粗糙条件熵为基础来计算属性重要度,提出了一种基于邻域粗糙条件熵的非增量属性约简算法,并且为了精确地确定邻域阈值,本文利用人工蜂群优化算法来搜寻本算法最优的邻域阈值。（2）针对决策表下样本的动态变化,研究探讨了如何快速地从动态决策表中提取关键的知识或规则。第一,完备决策表中独立样本的増加和删除进行分析,基于新的邻域粗糙条件熵动态更新机制,通过计算新的重要度和约简集,对于满足阈值要求的规则进行动态增加和删除。第二,再分析批增量下,多个对象增加和删除时,基于新的邻域粗糙条件熵动态更新机制,再重新确定新的约简结果。主要是分析了新增样本后邻域的变化规律,邻域粗糙条件熵的变化规律以及约简结果的变化规律,并做了详细的理论推导工作。（3）在（2）的基础上,提出了一种基于邻域粗糙集的増量式属性约简算法。在UCI标准数据集随机改变数据集中的10%,20%,30%,40%,50%样本中的数据值,重新计算新生成的数据集的约简结果,并通过与多种算法进行约简结果的对比实验和以十倍交叉验证方法在两种传统分类器下的精度分析对比实验,实验证明所提出的属性约简算法以及新定义的邻域粗糙条件熵的有效性和可行性,并证明了所提算法对混合多维数据有一定的应用价值。综上,本文以粗糙集理论作为数学理论支撑,以智能信息处理为目的,针对动态不完备决策表的属性约简和知识获取模型与增量属性约简算法进行了深入的分析和研究。针对动态数据中的样本集变化,导致的属性约简和知识获取需要实时更新问题,进行了较深入研究,设计一种新的增量属性约简算法,较好地解决了许多静态非增量算法未能描述数据更新变化的变化规律和算法运行效率较低等诸多问题,进而为更容易适应大数据环境下数据实时分析和挖掘。
二、一种基于条件熵的粗糙集属性约简算法（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、一种基于条件熵的粗糙集属性约简算法（论文提纲范文）
（2）不完备决策系统下的高效属性约简算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 经典粗糙集理论属性约简的研究现状 |
| 1.2.2 不完备决策系统下的属性约简的研究现状 |
| 1.3 创新点 |
| 1.4 研究内容及组织结构 |
| 2 经典决策系统及不完备决策系统下的粗糙集理论 |
| 2.1 引言 |
| 2.2 经典决策系统下的粗糙集理论 |
| 2.3 不完备决策系统下的粗糙集理论 |
| 2.4 本章小结 |
| 3 不完备决策系统的多特定决策类广义决策约简 |
| 3.1 引言 |
| 3.2 不完备决策系统的广义决策约简 |
| 3.3 不完备决策系统的特定决策类广义决策约简 |
| 3.3.1 不完备决策系统的单特定决策类广义决策约简 |
| 3.3.2 不完备决策系统的多特定决策类广义决策约简 |
| 3.4 实验分析 |
| 3.4.1 约简长度对比 |
| 3.4.2 占用空间对比 |
| 3.4.3 约简效率分析 |
| 3.5 本章小结 |
| 4 动态不完备决策系统的条件熵增量式属性约简 |
| 4.1 引言 |
| 4.2 基于条件熵的属性约简 |
| 4.3 基于条件熵的增量式属性约简 |
| 4.3.1 基于条件熵的单增量属性约简 |
| 4.3.2 基于条件熵的组增量属性约简 |
| 4.4 实验分析 |
| 4.4.1 约简长度对比 |
| 4.4.2 约简效率对比 |
| 4.4.3 分类精度对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 附录一 表目录 |
| 附录二 图目录 |
（3）基于优势粗糙集的多准则分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 粗糙集的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文结构 |
| 第二章 预备知识 |
| 2.1 经典粗糙集模型 |
| 2.2 基于完备信息的优势关系粗糙集模型 |
| 2.3 基于不完备信息的拓展优势关系粗糙集模型 |
| 第三章 基于完备分层多准则决策系统的属性泛化约简 |
| 3.1 基于属性值分类的完备分层多准则决策系统 |
| 3.2 基于熵的属性重要度度量 |
| 3.3 基于完备分层多准则决策系统的属性泛化约简算法 |
| 3.3.1 完备多准则决策系统的属性约简 |
| 3.3.2 完备分层多准则决策系统的属性泛化约简 |
| 3.3.3 完备分层多准则决策系统的属性泛化约简算法实现 |
| 3.4 算例分析 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 第四章 基于不完备分层多准则决策系统的知识更新及泛化约简 |
| 4.1 基于属性值分类的不完备分层多准则系统 |
| 4.2 不完备分层多准则决策系统的切割细化知识更新 |
| 4.2.1 不完备分层多准则决策系统的切割细化更新 |
| 4.2.2 基于属性值分类的不完备分层多准则决策系统的切割细化算法 |
| 4.3 不完备分层多准则决策系统的切割粗化知识更新 |
| 4.4 不完备分层多准则决策系统的属性泛化约简算法 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（4）基于增量条件熵的不完备数据特征约简方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于粗糙集理论的特征约简方法研究现状 |
| 1.2.2 面向动态数据的增量特征约简方法研究现状 |
| 1.3 研究目的与实施方案 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容和组织结构 |
| 第2章 基本概念 |
| 2.1 粗糙集理论基本概念 |
| 2.2 启发式特征约简框架 |
| 2.3 不完备数据中基于条件熵的启发式特征约简算法 |
| 2.4 特征约简的决策性能评价标准 |
| 第3章 不完备数据中基于动态样本集的增量特征约简方法 |
| 3.1 引言 |
| 3.2 基于动态样本集的条件熵增量计算机制 |
| 3.3 基于动态样本集的增量特征约简算法 |
| 3.4 实验分析 |
| 3.4.1 分类精度 |
| 3.4.2 决策性能 |
| 3.4.3 计算效率 |
| 3.5 本章小结 |
| 第4章 不完备数据中基于动态特征值域的增量特征约简方法 |
| 4.1 引言 |
| 4.2 基于动态特征值域的条件熵增量计算机制 |
| 4.3 基于动态特征值域的增量特征约简算法 |
| 4.4 实验分析 |
| 4.4.1 分类精度 |
| 4.4.2 决策性能 |
| 4.4.3 计算效率 |
| 4.5 本章小结 |
| 第5章 不完备混合数据中基于动态样本集的增量特征约简方法 |
| 5.1 引言 |
| 5.2 基于动态样本集的邻域条件熵增量计算机制 |
| 5.3 基于动态样本集的增量特征约简算法 |
| 5.4 实验分析 |
| 5.4.1 分类精度 |
| 5.4.2 计算效率 |
| 5.4.3 邻域参数 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 进一步研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）多源模糊邻域系统中不确定性度量的层次构建和属性约简（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 直觉模糊理论与粗糙集理论的研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 相关理论基础 |
| 2.1 直觉模糊集 |
| 2.1.1 直觉模糊数 |
| 2.1.2 直觉模糊近似 |
| 2.1.3 直觉模糊决策 |
| 2.2 直觉模糊信息系统的信息熵及其粒化单调性 |
| 2.2.1 直觉模糊信息系统的信息熵 |
| 2.2.2 直觉模糊信息系统的三层粒结构 |
| 2.3 本章小结 |
| 第三章 直觉模糊信息系统下的信息度量 |
| 3.1 层次粒结构的条件熵 |
| 3.2 三层粒结构下的单调条件熵 |
| 3.2.1 算法实现 |
| 3.2.2 实例分析 |
| 3.3 基于粒化单调条件熵的属性约简 |
| 3.3.1 算法实现 |
| 3.3.2 实例分析 |
| 3.4 本章小结 |
| 第四章 多源直觉模糊系统的属性约简 |
| 4.1 新的直觉模糊集的相似度 |
| 4.1.1 新直觉模糊相似度的优劣性分析 |
| 4.2 基于相似度的直觉模糊决策 |
| 4.3 基于相似度的多粒度直觉模糊决策 |
| 4.4 本章小节 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参与的科研项目和成果 |
（6）基于粒化单调的不完备混合型数据增量式属性约简算法（论文提纲范文）
| 0 引 言 |
| 1 基本理论 |
| 1.1 粗糙集模型与不完备混合型信息系统 |
| 1.2 不完备混合型信息系统的条件熵与属性约简 |
| 2 属性变化时条件熵的增量式学习 |
| 3 增量式属性约简算法 |
| 4 实验分析 |
| 4.1 实验设计与流程 |
| 4.2 参数设置 |
| 4.3 属性约简效率的比较 |
| 4.4 属性约简结果的分类性能比较 |
| 4.5 实验总结 |
| 5 结 语 |
（7）属性约简下的集成分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 属性约简研究现状 |
| 1.2.2 集成学习研究现状 |
| 1.3 研究内容与组织结构 |
| 第2章 粗糙集理论概述 |
| 2.1 邻域粗糙集 |
| 2.1.1 邻域关系 |
| 2.1.2 邻域粗糙集度量准则 |
| 2.2 伪标记邻域粗糙集 |
| 2.2.1 伪标记邻域关系 |
| 2.2.2 伪标记邻域粗糙集度量准则 |
| 2.3 属性约简 |
| 2.3.1 属性约简的概念 |
| 2.3.2 属性约简的过程 |
| 2.4 本章小结 |
| 第3章 集成分类相关理论与方法概述 |
| 3.1 常用普通分类方法 |
| 3.1.1 KNN分类 |
| 3.1.2 SVM分类 |
| 3.2 集成分类的相关理论 |
| 3.2.1 集成分类的框架 |
| 3.2.2 集成分类的过程 |
| 3.3 集成分类主要方法 |
| 3.3.1 Boosting |
| 3.3.2 Bagging |
| 3.3.3 Random Subspace |
| 3.4 本章小结 |
| 第4章 共现邻域关系下的属性约简 |
| 4.1 引言 |
| 4.2 共现邻域 |
| 4.2.1 共现邻域粗糙集 |
| 4.2.2 伪标记共现邻域粗糙集 |
| 4.3 近似质量属性约简 |
| 4.4 实验分析 |
| 4.4.1 约简率对比 |
| 4.4.2 分类准确率对比 |
| 4.5 本章小结 |
| 第5章 噪声数据属性约简随机化下的集成分类方法 |
| 5.1 引言 |
| 5.2 度值标签噪声过滤方法 |
| 5.3 共现邻域粗糙集下的条件熵属性约简 |
| 5.4 属性约简随机化下的集成分类 |
| 5.5 实验分析 |
| 5.5.1 标签噪声过滤对比 |
| 5.5.2 集成分类准确率与稳定性对比 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（8）基于条件熵的邻域粗糙集属性约简算法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 粗糙集属性约简算法研究现状 |
| 1.3 信息熵理论研究现状 |
| 1.4 基于主S-N曲线法的焊接接头疲劳寿命分析研究现状 |
| 1.5 研究内容及结构安排 |
| 本章小结 |
| 第二章 理论基础 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集 |
| 2.1.2 邻域粗糙集 |
| 2.1.3 算例分析 |
| 2.2 信息论理论 |
| 2.2.1 信息论的提出 |
| 2.2.2 基于信息论的粗糙集模型 |
| 2.2.3 基于信息论的邻域粗糙集模型 |
| 本章小结 |
| 第三章 基于条件熵的邻域粗糙集属性约简算法 |
| 3.1 邻域粗糙集属性约简的典型算法 |
| 3.1.1 邻域粗糙集前向搜索快速属性约简算法 |
| 3.1.2 基于改进鱼群的邻域粗糙集属性约简算法 |
| 3.2 基于条件熵的邻域粗糙集属性约简算法 |
| 3.2.1 NRSBCE算法流程 |
| 3.2.2 算法步骤 |
| 3.3 实验分析 |
| 3.3.1 数据集及实验环境 |
| 3.3.2 实验相关准备 |
| 3.3.3 约简结果比较实验 |
| 3.3.4 约简率比较实验 |
| 3.3.5 分类准确率比较实验 |
| 本章小结 |
| 第四章 基于改进邻域粗糙集的主S-N曲线拟合优化 |
| 4.1 焊接接头疲劳决策系统 |
| 4.1.1 焊接接头疲劳试验数据库 |
| 4.1.2 疲劳决策系统属性约简 |
| 4.2 主S-N曲线拟合 |
| 4.2.1 三种S-N曲线表达式 |
| 4.2.2 主S-N曲线拟合结果 |
| 4.3 疲劳特征域定义及划定方法 |
| 4.4 基于疲劳特征域的主S-N曲线簇拟合 |
| 本章小结 |
| 第五章 基于疲劳特征域的焊接接头疲劳分析系统的研发 |
| 5.1 基于疲劳特征域的焊接接头疲劳分析系统研发背景 |
| 5.2 基于疲劳特征域的焊接接头疲劳分析系统总体设计方案 |
| 5.3 系统的功能设计与实现 |
| 5.3.1 登陆界面的设计实现 |
| 5.3.2 主界面的设计实现 |
| 5.3.3 S-N曲线拟合界面的设计实现 |
| 5.3.4 划分疲劳特征域界面的设计实现 |
| 5.3.5 算法比较分析界面的设计实现 |
| 5.4 系统评价分析与总结 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（9）面向邻域粗糙集模型的不确定性度量方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容和组织结构 |
| 1.3.1 本文的主要内容 |
| 1.3.2 本文各章节的安排 |
| 第二章 粗糙集理论基础 |
| 2.1 经典粗糙集模型 |
| 2.2 邻域粗糙集模型 |
| 2.3 不确定性度量方法 |
| 2.4 本章小结 |
| 第三章 最大决策邻域粗糙集的不确定性度量方法 |
| 3.1 最大决策邻域粗糙集模型 |
| 3.2 最大决策邻域粗糙集模型的不确定性度量 |
| 3.3 属性约简算法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 邻域粗糙集模型的不确定性度量方法 |
| 4.1 边界域上的信息熵与条件信息熵 |
| 4.2 属性约简算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 硕士学位期间参与的科研项目和取得的学术成果 |
| 致谢 |
（10）基于邻域粗糙集的增量属性约简算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题应用背景及选题意义 |
| 1.1.1 课题应用背景 |
| 1.1.2 选题意义 |
| 1.2 论文国内外研究现状 |
| 1.2.1 粗糙集理论的研究现状 |
| 1.2.2 粗糙集理论在不完备信息系统中的研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文的结构组成以及安排 |
| 第二章 理论综述 |
| 2.1 粗糙集理论的基本理论 |
| 2.2 邻域粗糙集的基本理论 |
| 2.3 属性约简 |
| 2.4 动态数据的约简方法 |
| 2.5 本章小结 |
| 第三章 基于邻域粗糙条件熵的非增量属性约简算法 |
| 3.1 邻域粗糙条件熵的相关理论 |
| 3.1.1 邻域粗糙熵的定义 |
| 3.1.2 邻域粗糙条件熵的定义 |
| 3.2 基于邻域粗糙条件熵属性约简算法 |
| 3.2.1 基于信息熵的属性约简算法的优势 |
| 3.2.2 算法设计 |
| 3.3 算法测试和结果分析 |
| 3.3.1 参数的确定 |
| 3.3.2 算法测试和结果分析 |
| 3.3.3 非增量属性约简算法的应用场景 |
| 3.4 本章小结 |
| 第四章 基于邻域粗糙条件熵的增量属性约简算法 |
| 4.1 增量式约简机制 |
| 4.1.1 增加样本后邻域的变化规律 |
| 4.1.2 增加样本后新的邻域粗糙条件熵的变化规律 |
| 4.1.3 增加样本后约简结果的变化规律 |
| 4.2 基于邻域粗糙条件熵的增量属性约简算法的设计 |
| 4.3 增量属性约简算法的测试和结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 约简时间对比分析 |
| 4.3.3 精度对比分析 |
| 4.3.4 增量属性约简算法的应用场景 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
四、一种基于条件熵的粗糙集属性约简算法（论文参考文献）
- [1]基于三支标签传播的半监督属性约简[J]. 胡声丹,苗夺谦,姚一豫. 计算机学报, 2021(11)
- [2]不完备决策系统下的高效属性约简算法研究[D]. 唐玉凯. 烟台大学, 2021(09)
- [3]基于优势粗糙集的多准则分类方法研究[D]. 赵茁君. 西安石油大学, 2021(09)
- [4]基于增量条件熵的不完备数据特征约简方法研究[D]. 唐荣. 四川大学, 2021(02)
- [5]多源模糊邻域系统中不确定性度量的层次构建和属性约简[D]. 刘丽娜. 电子科技大学, 2021(01)
- [6]基于粒化单调的不完备混合型数据增量式属性约简算法[J]. 张雨新,孙达明,李飞. 计算机应用与软件, 2021(03)
- [7]属性约简下的集成分类方法研究[D]. 毛振宇. 江苏科技大学, 2021
- [8]基于条件熵的邻域粗糙集属性约简算法及其应用[D]. 李虹欣. 大连交通大学, 2020(06)
- [9]面向邻域粗糙集模型的不确定性度量方法研究[D]. 徐洋. 安徽大学, 2020(02)
- [10]基于邻域粗糙集的增量属性约简算法研究[D]. 侯文丽. 太原理工大学, 2020(07)