·754· 智能系统学报 第16卷 120 。非增量式算法 。非增量式算法 20 。增量式算法 100 。增量式算法 80 % 20 0 456 3 4 56 增量更新次数 增量更新次数 (g)census income (h)music 图2论域减少时两类算法的更新用时比较 Fig.2 Comparison of update time of two algorithms when universe is reduced 综合图1和图2的实验结果，可以看出本文 径6下增量式更新用时比较结果，其中包含了论 所提出的增量式更新算法的更新效率均大幅度高 域增加和论域减少的两种情形，这里设定邻域半 于传统的非增量式算法，并且所提出的算法随数 径6在0.1,0.28]内以0.02为间隔分别进行取值。 据集论域变化的影响较小，这说明了本文所提出 通过图3~6的结果可以看出，随着邻域半径 的增量式更新算法具有很高的优越性。 的逐渐增大，增量式更新算法的更新用时是逐渐 另一方面，在本文所提出的邻域决策粗糙集 增大的，这主要是由于本文所提出的增量更新算 增量式更新算法中，有3个重要的参数，分别为邻 法，计算新论域下的模型时，需要计算变化对象 域半径6，和一对阈值(a,B)。由于阈值(@，)可以 的邻域类，并基于这些邻域类进行更新计算，而 通过不同的评价方式进行确定，因此阈值（α，）可 邻域半径的增大无疑会增加邻域类中对象的数 认定为是固定的值，那么接下来将直接探究邻域 量，因此计算量会增加，从而展现出了图3~6 半径6对所提算法更新效率的影响。 的结果，但是对比图1和图2，这种增量式算法的 图3~6所示的是部分数据集在不用邻域半 用时仍然大幅度小于非增量式算法。 0.018 0.020 0.016 0.03 0.025 0.014 0.012 0.02 0.020 0.010 0.010 0.005 0.008 0.01 0.015 0302 0.006 0.010 10 0.004 0.18 邻域半径 002￥68 0.30 0.002 0.26 2 1 10 .1 增量更新次数 00之46 0.005 邻域半径 .14 增量更新次数 (a)论域增加 (b)论域减少 图3数据集pima在不同邻域半径下算法更新用时比较 Fig.3 Comparison of algorithm updating time of pima data set under different neighborhood radius 10.024 0.014 0.025 0.020 0.03 0.012 0.020 0.018 0.010 0.02 0.016 0.010 0.008 0.014 0.01 0.006 0.012 0.010 0.004 0.008 10 0.18 0.14 6 8 0.002 0.006 邻域半 00 增量更新次数 4 0.18 0.14 邻域半 002 468 增量更新次数 (a)论域增加 ()论域减少 图4数据集wdbc在不同邻域半径下算法更新用时比较 Fig.4 Comparison of algorithm updating time of wdbe data set under different neighborhood radius综合图 1 和图 2 的实验结果，可以看出本文 所提出的增量式更新算法的更新效率均大幅度高 于传统的非增量式算法，并且所提出的算法随数 据集论域变化的影响较小，这说明了本文所提出 的增量式更新算法具有很高的优越性。 δ (α, β) (α, β) (α, β) δ 另一方面，在本文所提出的邻域决策粗糙集 增量式更新算法中，有 3 个重要的参数，分别为邻 域半径 ，和一对阈值 。由于阈值 可以 通过不同的评价方式进行确定，因此阈值 可 认定为是固定的值，那么接下来将直接探究邻域 半径 对所提算法更新效率的影响。 图 3～6 所示的是部分数据集在不用邻域半 δ δ 径 下增量式更新用时比较结果，其中包含了论 域增加和论域减少的两种情形，这里设定邻域半 径 在 [0.1,0.28] 内以 0.02 为间隔分别进行取值。 通过图 3~6 的结果可以看出，随着邻域半径 的逐渐增大，增量式更新算法的更新用时是逐渐 增大的，这主要是由于本文所提出的增量更新算 法，计算新论域下的模型时，需要计算变化对象 的邻域类，并基于这些邻域类进行更新计算，而 邻域半径的增大无疑会增加邻域类中对象的数 量，因此计算量会增加，从而展现出了图 3~6 的结果，但是对比图 1 和图 2，这种增量式算法的 用时仍然大幅度小于非增量式算法。 (a) 论域增加 0.020 0.015 0.010 0.005 0 0 2 4 6 8 0.30 10 0.26 0.22 0.18 0.14 0.10 更新用时/s 更新用时/s 邻域半径 δ 增量更新次数 0 0 2 4 6 8 0.30 10 0.26 0.22 0.18 0.14 0.10 邻域半径 δ 增量更新次数 0.018 0.016 0.014 0.012 0.010 0.008 0.006 0.004 0.002 0.03 0.02 0.01 (b) 论域减少 0.025 0.020 0.015 0.010 0.005 图 3 数据集 pima 在不同邻域半径下算法更新用时比较 Fig. 3 Comparison of algorithm updating time of pima data set under different neighborhood radius (a) 论域增加 0.020 0.015 0.010 0.005 0 0 2 4 6 8 0.30 10 0.26 0.22 0.18 0.14 0.10 更新用时/s 更新用时/s 邻域半径 δ 增量更新次数 0 0 2 4 6 8 0.30 10 0.26 0.22 0.18 0.14 0.10 邻域半径 δ 增量更新次数 0.014 0.012 0.010 0.008 0.006 0.004 0.002 0.03 0.02 0.01 (b) 论域减少 0.024 0.025 0.020 0.018 0.016 0.014 0.012 0.010 0.008 0.006 图 4 数据集 wdbc 在不同邻域半径下算法更新用时比较 Fig. 4 Comparison of algorithm updating time of wdbc data set under different neighborhood radius 非增量式算法 增量式算法 25 20 15 10 5 0 更新用时/s 1 2 3 4 5 6 7 8 增量更新次数 (g) census income 非增量式算法 增量式算法 120 100 80 60 40 20 0 更新用时/s 1 2 3 4 5 6 7 8 增量更新次数 (h) music 图 2 论域减少时两类算法的更新用时比较 Fig. 2 Comparison of update time of two algorithms when universe is reduced ·754· 智 能 系 统 学 报 第 16 卷