一、控制器和指示器的属性 属性节点(Property Node):操作对象属性的端口 属性节点操作:产生、设置、读写操作。 简单属性操作示例: Visable属性。 注意:写属性操作必须在对象产生后才能操作

针对粗糙集中连续属性需要离散化问题进行了研究.根据数据对象的可分辨性原理构造超立方体,在数据空间上对信息表中的连续属性进行整体离散化处理.根据条件属性与决策属性的一致性关系,依照条件属性在粗糙集边界域中的分类能力来确定条件属性的重要性,在此基础上选取重要划分点对信息表中的连续属性进行局部离散化,同时以信息熵作为迭代约束条件.数值示例和实验表明这种整体与局部相结合的离散化方法是有效可行的

为降低基于Skowron分明矩阵属性约简算法的复杂度,提出了简化分明矩阵及其相应属性约简的定义,并证明了基于简化分明矩阵的属性约简与基于原分明矩阵的属性约简等价.在简化决策表的基础上,定义了一个函数,该函数能度量条件属性在简化分明矩阵中出现的频率,并给出了计算该函数的快速算法,其时间和空间复杂度均为O(|U/C|).用该函数设计了一个有效的基于原分明矩阵属性约简算法,算法的时间复杂度降为O(|C||U|)+O(|C|2|U/C|),空间复杂度降为O(|U|);并用实例证明了算法的有效性

6.4.1设置框架属性 选中框架,打开框架属性面板,通过面板即可设置框架的各属性。 6.4.2设置框架集属性 将选中框架集,打开框架集属性面板,通过面板即可设置框架集的各属性

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现

6.1 属性文法 6.2 基于属性文法的的处理方法 6.3 S-属性文法的自下而上计算 6.4 L-属性文法和自顶向下翻译 6.5 自下而上计算继承属性

为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的剪枝方法,并扩展互信息标准到多关系情况下.基于元组号传播方法和面向元组的统计计数方法,给出了基于扩展互信息标准进行属性选择的方法和步骤,并建立了一种基于扩展互信息的多关系朴素贝叶斯分类器.标准数据集上的实验显示,基于扩展互信息标准进行属性选择,可以在不增加算法时间复杂度的前提下,找到与分类属性最相关的属性,并在仅有极少属性参与分类时,得到较高的分类准确率.Mutagenesis数据集上的实验则显示,这种属性选择可以使多关系问题退化为单关系问题,大大降低了分类代价

模糊隶属度无统一算法,定义存在分歧.根据模糊概念\内涵明确,外延不明确\的特点,定义隶属度为不同外延对内涵的从属程度.在信息系统中,概念的外延用对象表示,内涵由属性表示,由此提出了求解隶属度的新算法:由原始统计数据组成初始信息系统,用粗糙集理论求得其商集并构建集值信息系统;该集值信息系统对应的条件概率空间中的条件概率即为隶属度.广义上信息系统可分为信息系统(无决策属性)和目标信息系统(有决策属性)两类.隶属度也可分为两类:第一类外延对象为内涵属性本身值,如年龄对青年人的隶属度(信息系统);第二类外延对象为不同于内涵属性的另一属性值,如边坡工程安全系数对稳定状态的隶属度(目标信息系统).计算以上两个实例,前者与已有结论作对比验证,后者与函数选择、经典统计方法及贝叶斯公理作对比验证,可知结果可靠,算法可行

针对实际决策表中对象动态变化的情况,首先引入简化决策表概念,剔除决策表中大量重复的对象,并构造了基于正区域的简化矩阵,有效地缩小了算法的搜索空间;然后从理论上阐述了基于简化矩阵的属性约简和基于矩阵的属性约简的一致性,并仅需扫描一遍简化矩阵便可求解出属性约简;最后在原属性约简的基础上,提出一种快速的动态属性约简矩阵算法.通过算例分析和实验对比验证了算法的有效性和可行性

类比推理在中国自古至今就有着深入而广泛的应用,因此我想有必要讨论一 下类比推理的应用范畴问题。 类比推理,众所周知,是根据两个或两类对象在一系列属性上相同或相似, 从而推出他们还有其他属性相同或相似的推理,即X对象有a、b、c、d属性; 对象有a、b、c属性;则Y对象也有d属性