关键词granular-ball computing
搜索结果 - 5
- 基于合理粒度原则的聚类生成引领粒团
本研究介绍了一种利用可证明粒度原理为质量评估的数据聚类方法,并采用二叉树修剪策略和异常检测方法确定每个 GB 的最佳子 GB 组合和识别异常 GB,从而最大化生成的 GB 质量并提高聚类准确性和归一化互信息。
- 开放的连续特征选择通过颗粒球知识传递
该研究论文提出了一种新颖的框架,用于在数据预处理中进行持续特征选择,特别是在存在未知类别可能出现的开放和动态环境下。研究方法结合了持续学习和颗粒球计算的优势,构建了颗粒球知识库来检测未知类别,并促进先前学到的知识的进一步特征选择。通过对公共 - 颗粒球计算:一种高效、稳健、可解释的自适应多颗粒度表示和计算方法
本文系统介绍了球状颗粒计算模型,分析了目前该模型面临的主要问题,并讨论了球状颗粒计算的主要适用场景,为未来研究者提供参考和建议。
- 颗粒球优化算法
本研究提出了一种新的多粒度优化算法,即颗粒球优化算法(GBO),通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间,并使用许多小而精细的粒度球来描述重要部分,以及少量大而粗粒度的粒度球来描述不相关部分,这种细粒度多粒度数据描述能力 - Pawlak 粗糙集和邻域粗糙集的统一颗粒球学习模型
本文提出了基于粒球计算的粒球粗糙集模型,该模型可以同时处理 Pawlak 粗糙集和邻域粗糙集所能处理的数据类型,并且可以使用等价类表示知识;此外,本文还提出了粒球粗糙集的实现算法,并在基准数据集上验证了其在学习精度和特征选择方面的优越性。