粗糙近似算子的公理化刻画:综述

从近似空间导出的一对下近似算子与上近似算子是粗糙集理论研究与应用发展的核心基础,近似算子的公理化刻画是粗糙集的理论研究的主要方向.文中回顾基于二元关系的各种经典粗糙近似算子、粗糙模糊近似算子和模糊粗糙近似算子的构造性定义,总结与分析这些近似算子的公理化刻画研究的进展.最后,展望粗糙近似算子的公理化刻画的进一步研究和与其它数学结构之间关系的研究.     

模糊近似空间上的粗糙模糊集的公理系统

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的理论,在机器学习及数据挖掘等领域获得了成功的应用．粗糙集的公理系统是粗糙集理论与应用的基础．粗糙模糊集是粗糙集理论的自然的有意义的推广．作者研究了模糊近似空间上的粗糙模糊集的公理系统,用三条简洁的相互独立的公理完全刻划了模糊近似空间上的粗糙模糊集,同时还把作者给出的公理系统与粗糙集的公理系统做了对比,指出了两者的区别．     

粗糙模糊集的构造与公理化方法

用构造性方法和公理化研究了粗糙模糊集．由一个一般的二元经典关系出发构造性地定义了一对对偶的粗糙模糊近似算子,讨论了粗糙模糊近似算子的性质,并且由各种类型的二元关系通过构造得到了各种类型的粗糙模糊集代数．在公理化方法中,用公理形式定义了粗糙模糊近似算子,各种类型的粗糙模糊集代数可以被各种不同的公理集所刻画．阐明了近似算子的公理集可以保证找到相应的二元经典关系,使得由关系通过构造性方法定义的粗糙模糊近似算子恰好就是用公理化定义的近似算子。     

模糊空间中的直觉模糊粗糙近似

粗糙集和直觉模糊集的结合是一新的研究热点。在模糊近似空间中,结合模糊等价关系,构造直觉模糊粗糙近似算子,在γ算子和其余算子γ的基础上,证明了这些近似算子的性质。在模糊近似空间中,给出λ上(下)近似以及αβ-截集的λ上(下)近似,证明了它们的性质;给出直觉模糊集的粗糙度ραβA和λ水平截集的粗糙度,并讨论了其性质。     

粗糙集近似与信息粒度

用粗糙集近似描述了三类常见信息系统(即Pawlak信息系统、不完备信息系统、不完备模糊信息系统)中对象的基本信息粒度.通过信息系统中对象属性值关于对象属性近似空问的上近似可以得到与对象具有相同或相似信息的对象集,即利用对象属性值关于对象属性近似空间的上近似将对象属性值信息变换成为对象的基本信息粒度. .所得结论对信息系统中基本信息粒度的物理意义有了比较清楚和更加合理的解释.     

一种新的犹豫模糊粗糙近似算子的公理刻画

为了揭示犹豫模糊粗糙近似算子更深层次的本质特性,且更进一步研究犹豫模糊粗糙近似空间与犹豫模糊拓扑空间之间的关系,对犹豫模糊粗糙近似算子公理刻画问题的研究具有重要意义.在已有结果中,用来刻画犹豫模糊近似算子的公理集大都含有多条公理.由于近似算子公理化方法在研究粗糙集理论的数学结构中具有重要意义,寻找最小公理集成为公理化方法中的一个基本问题.针对上述问题,首次将公理集中的公理简化为一条,提出一种新的公理刻画形式.首先给出一般犹豫模糊粗糙近似算子的公理刻画,然后分别针对串行的、自反的、对称的、传递的和等价的犹豫模糊关系所生成的犹豫模糊粗糙近似算子公理化问题进行研究.最后证明了由犹豫模糊粗糙近似空间可以诱导出一个犹豫模糊拓扑空间.     

改进的粗糙直觉模糊集

在Pawlak近似空间中,针对直觉模糊目标集合,假设在信息粒度不变的情况下,试图寻求目标集合更好的近似集。在现有的粗糙直觉模糊集的基础之上,利用直觉模糊粗糙隶属函数,采用分段函数的形式建立直觉模糊集新的下近似与上近似算子,并讨论新模型的一些基本性质。与现有的粗糙直觉模糊集相比,改进后的模型无论在近似精度方面,还是与目标集合的相似度方面,都有了较大的改善和提高。最后通过数值算例验证了所给结论的正确性。     

序粒度标记结构及其粗糙近似

粒计算是知识表示和数据挖掘的一个重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.针对具有多粒度标记的序信息系统的知识获取问题,提出了基于序粒度标记结构的粗糙近似.首先,介绍了序标记结构的概念,并在序标记结构的对象集中定义了一个优势关系,同时给出了由优势关系导出的优势标记块,并进一步定义了基于优势关系的集合的序下近似与序上近似和序标记下近似与序标记上近似的概念,给出了近似算子的一些性质.证明了由序标记结构导出的集合的下近似质量与上近似质量是一对对偶的必然性测度与可能性测度.最后,定义了多粒度序标记结构的概念,并讨论了多粒度序标记结构中不同粒度下近似集之间的关系.     

近似空间上模糊粗糙路径的研究

在近似空间M=(U,R)上对模糊关系S粗糙化,诱导出粗糙关系S*。以此为基础构造模糊粗糙路径,给出模糊粗糙路径的相关性质,并通过构造关于S*的模糊路径矩阵,得到模糊粗糙路径的判定方法,拓宽了二元关系粗糙化方法的应用范围,为模糊粗糙路径的进一步应用奠定了理论基础。     

多重粗糙模糊集模型

为了充分揭示知识颗粒间的重叠性、对象的重要度差别及其多态性,基于多重集合,对Dubois粗糙模糊集意义下的粗糙模糊集模型的论域进行了扩展,提出了基于多重集的粗糙模糊集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重粗糙模糊近似集、近似精度和可定义集的定义及其各种性质的证明、多重集意义下的粗糙模糊近似算子之间的关系及其与Dubois意义下的粗糙模糊近似算子之间的关系等。多重粗糙模糊集可用于从具有一对多依赖性关系的且具有模糊特性的数据中挖掘知识。     

Algebraic Structures of Rough Sets in Representative Approximation Spaces

In this paper a generalized notion of an approximation space is considered. By an approximation space we mean an ordered pair (U, ), where U is a finite nonempty set and is a covering of U. According to connections between rough sets and concepts we define two types of approximation operations. Hence we obtain two families of rough sets. We show that these families form lattices in special types of representative approximation spaces. The operations on rough sets defined in the above lattices are analogous to classical operations on sets.     

粗糙集的最优近似集

Pawlak教授提出的粗糙集理论是解决集合边界不确定的重要手段,他构建了边界不确定集合的两条精确边界,但没有给出用已有知识基来精确或近似地构建目标概念(集合)X的方法.在前期的研究中提出了寻找目标概念X的近似集方法,但并没有给出最优的近似集.首先,回顾了集合间的相似度概念和粗糙集的近似集R_λ(X)的构建方法,提出并证明了R_λ(X)所满足的运算性质.其次,找到了R_λ(X)比上近似集R(X)和下近似集R(X)更近似于目标概念X的λ成立的区间.最后,提出了R_0.5(X)作为目标概念的最优近似集所满足的条件.     

无限论域上粗糙集的拓扑结构

讨论了当论域不限制是有限集时满足自反、传递关系的广义近似空间中的近似算子的拓扑结构;证明了论域 上满足自反、传递关系的集合与其上所有的拓扑的集合是一一对应的;指出了该拓扑空间的拓扑基。     

基于不完备信息系统粗集逼近中的粒度原理

粗糙集是一种新型的处理模糊和不确定知识的数学工具。经典粗糙集理论是建立在完备信息系统基础上的,然而在实际中,不完备信息系统的广泛存在极大地限制了粗糙集理论的应用。文章利用粗集中的精度,结合信息粒度原理,对不完全信息系统利用序列套导出其粒度分层结构和基于相容关系的粗集逼近。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

粗糙集的近似集

粗糙集是1982年由Pawlak教授提出的解决集合边界不确定的重要方法,它通过两个精确的上、下近似集作为边界线来刻画目标集合(概念)X的不确定性,但它没有给出如何用已知的知识基(知识粒)来精确或近似地描述边界不确定的目标集合(概念)X的方法.首先给出了集合之间的相似度概念,然后分析了分别用上近似集R(X)和下近似集R(X)作为目标集合(概念)X近似描述的不足,提出了在已有知识基(粒)空间下寻找目标集合(概念)X的近似集的方法,并分析了用R0.5(X)作为X(概念)的近似集的优越性.最后讨论了不同知识粒度空间下R0.5(X)与X的相似度随知识粒度的变化关系.从新的角度提出了目标集合(概念)X近似集的构造方法,促进了粗糙集模型的发展.     

多覆盖近似空间中的粗糙集模型

在多覆盖近似空间中研究多覆盖粗糙集模型的构造方法,根据两种不同策略,提出了多种乐观多覆盖粗糙集模型和悲观多覆盖粗糙集模型。分别从乐观多覆盖粗糙集模型间的关系、悲观多覆盖粗糙集模型间的关系、乐观多覆盖粗糙集模型和悲观多覆盖粗糙集模型间的关系这3个方面,对多覆盖粗糙集模型间的关系进行了深入研究,得到了各模型多覆盖近似集间的包含关系或等价关系。该研究为直接处理多覆盖近似空间提供了理论模型。     

模糊属性集的粗糙上下近似研究

在知识发现和数据挖掘领域,粗集理论与模糊集合理论都是研究信息系统中知识不完备、不准确问题,两者都可利用观测数据表达知识,进行推理。论文针对传统粗集环境下知识表示模型用固定的属性及属性值来描述对象这一局限,提出利用模糊属性模型对知识表达系统进行信息描述,并给出了模糊属性集的粗糙上下近似模型。