共查询到18条相似文献,搜索用时 156 毫秒
1.
2.
3.
4.
介绍了Ziarko’s变精度粗糙集模型和粗糙模糊集模型,找出了它们的不足。基于支集相对错误分类率及误差参数β(0≤β<0.5),提出了变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与Ziarko’s变精度粗糙集模型和粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性。 相似文献
5.
6.
定义了多数包含关系;借助引入的误差参数β(0≤β〈0.5),提出了基于后继邻域的广义变精度粗糙集模型的β上近似aprβX、β下近似aprβX、β边界bnrβX和β负域negrβX的定义;详细讨论了β上、下近似算子aprβX与aprβX的性质;从对偶性角度出发推广了β上近似、β下近似算子aprβX与aprβX,得到了两对对偶的上、下近似算子aprβX与aprβX和aprβX与aprβX;最后全面讨论了推广后的两对上、下近似算子APRβX与aprβX和aprβX与aprβX的性质,详细分析了它们同广义变精度粗糙集模型中上、下近似算子aprβX与aprβX和一般关系下的变精度粗糙集模型中上、下近似算子RβX与RβX的关系。 相似文献
7.
8.
粗糙集理论和概念格理论均为研究知识发现与不确定性决策问题的重要方法,二者之间紧密相关。在提出概念格上的变精度粗糙集的β-上、下近似定义的基础上,一方面,对于任意给定的变精度β,讨论了概念格上变精度粗糙集β-上、下近似的性质;另一方面,针对不可定义对象集,分别提出了概念格上的变精度粗糙集β-上、下近似算法;最后,实例验证了新给出的算法可以满足用户对不同近似精度的要求,使近似结果有弹性的变化,较Yao和Monhanty给出的算法有一定的优势。 相似文献
9.
针对Ziarko提出的变精度粗糙集缺乏相应的逻辑解释, 且约简方法不合理, 对经典粗糙集的逻辑解释进行了扩展, 提出了变精度粗糙集决策算法应满足的四个条件, 证明了变精度粗糙集决策算法与β近似的关系并得到变精度粗糙集决策算法的性质; 其次, 在变精度粗糙集的逻辑解释下, 提出基于β下近似分布和β上近似分布变精度粗糙集的约简方法, 从而保证了约简前后分类能力大小不发生改变且符合变精度粗糙集的逻辑解释; 最后, 通过实例说明基于β下近似分布和β上近似分布约简方法的合理性。 相似文献
10.
针对求解变精度粗糙集模型属性约简问题,在对象集上定义一种上下近似二元关系.利用此关系建立属性集上的等价关系,由此构造出依赖空间,从而得到变精度粗糙集的上下近似协调集的判定定理.同时建立一种保持每个决策类的上下近似不变的属性约简方法.最后通过实例验证方法的有效性. 相似文献
11.
基于变精度的思想,提出了一种新的不完备信息系统变精度粗糙集模型。基于该模型给出了不完备信息系统的β上(下)分布约简和β上(下)近似约简。给出了求解不完备信息系统β上(下)分布约简的辨识矩阵方法。 相似文献
12.
将变精度粗糙集的思想引入相容粗糙集,提出了两种变精度相容粗糙集模型,在模型I中,目标概念的下近似和边界域的交集非空;在模型II中,目标概念的下近似和边界域的交集为空。研究了两种模型中上、下近似算子的基本性质、两种模型之间的关系,以及与其他粗糙集模型之间的关系。 相似文献
13.
变精度下近似算子与程度上近似算子的逻辑与运算模型 总被引:1,自引:0,他引:1
基于精度与程度的逻辑与需求,提出了变精度下近似算子与程度上近似算子的逻辑与运算模型。在该模型中,得到了变精度下近似算子与程度上近似算子的逻辑与运算的精确描述与基本性质,提出了宏观算法与微观算法,进行了算法分析与比较,得到了微观算法更具空间优势的结论。最后用医疗实例对模型与算法进行了说明。变精度下近似算子与程度上近似算子的逻辑与运算模型,部分拓展了变精度粗糙集模型、程度粗糙集模型和经典粗糙集模型,并在这些模型中得到了近似算子的相应性质。 相似文献
14.
多粒度粗糙集模型是目前粗糙集模型研究的热点方向之一。在更一般的情形下,提出了基于三角范数的变精度悲观多粒度粗糙集模型。根据S-范数和T-范数的定义,建立了一种新的基于三角范数的变精度悲观多粒度上下近似模型,并对其性质进行研究;对以上模型进行修正,并对修正模型的性质进行研究;结合实例,验证了模型的合理性。 相似文献
15.
在加权近似空间中提出了关系矩阵和布尔列向量加权α下乘法和加权α上乘法的概念。证明了加权α下乘法就是加权下近似,加权α上乘法就是加权上近似,从而为加权粗糙集(可变精度粗糙集、经典粗糙集)的计算和研究提供了一种新的矩阵方法。最后给出了计算加权上下近似的算法。 相似文献
16.
MGRS: A multi-granulation rough set 总被引:4,自引:0,他引:4
The original rough set model was developed by Pawlak, which is mainly concerned with the approximation of sets described by a single binary relation on the universe. In the view of granular computing, the classical rough set theory is established through a single granulation. This paper extends Pawlak’s rough set model to a multi-granulation rough set model (MGRS), where the set approximations are defined by using multi equivalence relations on the universe. A number of important properties of MGRS are obtained. It is shown that some of the properties of Pawlak’s rough set theory are special instances of those of MGRS.Moreover, several important measures, such as accuracy measureα, quality of approximationγ and precision of approximationπ, are presented, which are re-interpreted in terms of a classic measure based on sets, the Marczewski-Steinhaus metric and the inclusion degree measure. A concept of approximation reduct is introduced to describe the smallest attribute subset that preserves the lower approximation and upper approximation of all decision classes in MGRS as well. Finally, we discuss how to extract decision rules using MGRS. Unlike the decision rules (“AND” rules) from Pawlak’s rough set model, the form of decision rules in MGRS is “OR”. Several pivotal algorithms are also designed, which are helpful for applying this theory to practical issues. The multi-granulation rough set model provides an effective approach for problem solving in the context of multi granulations. 相似文献
17.
数据挖掘的主要目标之一是进行有效分类,粗糙集的上下近似空间正是为了对信息系统进行分类。变精度粗糙集作为经典粗糙集的推广模型,目前研究仅局限于有限集。针对变精度粗糙集模型无法处理无限集合的问题,在变精度粗糙集和测度的理论基础上,提出了基于Lebesgue测度的变精度粗糙集模型。首先,引入Lebesgue测度的概念,构造了一种基于Lebesgue测度的变精度粗糙集模型,将变精度粗糙集理论推广到无限集;其次,定义了该模型的上、下近似空间;最后,证明了其相关性质。通过理论研究表明,该模型能有效处理无限集合问题,对变精度粗糙集的理论研究形成突破,也将极大的扩充其应用范围。 相似文献