基于集对分析的变精度粗糙集模型

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具,在人工智能及数据挖掘等众多领域已经得到了广泛的应用。对于不完备信息系统目前也有多种扩充方法,如基于容差关系的扩充、基于相似关系的扩充等等。该文是在集对粗糙集模型的基础上,引入相对分类错误率的概念,提出了一种基于集对分析的变精度粗糙集模型。然后用集对分析的方法得到了变精度的上、下近似的性质,将经典粗糙集理论和集对粗糙集理论进行了推广。最后,通过一个不完备信息系统的具体例子,说明了这种基于集对分析的变精度粗糙集模型对不完备信息系统中处理模糊和不确定性知识的可行性和有效性。     

变精度集对势粗糙集模型

为使粗糙集理论能有效处理含噪音的不完备信息系统,将集对势扩充粗糙集模型和Ziarko教授提出的多数包含关系相结合,提出了变精度集对势粗糙集模型.然后,给出了正域相似度的定义,提出了基于正域相似度的启发式属性约简算法,并分析了算法的时间复杂度.仿真实验表明了该方法处理含噪音的不完备信息系统的有效性.     

基于限制容差关系的集对粗糙集模型

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具,在人工智能及认知科学等众多领域已经得到了广泛的应用。对于不完备信息系统,目前也有了多种扩充方法,如基于容差关系、基于相似关系和基于限制容差关系等的扩充。但是,这些扩充也都存在一些局限性。本文用集对分析的方法,定义了一个集对α相似限制容差关系,提出了一种基于限制容差关系的集对粗糙集模型。这种模型是限制容差关系的扩充粗糙集模型的推广和改进,既保留了原有扩充模型的优点,又可以通过对相似程度α的调节和控制,在保证这种容差类划分的准确性的同时,增加了其灵活性,更适于大型不完备信息系统的处理。     

变精度粗糙集推广模型及其性质研究

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。     

变精度集对粗糙集模型中的属性约简

属性约简是粗糙集理论的核心内容之一。论文是继续文献[8]的工作,在变精度集对粗糙集模型的基础上,定义了变精度的重要性算子和变精度的近似约简等概念,并由此给出了一种属性约简的启发式算法。算法既能保证属性约简的准确性,又能增加其灵活性,它可以通过对相似度α和精度β的调节,按照广度优先搜索策略,从条件属性集中逐一删除重要性最小的属性,从而得到一个满足相似度和精度要求的近似约简。同时,它也是完备信息系统的属性约简算法的推广(当α=1,β=0时)。最后通过一个实例,分析说明算法的可行性和有效性。     

多重变精度粗糙集模型

为了解决Zaike变精度粗糙集模型的论域划分不能重叠的问题,基于多重集合,对Zaike变精度粗糙集模型的论域进行了扩展,提出了基于多重集的多重变精度粗糙集模型,给出了该模型的完整定义、相关定理和重要性质,其中包括多重论域定义、多重变精度近似集的定义及其性质的证明、与Zaike变精度粗糙集的关系等。这些定义、定理和性质与Zaike变精度粗糙集既有区别又有联系。多重变精度粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,这样有利于用粗糙集理论从保存在关系数据库中的具有一对多、多对多依赖性的且认为不相关的数据中发现相关知识。     

集值信息系统的粗糙集扩展模型

通过分析研究现有集值信息系统下定义的二元关系,基于集合包含度在集值信息系统中引入相似度概念,定义了一种基于相似度的α-相容关系,提出基于α-相容关系的粗糙集扩展模型,并分析比较了该模型与现有粗糙集扩展模型之间的关系。最后,给出实例加以验证。     

模糊相似关系下变精度模糊粗糙集

经典变精度模糊粗糙集模型是基于模糊等价关系建立的.在实际应用中,模糊等价关系很难直接构造,需要通过求模糊相似关系的传递闭包生成.对模糊关系的这种改造会丢失较多有价值的信息,而且还增大了模糊粗糙集应用的计算复杂度.基于模糊逻辑算子构造2个模糊集的相对错误包含度,构造性地提出基于模糊相似关系的变精度模糊粗糙集模型,研究了该模型的性质.该模型一方面具有变精度粗糙集的优点,对噪声数据具有很好的容错能力,另一方面是基于模糊相似关系建立的,其应用范围更为广泛.     

基于集对分析方法的不完备信息系统的扩充粗糙集模型

目前对不完备信息系统的扩充主要有基于容差关系、基于相似关系和基于限制容差关系等方法。集对分析方法是研究集合之间相互关系的一种新理论,它在处理个体之间确定性联系和不确定性联系方面已经得到了广泛的应用。本文运用集对分析方法,先分析了现有的扩充粗糙集模型所存在的局限性,然后通过引入个体之间的集对联系度概念,提出了两个基于集对分析方法的扩充粗糙集模型。它们既保留了限制容差关系扩充模型的优点.又丢弃了现有的扩充模型的局限性。最后,通过实例说明这两个基于集对分析方法的扩充模型对不完备信息系统的处理更加合理、可行、有效。     

扩展优势关系下的变精度粗糙集模型

基于优势关系的变精度粗糙集模型将传统粗糙集中的等价关系扩展为优势关系,并结合变精度的思想来定义相关概念,从而可以处理具有偏好关系的信息并具有一定的容错能力。然而,传统优势关系的定义仍然过于严格,只有当一个对象x的每个属性值都优于另一个对象y时,该对象x才优于y。当属性个数较多时,这种优势关系的定义会导致对象的优势集偏小,影响到规则的提取和决策结果。为了解决这一问题,通过引入参数的方法扩展了传统优势关系的定义,并在此基础上进一步给出了扩展后的优势集和近似集的概念,建立了扩展优势关系下的变精度粗糙集模型,采用覆盖率和测试精度作为模型的评估指标。最后给出算例,并在UCI数据集上进行大量的实验将所提模型与传统优势关系下的变精度粗糙集模型进行比较。     

Variable precision intuitionistic fuzzy rough set model and applications based on conflict distance

Due to the complexity and uncertainty of the physical world, as well as the limitation of human ability to comprehend, it is very difficult for any single method of uncertainty to effectively deal with the decision‐making problem that exists in real life. So, it is natural for us to think about incorporating the advantages of various theories of uncertainty to develop a more powerful hybrid method of soft decision‐making. In view of this recognition, the thought and method of intuitionistic fuzzy sets and variable precision rough sets are used to construct a novel intuitionistic fuzzy rough set model. With respect to the fact that the information system is intuitionistic fuzzy, the idea of measuring intuitionistic fuzzy similarity is used to define conflict distance. After that, this concept is combined with the variable precision rough sets so that a variable precision intuitionistic fuzzy rough set model is established, and its properties are investigated. After proposing an attribute reduction algorithm based on variable precision intuitionistic fuzzy rough sets, a case study is used to verify the feasibility and effectiveness of our novel model. The results show that our model indeed improves the classification ability of earlier models and possesses some ability to tolerate faults through adjusting the parameter λ and the confidence threshold β; it realizes the correct classification and extracts the decision rules.     

变精度覆盖粗糙集

介绍了Ziarko变精度粗糙集模型和覆盖粗糙集模型;定义了多数包含关系;借助引入的误差参数β（0≤β<0.5）,给出了基于对象邻域的变精度覆盖粗糙集模型中β上近似、β下近似、β边界和β负域的定义以及β近似质量和β粗糙性测度定义;详细讨论了β上、下近似算子的性质、集合的相对可辨别性、该模型与Ziarko变精度粗糙集模型和覆盖粗糙集模型的关系;最后探讨了变精度覆盖粗糙集模型中的约简问题并在所给模型的基础上举例说明了它们在信息处理中的应用。     

双论域上量化粗糙集模型及应用

双量化方法能够比较全面地刻画近似空间中决策对象的不确定性本质。在双论域框架下讨论了双量化粗糙集的基本模型。通过现实中理疗诊断决策问题给出了双论域量化粗糙集研究的背景和意义,进而通过结合经典变精度粗糙集和程度粗糙集给出了双论域量化粗糙集的基本定义。系统地讨论了其上下近似的基本性质以及与已有粗糙集模型的关系,并给出了其上下近似的矩阵计算方法。基于所建立的理论模型与方法,给出了双论域量化粗糙集在疾病诊断决策中的应用,通过应用算例说明了理论模型的应用过程。     

基于多重阈值的变精度多粒度粗糙集模型

传统变精度多粒度粗糙集模型是基于单一变精度阈值的,而多粒度粗糙集模型是从多角度和多层次处理数据,数据往往是多源的或者是分布式的,其噪音数据的含量也各不相同。因此,不同知识粒度层次所应具有的变精度阈值也不相同,这使得现有的模型难以适应多粒度环境。为克服上述缺点,提出了基于多重阈值的变精度多粒度粗糙集模型,该模型使得不同知识粒度层次的变精度阈值可独立调整,更符合多粒度粗糙集模型的数据特征。该模型更好地结合了多粒度粗糙集模型和变精度粗糙集模型,可从多角度分析解决问题又兼具更灵活的容错能力。     

变精度粗糙集模型及其应用研究

介绍了广义粗糙集模型和Ziarko变精度粗糙集模型,找出了它们的不足;借助引入的误差参数β(0≤β<0.5),给出了基于后继邻域的一般二元关系下变精度粗糙集模型的β上近似、β下近似、3边界和β负域的定义以及β近似质量和β粗糙性测度定义;详细讨论了β上、下近似算子的性质、该模型与其他粗糙集模型的关系以及一般二元关系下两种变精度粗糙集模型的关系;最后,举例说明了该模型在信息处理中的应用。     

基于变精度粗糙集的不完备信息系统知识约简

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。