层次粒结构下粗糙模糊集的不确定性度量

众所周知,经典粗糙集的不确定性来自于边界域,但是对于粗糙模糊集来说,其正域和负域中的元素存在不确定性,从而导致粗糙模糊集的不确定性不仅来自于边界域,还来自于正域和负域。另外,在粗糙模糊集中,一个模糊概念可以通过层次粒结构中不同的粗糙近似空间进行刻画,随着粒度的变化,模糊概念的不确定性的变化规律如何？对此,文中提出一种基于模糊度的不确定性度量公式,并基于均值模糊集分析了粗糙模糊集模型,得出粗糙模糊集不确定性度量的模型同样适合于度量概率粗糙集的不确定性的结论。其次,采用基于模糊度的不确定性度量方法,揭示了分层递阶的多粒度空间下粗糙模糊集不确定性的变化规律。然后,分析了3个域(正域、边界域和负域)的不确定性,并揭示了它们在分层递阶的多粒度空间下的变化规律。最后,通过实验验证了所提不确定性度量理论的有效性。     

基于知识粒度的粗糙集的不确定性度量

粗糙集的不确定性与其所在近似空间知识粒度的大小密切相关.提出了近似空间中集合的相对知识粒度的概念.基于相对知识粒度的粗糙集的粗糙性度量既刻画了近似空间对粗糙集不确定性的影响,又去除了负域的干扰.从边界熵的角度提出了一种粗糙集的模糊性度量.随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均单调递减.     

粗糙集不确定性度量的矩阵运算

粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数,随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。     

覆盖粗糙模糊集的组合熵与组合粒度研究

针对覆盖粗糙模糊集的组合熵与组合粒度的度量问题.定义了覆盖粗糙集下对象的相容类,构造了覆盖粗糙集模型的相容关系,提出覆盖近似空间的覆盖簇,引入了覆盖粗糙模糊集模型的组合熵和组合粒度概念,讨论了组合熵和组合粒度的结构并证明了相关的性质并提出了覆盖粗糙模糊集的组合熵粗糙度度量.定义了覆盖簇的相容关系下对象的相容度,提出了相容度下的组合熵概念,证明了相关的定理和性质.最后,引入相容度下组合粒度概念,证明了组合粒度粗糙度存在随覆盖变细,度量单调减少的规律,并通过实例进行了验证.从而为进一步揭示粗糙集、粗糙模糊集及覆盖粗糙模糊集之间的不确定性度量规律提供了理论依据.     

K粒度模糊粗糙集模型的不确定性研究

粗糙集扩展模型的研究是粗糙集理论研究的一个重要问题,在引入了K粒度粗糙关系基础上定义了K粒度粗糙集模型并给出了K粒度分割概念,文章从信息熵的角度给出K粒度粗糙集模型的粗糙熵的不确定度量方法,讨论了该模型随知识分类粒度变化与粗糙熵之间的关系,证明了知识分类粒度呈细分时粗糙熵具有单调递增性,并且以实例验证了此模型理论的有效性与正确性,该模型使得粗糙集处理数据的范围扩展到了实域.在此基础上定义了K粒度模糊粗糙集模型,并研究了其结构及性质,最后给出了K粒度模糊粗糙集模型依参数0<β≤α≤1的扩展模型,并研究了模型的性质与粗糙度之间的关系.     

覆盖近似空间中粗糙集的不确定性度量研究

对于覆盖近似空间中粗糙集的不确定性度量,目前的方法主要有粗糙度、粗糙熵和模糊度。通过分析这些不确定性度量方法,发现在特定的情况下它们都存在一定的不合理性。提出一种粗糙集的模糊度,给出并证明了相关性质。分析表明该度量方法克服了已有方法存在的不合理性,为覆盖粗糙集的不确定性度量提供了方法。     

基于信息粒化的区间值信息系统不确定性度量方法

目前区间值信息系统的不确定性度量方法大多基于粗糙集的粗糙度度量.实例分析表明该度量方法不满足严格单调性,为了解决这一缺陷,将粒计算方法引入区间值信息系统中,提出一种区间值信息系统的信息粒化模型.引入区间值信息系统的知识粒度和粗糙熵两种度量方法,理论分析出它们具有的严格单调性,在区间值信息系统的不确定性度量方面具有更好的优越性.实验验证了知识粒度和粗糙熵均比传统的粗糙度具有更好的不确定性度量效果.     

基于边界域和知识粒度的粗糙集不确定性度量

为了克服现有作积形式不确定性度量方法的缺陷, 基于边界域提出一种用改进粗糙度和知识粒度求和形式的粗糙不确定性度量公式. 与现有方法相比, 它同时考虑了由边界域和知识粗糙性产生的不确定性, 从理论上证明了集成后的不确定性度量值确实比单个影响因素产生的不确定性度量值大, 是一种更加合理的不确定性度量方法. 将该方法推广到基于严凸函数知识粒度情形, 得到一类度量粗糙集不确定性度量方法, 并研究了随划分变细时, 粗糙 度、改进粗糙度与所提出方法之间的关系. 最后设计了一组算例对它们进行比较, 比较结果表明, 所提出的方法对划分变细更加敏感.

     

基于边界域的邻域知识距离度量模型

粗糙集的不确定性度量在知识获取中扮演着非常重要的角色。在邻域粗糙集理论中,当前不确定性度量方面的研究工作主要专注于度量单个知识空间的不确定性及其随粒度变化的单调性规律,其仍存在以下缺点:1)邻域粗糙集不确定性来自于邻域粒中属于目标概念的元素和不属于目标概念的元素,当前的方法没有同时考虑每个邻域信息粒的这两部分;2)不能反映不同知识空间对目标概念刻画能力的差异性;3)由于当前的知识距离包含了粒度划分的信息,已有方法在一些应用场合下不够准确,例如属性约简中的知识启发式搜索及其粒度选择。对此,文中首先构建了一种更加直观准确的邻域粗糙集的不确定性度量方法——邻域熵,并证明了不确定性度量随着粒度的细化具有单调性;为了反映不同邻域信息粒对目标概念刻画能力的差异性,提出了一种带近似描述能力的邻域粒距离,称为相对邻域粒距离,并介绍了它的相关性质;针对分层递阶的多粒度知识空间中的粒度选择问题,建立了基于边界域的邻域知识距离度量模型,该知识距离可以反映不同邻域知识空间对目标概念的刻画能力的差异性。     

粗糙集的不确定性度量准则

针对现有粗糙集不确定性度量中有些定义在某种情况下并不合理,给出粗糙集不确定性度量的基本准则,证明除二次模糊度外其它几种不确定性度量都是满足基本准则的不确定性度量。由于满足基本准则的不确定性度量仍然可能存在不足,文中对基本准则中的单调性进行进一步限制,提出不确定性度量的扩展准则,并证明模糊熵和修正模糊度是满足扩展准则的不确定性度量,而粗糙度、粗糙熵和线性模糊度都不满足扩展准则。这些结论为已有的不确定性度量的合理性(或不合理性)提供理论说明,也为设计新的不确定性度量方法提供依据。     

模糊知识粒度计算与应用

根据自反模糊关系,将知识粒度的概念推广为模糊知识粒度.考虑传统模糊粗糙集的粗糙性度量和相似性度量,忽略了模糊集的粗糙近似处于不同知识粒度背景中这样一个重要因素,结合模糊知识粒度的计算,提出了模糊粗糙集的粗糙性度量和相似性度量的新方法.最后,在一个实际的模糊信息系统中,给出了基于模糊知识粒度的知识约简算法.     

相容RS理论中的属性约简算法

1.引言 Skowron等提出的相容RS理论是经典的RS理论的推广,它用相容关系(tolerance)代替原来的不可分辨关系(indiscernibility),可以发现属性值之间的相似性、滤除属性值之间的微小偏差,提高系统决策的鲁棒性和决策效率。Duntsch、Gediga等从信息论的角度建立了粗糙集理论中的知识与信     

Knowledge granulation, knowledge entropy and knowledge uncertainty measure in ordered information systems

In this paper, concepts of knowledge granulation, knowledge entropy and knowledge uncertainty measure are given in ordered information systems, and some important properties of them are investigated. From these properties, it can be shown that these measures provides important approaches to measuring the discernibility ability of different knowledge in ordered information systems. And relationship between knowledge granulation, knowledge entropy and knowledge uncertainty measure are considered. As an application of knowledge granulation, we introduce definition of rough entropy of rough sets in ordered information systems. By an example, it is shown that the rough entropy of rough sets is more accurate than classical rough degree to measure the roughness of rough sets in ordered information systems.     

基于粒度粗糙熵与改进蜂群算法的特征选择

经典的人工蜂群(artificial bee colony, ABC)算法面临着收敛速度慢、易陷入局部最优等不足,因此基于该算法来进行特征选择还存在很多问题.对此,提出了一种基于粒度粗糙熵与改进蜂群算法的特征选择方法FS＿GREIABC.首先,将粗糙集中的知识粒度与粗糙熵有机地结合起来,提出一种新的信息熵模型——粒度粗糙熵;其次,将粒度粗糙熵应用于ABC算法中,提出一种基于粒度粗糙熵的适应度函数,从而获得了一种新的适应度计算策略;第三,为了提高ABC算法的局部搜索能力,将云模型引入到跟随蜂阶段.在多个UCI数据集以及软件缺陷预测数据集上的实验表明,相对于现有的特征选择算法, FS＿GREIABC不仅能够选择较少的特征,而且具有更好的分类性能.     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

基于广义粗集覆盖约简的粗糙熵

在广义粗集覆盖约简理论中,由于集合的上下近似是由其覆盖约简来确定的,因此有必要寻求一种新的度量来刻画知识和粗集的粗糙性.通过引入信息熵以刻画广义粗集覆盖约简的知识粗糙性以及粗集粗糙性,提出了一种新的知识粗糙性和粗集粗糙性度量.得到知识粗糙熵和粗糙集的粗糙熵都随广义覆盖约简的变细而单调减少的结论,从信息论观点出发,对不完备信息系统粗集理论进行了探讨.