一种基于加权相似性的粗糙集数据补齐方法

近年来,对不完备数据的处理引起了人们的广泛关注。目前,在粗糙集理论中已经提出了多种不完备数据补齐方法,这些方法通常需要计算决策表中具有缺失值的对象与其他没有缺失值的对象之间的相似性,并以最相似对象的取值来代替缺失值。然而,这些方法普遍存在一个问题,即在计算决策表中对象之间的相似性时假设决策属性对所有条件属性的依赖性都是相等的,而且所有条件属性都是同等重要的,并没有考虑不同条件属性之间的差异性。针对这一问题,引入一个加权相似性的概念,以决策属性对条件属性的依赖性和条件属性的重要性作为权值来计算相似性。基于加权相似性,提出一种新的粗糙集数据补齐算法WSDCA。最后,在UCI数据集上,将WSDCA算法与现有的数据补齐算法进行了比较分析。实验结果表明,所提出的数据补齐方法是有效的。     

基于相对决策熵与加权相似性的粗糙集数据补齐方法

现有的基于粗糙集的数据补齐方法在计算任意两个对象之间的相似性时并没有考虑不同条件属性之间的差异性。针对这一问题,引入一种新的加权相似性的概念,并提出一种基于相对决策熵与加权相似性的粗糙集数据补齐算法RDNAWS。RDNAWS算法采用相对决策熵的概念来度量每个条件属性的重要性,并通过计算每个条件属性的重要性以及决策属性集对其的依赖性来为每个条件属性提供一个权值,从而将不同的条件属性有效地区分开来。在真实数据集上的实验表明,与现有的算法相比,所提算法能够获得更好的分类性能。     

基于相对决策熵与加权相似性的粗糙集数据补齐方法

现有的基于粗糙集的数据补齐方法在计算任意两个对象之间的相似性时并没有考虑不同条件属性之间的差异性。针对这一问题,引入一种新的加权相似性的概念,并提出一种基于相对决策熵与加权相似性的粗糙集数据补齐算法RDNAWS。RDNAWS算法采用相对决策熵的概念来度量每个条件属性的重要性,并通过计算每个条件属性的重要性以及决策属性集对其的依赖性来为每个条件属性提供一个权值,从而将不同的条件属性有效地区分开来。在真实数据集上的实验表明,与现有的算法相比,所提算法能够获得更好的分类性能。     

关于模糊粗糙集的相似度量

基于对不确定性信息处理的背景,定义了模糊粗糙值与模糊粗糙集的相似度量,研究了它们的有关性质。     

基于海明距离的直觉模糊粗糙集相似度量方法

针对直觉模糊粗糙集的相似度量问题,提出了一种基于海明距离的直觉模糊粗糙集相似度量方法。首先给出了两个直觉模糊粗糙值问的相似度量方法,并揭示了它的若干重要性质。然后,在此基础上,又提出了一种基于海明距离的直觉模糊粗糙集相似度量方法,并证明它也具有同样的性质。最后用数值算例验证了这种方法的有效性。     

加权模糊粗糙约简

基于模糊粗糙集的传统约简算法的时间代价较高,在处理大规模数据时耗时过长,且在许多实际大规模数据集上存在有限时间内无法收敛等问题。因此将权重引入属性约简的定义中,其中属性权重是属性重要度的数值指标。通过构建优化问题来求解属性权重,证明了属性依赖度即是属性权重的最优解。因此,提出了基于属性权重排序的约简算法,从而大大提升了约简的速度,使得约简算法可以应用于大规模数据集,特别是高维数据集中。     

模糊粗糙集的相似度量和相似性方向

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。相似度量的研究是模糊集理论与粗糙集理论的热点问题之一。文章提出了一种更精确、更合理的相似度量方法,讨论了它的一些性质。然后,在此基础上提出了模糊粗糙集的相似性方向的概念,用于比较两个相似的模糊粗糙集所包含信息的精确性大小,并给出了一个关于相似性方向的判别函数。这在近似推理、模式识别和决策分析等领域有着广泛的应用。最后,通过一个实例,分析说明了这种相似度量方法和相似性方向的判别方法是更合理更有效的。     

改进的直觉模糊粗糙集相似性度量方法

针对现有的直觉模糊粗糙集相似性度量的问题,提出了一种改进的基于海明距离的直觉模糊粗糙集相似性度量方法。该方法考虑了犹豫度并引入加权参数,解决了相似性度量不精确的问题。首先给出了直觉模糊粗糙值间的相似性度量定义,并揭示其若干重要性质。在此基础上,提出了直觉模糊粗糙集间的相似性度量方法,并证明其具有同样性质。最后通过数值算例分析说明了该方法更合理、更有效。     

新的模糊粗糙集的模糊性度量方法

研究了模糊粗糙集的模糊性度量方法。首先从模糊集支集的角度,给出了一般模糊关系下模糊集的粗糙隶属函数;在此基础上,设计了一种合理的模糊粗糙集的模糊性度量方法,并对其相关性质进行了详细的讨论。     

基于强正则蕴涵算子的加权模糊度量空间

在强正则蕴涵算子的统一框架下给出了加权正则度量的定义,建立了基于强正则蕴涵算子的加权正则模糊度量空间,并且研究了该模糊度量空间的性质,分析了常用的逻辑连接词所对应的映射关于加权正则度量的连续性,最后证明了基于Lukasiewicz蕴涵的加权正则模糊度量空间是最适宜于展开模糊推理的模糊度量空间。     

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.     

基于模糊集截集的模糊粗糙集模型

基于L.A.Zadeh模糊集的截集的概念给出了论域U上任意模糊子集的上、下近似的刻画,得到了基于模糊集的截集的粗糙集模型,亦即模糊粗糙集,实现了用论域U中的模糊集近似论域上的任意模糊集,进一步推广了Z.Pawlak粗糙集模型,扩展了粗糙集的应用范围。最后,研究了其基本性质以及其与其他粗糙集模型的关系。     

基于覆盖的区间直觉模糊粗糙集

在经典的覆盖近似空间中,定义了区间直觉模糊概念的粗糙近似。通过区间直觉模糊覆盖概念,给出了一种基于区间直觉模糊覆盖的区间直觉模糊粗糙集模型。讨论了两种模型的一些相关性质。     

粗糙Vague集(值)相似性度量的一种新方法

对粗糙集和Vague集的概念、知识表示方法进行了讨论,把粗糙集和Vague集进行了融合,描述了粗糙Vague集概念,给出粗糙Vague值的相关概念及其相似性度量的一种新方法,研究了粗糙Vague集的相关性质及其相似性度量的方法。     

基于加权因子的Vague(值)集相似度量

在Vague集的各种应用中,相似度量扮演着非常重要的作用,针对现有不同的相似度量方法,主要指出文献[16,17]度量方法的缺陷,通过引入加权因子,指出一类Vague集相似度量公式的约束条件,进而解决了文献[16,17]所存在的问题,在模式识别中的一个应用实例验证了新方法的有效性。     

区间直觉模糊粗糙集

将模糊粗糙集推广到区间直觉模糊粗糙集,基于区间直觉模糊等价关系和两个论域之间的一般区间直觉模糊关系,给出了区间直觉模糊粗糙集模型的不同形式,并讨论了一些相关性质。     

Entropy of interval-valued fuzzy sets based on distance and its relationship with similarity measure

This article proposes a new axiomatic definition of entropy of interval-valued fuzzy sets (IVFSs) and discusses its relation with similarity measure. First, we propose an axiomatic definition of entropy for IVFS based on distance which is consistent with the axiomatic definition of entropy of a fuzzy set introduced by De Luca, Termini and Liu. Next, some formulae are derived to calculate this kind of entropy. Furthermore we investigate the relationship between entropy and similarity measure of IVFSs and prove that similarity measure can be transformed by entropy. Finally, a numerical example is given to show that the proposed entropy measures are more reasonable and reliable for representing the degree of fuzziness of an IVFS.     

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。