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.     

基于最优近似粗糙集的属性约简

为了更好地获取由边界域产生的不确定性规则知识,提出最优近似粗糙集的属性约简方法,为此给出了近似空间上粗糙集最优近似集的判定与计算,引入最优近似分布协调集、最优近似分布约简概念.讨论了Pawlak属性约简、分布约简、最优近似分布约简之间关系,得到在协调决策表中它们是等价的,在不协调决策表中最优近似分布约简是分布约简子集.最后通过实例进行了验证与说明     

粗糙模糊集的近似表示

粗糙模糊集是利用粗糙集的 Pawlak 知识空间来近似刻画一个模糊集（不确定概念）的理论模型．粗糙模糊集用上、下近似模糊集作为目标概念的边界模糊集,它没有给出在当前知识基下如何得到目标模糊概念的近似模糊集或近似精确集的方法．文中首先给出模糊集的相似度（近似度）的概念,定义了 Pawlak 知识空间U／R 下的阶梯模糊集、均值模糊集、0．5-精确集等概念;然后分析得出U／R 知识空间下的均值模糊集是所有阶梯模糊集中与目标模糊集最接近的模糊集,U／R 知识空间下0．5-精确集是目标模糊集最接近的近似精确集;分析了均值模糊集、0．5-精确集分别与目标模糊集之间的相似度随知识粒度变化的变化规律．从新的视角提出了不确定性目标概念的近似表示和处理的方法,促进了不确定人工智能的发展．     

基于近似集与粒子群的粗糙熵图像分割方法

基于经典粗糙集理论的图像分割方法缺少对目标图像不确定性边界域的精确划分,其根据先验粒度构建的图像粗糙集信息系统,并没有客观准确地反映出不同粒度之间的粗糙性信息。基于粗糙集近似集理论模型,首先采用自适应粒化方法得到图像的最优粒度,接着基于该粒度划分构建图像的目标和背景的上下近似集,再根据近似集思想对目标集合的边界域进行精确刻画,同时结合粒子群算法提高求解粗糙集近似集最大粗糙熵的效率,最终得到图像分割的最优分割阈值,并通过仿真实验表明该方法具有可行性和有效性。     

变精度多粒度粗糙集近似集更新的矩阵算法

随着信息大爆炸时代的到来,数据集的巨大化和数据集结构的复杂化已经成为近似计算中不能忽视的问题,而动态计算是解决这些问题的一种行之有效的途径。对现有的应用于经典多粒度粗糙集动态近似集更新方法进行了改进,提出了应用于变精度多粒度粗糙集（VPMGRS）的向量矩阵近似集计算与更新方法。首先,提出了一种基于向量矩阵的VPMGRS近似集静态计算算法;其次,重新考虑了VPMGRS近似集更新时的搜索区域,并根据VPMGRS的性质缩小了该区域,有效地提升了近似集更新算法的时间效率;再次,根据新的搜索区域,在VPMGRS近似集静态计算算法的基础上提出了一种新的VPMGRS近似集更新的向量矩阵算法;最后,通过实验验证了所提算法的有效性。     

一种优势关系粗糙集近似集动态更新算法

近似集计算是运用粗糙集理论在数据挖掘相关研究领域中发现隐藏在数据中潜在知识的一个关键步骤。实际问题求解中,人们常常面对的信息系统是动态变化的。针对信息系统中对象集变化的情况,提出一种基于有序等价类进行信息粒合并的优势关系粗糙集近似集动态快速更新策略及相应算法。通过一个数值化算例验证了信息粒动态更新的可行性,实验结果反映出粒度动态更新方法能有效提高近似集的动态更新效率。     

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.     

Approximation Sets of Rough Sets

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.     

基于最优相似度三支决策的模糊粗糙集模型

模糊信息系统中,对象的相似度往往会受噪声影响,且它在模型运算中常常并非全部需要高精度参与计算。文中首先引入阈值对(α,β),提出了一种基于相似度三支决策的模糊粗糙集模型;其次利用模糊集近似的三支决策方法,给出了对象相似度三支决策的错误率、决策代价以及相应的语义解释;然后以总体决策代价最小化为目标,给出了最优(α,β)的计算方法,从而建立了一种基于最优相似度三支决策的模糊粗糙集模型;最后通过实例分析说明了该模型的可行性和合理性。本文建立的三支决策模糊粗糙集模型保留了模糊信息系统的不确定性,一定程度地去除了噪声影响,且能通过计算得到最优阈值(α,β),从而建立基于相似度三支决策的最优模型,这将有益于模糊信息系统的应用。     

粗糙集的阶梯式近似

首先,利用基于边界域粗糙近似算子,给出n阶边界集的定义,引入n阶粗糙近似算子的定义,构造粗糙集理论的一套阶梯式近似方法.然后,通过实例和相关证明表明,无论二元关系还是在覆盖环境中,总存在正整数n,对于任意对象集,n阶上下近似集完全等于该对象集,即该对象集是此意义下的精确集,或其n阶上下近似集趋近于某一固定的对象集,即n阶粗糙集总能使对象集合趋近于它本身或某一固定的集合.     

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．     

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。     

基于粗糙集的属性约简研究进展

粗糙集理论是一种用于处理不确定、不精确、不完整知识的数学工具,已被广泛应用于人工智能、模式识别、数据挖掘和智能决策等领域。属性约简是粗糙集理论的一个核心问题,近年来已经成为粗集研究的热点。本文综述了当前国内外关于属性约简算法的若干最新研究进展,重在对属性约简的主流方法和前沿进展进行概括和分析,最后简要探讨了今后研究发展的方向。     

无限论域中的粗糙近似空间与信任结构

在粗糙集理论中存在一对近似算子：下近似算子和上近似算子.而在Dempser-Shafer证据理论中有一对对偶的不确定性测度：信任函数与似然函数.集合的下近似和上近似可以看成是对该集合所表示信息的定性描述,而同一集合的信任测度和似然测度可以看成是对该集合的不确定性的定量刻画.针对各种复杂系统中不确定性知识的表示问题,介绍了无限论域中经典和模糊环境下信任结构及其导出的信任函数与似然函数的概念,建立了Dempser-Shafer证据理论中信任函数与似然函数和粗糙集理论中下近似与上近似之间的关系.阐述了由近似空间导出的下近似和上近似的概率生成一对对偶的信任函数和似然函数;反之,对于任何一个信任结构及其生成的信任函数与似然函数,必可以找到一个概率近似空间,使得由近似空间导出的下近似和上近似的概率分别恰好就是所给的信任函数和似然函数.最后,指出了主要理论成果在智能信息系统的知识表示和知识获取方面的潜在应用.     

基于Rough sets和Fuzzy sets理论的约简算法

对决策表约简的一些rough sets和fuzzy sets相关概念进行了阐述。在应用Rough集对决策系统进行约简的基础上，结合模糊聚类分析方法，论述了这一可行的决策表约简算法。该算法以属性核与属性重要性的代数定义形式为基础，利用聚类分析的模糊处理方法，解决了约简过程。并给出了对一电器公司全国连锁销售数据约简处理结果，得出了能帮助不同级别决策者进行决策的辅助性的规则知识。     

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。     

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.     

糙集中近似质量的新认识

在粗糙集近似空间中提供了两个近似因子：一个是对一个对象集近似的准确性因子α，一个是属性集对另一个属性集的依赖程度因子或一个划分对另一个划分的近似因子γ，对于因子α可以给出精确性因子π与之比较，通过基于集合的距离度量公式，可以给出近似差错率来解释α，γ和π，如果把数据空间从1维拓广到κ维，可以得到κ维近似空间和相应的近似因子γκ。     

模糊集、粗糙集和商空间理论的比较研究

针对模糊集、粗糙集及商空间理论,从对智能的理解、粒的表示、粒度的定义和粒的关系这4个方面进行比较。分析比较结果可知,它们的共同之处有：用集合定义粒,用粒描述知识;不同之处有：词计算和粗糙集理论分别从微观角度研究词的推理和属性的约简,而商空间理论是从宏观角度研究粒度的变化规律。