地理信息系统属性数据不确定性的研究

属性不确定性是GIS数据不确定性研究范畴的一个重要组成部分,属性数据的不确定性在许多侧重于属性分析的领域中直接影响GIS分析决策结果的准确性和可靠性。分析了属性不确定性的来源,介绍了数据生命周期的概念,研究了GIS中属性不确定的主要处理方法,包括目标模型与域模型、概率论及数理统计、模糊集合、粗集和云理论等,并对基于模糊逻辑的不确定性传播模型和基于灵敏度分析的不确定性传播模型进行理论上的探讨。     

GIS数据之属性不确定性的研究

GIS中的不确定性可分为位置,属性,时域,逻辑关系和完整性等几个方面,属性数据的不确定将直接影响基于GIS决策的准确性和可靠性,特别是对侧重于属性分析的领域,本文首先总结了属性不确定的含义,来源,传播,它和位置不确定性的关系,以及属性不确定性分析和可视化的理论和方法,最后概述了属性不确定性的研究进展。     

GIS属性数据不确定性及其传播研究

属性数据的不确定性直接影响地理信息系统(GIS)分析决策结果的准确性和可靠性。将GIS属性数据的整个生命周期分成数据采集与准备、数字化信息提取、信息综合和属性数据表达等阶段,研究属性数据不确定性在各阶段的传播,构造其传播模型,提出属性数据不确定性的合成算法与传播算法,实验结果验证了该模型的可用性与有效性。     

基于粗糙熵的不相容大气质量系统的预测

对不相容大气质量系统进行预测,并做出正确的决策是目前一个重要的研究课题.粗糙熵是在粗糙集理论基础之上的、处理不确定性问题的一种度量.从粗糙熵的角度来研究不相容信息系统的属性约简,并在此基础上研究基于粗糙熵约简的算法.给出基于该算法进行大气质量系统预测的基本步骤,通过具体的示例说明该算法的可行性和有效性.     

一种优化的不完备信息系统知识约简算法

以不完备信息系统为研究对象,对传统粗糙熵及相应知识约简算法的局限性进行了分析;通过引入概率计算公式,重新定义了不完备熵概念,能够更加精确地度量知识的不确定性;利用粗糙熵和不完备熵联合对属性重要性进行了定义.在此基础上提出了优化的知识约简算法,该算法的时间复杂度是多项式的.通过实例说明,该算法比传统的基于粗糙熵的算法能得到更优的最小约简.     

基于知识粗糙熵的快速属性约简算法

针对基于正域的属性约简算法在约简过程中存在重复计算属性相对重要度从而导致算法效率低的问题,从属性度量和搜索策略的角度提出基于知识粗糙熵的快速属性约简算法。首先,在决策信息系统中通过引入知识距离提出知识粗糙熵以度量知识的粗糙程度;其次,利用知识粗糙熵作为属性显著度的评价标准来评估单个属性的重要程度;最后,利用属性重要度对所有条件属性进行排序,且通过属性依赖度删除冗余属性,从而实现快速约简。在六个公开数据集上将所提算法与其他三种算法在运行效率和分类精度上进行对比实验。结果表明,该算法的运行效率比其他三种算法分别提高了83.24%、28.77%和59.92%;在三种分类器中,分类精度分别平均提高了0.83%、0.63%和1.37%。因此,所提算法在保证分类性能的同时,能以更快的速度获得约简。     

不完备信息系统中基于模糊测度的知识不确定性度量

考虑到不完备信息系统中属性的相似关系和缺失值对系统不确定性的影响,如果仍然利用分块大小来衡量知识的信息量或粗糙性将变得不合理。本文在信息系统中定义了模糊测度系统信息熵、知识粗糙熵和粗集粗糙熵,证明了模糊测度粗糙熵的合理性及其性质,并举例说明如何选择合理的测度计算模糊测度粗糙熵,最后运用到知识的约简,为信息系统的约简提供了一种新的途径。     

不精确性:涵义与性质

随机性和模糊性一直被认为是研究不确定性现象的两个方面。粗糙性的介入形成了解释不确定性现象的三位一体结构。随机性是客观属性,模糊性和粗糙性则与人的认知活动有关,故被合称为不精确性,且将之作为研究不确定性现象的主要突破方向。不精确性是人们在认知不确定性事物时必须接受的代价和缺陷;模糊性是为了获得认知的可行性和效率而放弃的对认知对象的清晰判定;粗糙性是当采用已有知识集合的两个子集近似地解释认知对象时而失去的对认知对象的细致描述。模糊性源于人们对认知对象的分类,粗糙性则与人们已有知识的不完备状态有关。不精确性的主要性质有三:主观性、基于分类、依赖已有知识。减低不精确性应从已有知识入手,即增加存量和改善有序程度。     

Web社会网络的粗糙属性图模型及应用

针对Web环境下的社会网络具有信息粗糙性的特征,即Web数据中有大量垃圾内容和垃圾链接,同时很多信息是不完整的、缺失的,且信息有重复现象存在等,在已提出的属性图模型基础上,结合粗糙集理论解决不完备信息的优势,首先提出粗糙顶点属性图和粗糙边属性图,进而给出粗糙属性图的概念,以对Web社会网络结构进行分析,使其能够描述复杂Web社会网络中的不完整信息以及动态变化的链接。其次对粗糙属性图的粗糙特性进行分析,给出粗糙顶点精度、粗糙边精度和粗糙图精度等概念,得出粗糙属性图的精度与顶点和边集属性划分程度有关的结论,即人们对图的认知程度与图的精度密切相关。最后,在中国知网上通过对论文作者进行查询得到粗糙图,并通过不断添加顶点属性,将图顶点划分得越来越精细,挖掘出要查询的作者合作关系图,从而说明粗糙属性图在社会网络分析中符合人们的认知过程。     

变精度最小平方粗糙熵的图像分割算法

图像处理是获取信息的重要途径且被广泛地应用到军事、医学和交通等重要领域,图像分割在图像处理中占有重要地位。针对图像处理分割过程中的不确定性,为获取更加精确的图像分割效果,提出变精度最小平方粗糙熵和粒子群的图像单阈值分割算法。该单阈值分割算法用变精度粗糙集表示图像,以变精度最小平方粗糙熵求解最佳分割阈值,借助粒子群优化算法提高分割效率。实验表明,该单阈值分割算法明显优于最大平均信息熵法,且说明了变精度粗糙熵能够处理图像分割过程出现的不确定性。     

基于多阈值的变精度邻域多粒度粗糙决策方法

为从更多角度处理数值型信息系统,提出了基于多阈值的变精度邻域多粒度粗糙决策分析方法。首先,分析了双重粒化准则下邻域半径选取的局限性,针对多属性特征给出了新的多阈值邻域半径计算方法;然后,借鉴变精度粗糙集在降低噪音数据干扰方面的优势,获取更精确的粗糙近似,并对相关性质进行了证明。实例分析表明,新模型能有效提高对象的分类精度和分类质量。     

On fuzzy approximation operators in attribute reduction with fuzzy rough sets

Generally speaking, there are four fuzzy approximation operators defined on a general triangular norm (t-norm) framework in fuzzy rough sets. Different types of t-norms specify various approximation operators. One issue whether and how the different fuzzy approximation operators affect the result of attribute reduction is then arisen. This paper addresses this issue from the theoretical viewpoint by reviewing attribute reduction with fuzzy rough sets and then describing and proving some theorems which demonstrate the effects of the fuzzy approximation operators on the results of attribute reduction. First, we review some notions of attribute reduction with fuzzy rough sets, such as positive region, dependency degree and attribute reduction. We then present and prove some theorems which describe how and to what degree fuzzy approximation operators impact the performance of attribute reduction. Finally, we report some experimental simulation results which demonstrate the effectiveness and correctness of the theoretical contributions. One main contribution in this paper is that we have described and proven that each attribute reduction obtained using one type of fuzzy lower approximation operator always contains one reduction obtained using the other type of fuzzy lower approximation operator.     

基于知识距离的粗糙粒结构的评价模型

在粒计算理论中,通过不同的粒计算机制可以生成不同的粒结构。在粗糙集中,对于同一个信息表而言,通过不同的属性添加顺序可以得到由不同的序贯层次结构,即粗糙粒结构。在粗糙粒结构中,不同的属性获取顺序导致了对不确定性问题求解的不同程度。因此,如何有效评价粗糙粒结构是一个值得研究的问题。本文将从知识距离的角度研究这个问题。首先,在前期工作所提出的知识距离框架上提出了一种粗糙近似空间距离,用于度量粗糙近似空间之间差异性。基于提出的知识距离,研究了粗糙粒结构的结构特征。在粗糙粒结构中,在对不确定性问题进行求解时,本文希望在约束条件下可以利用尽可能少的知识空间使不确定性降低达到最大化。基于这个思想并利用以上得出的结论,在属性代价约束条件下,引入了一个评价参数λ,并在此基础建立了一种粗糙粒结构的评价模型,该方法实现了在属性代价约束条件下选择粗糙粒结构的功能。最后,通过实例验证了本文提出的模型的有效性。     

变精度与程度粗糙集的一种推广

粗糙集理论是一种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。在程度粗糙集和变精度粗糙集的基础上,通过引入误差参数,给出了一种新的程度变精度粗糙集模型并得出了所给模型上、下近似的一些性质。最后,通过一个具体的例子,说明了这种模型在信息系统中处理模糊和不确定性知识的可行性和有效性。     

变精度下不完备邻域决策系统的属性约简算法

邻域粗糙集模型在处理完备的数值型数据中得到广泛应用,但针对不完备的数值型和符号型混合数据进行属性约简的讨论相对较少。为此,首先结合邻域粗糙集给出了可变精度模型下不完备邻域决策系统的上、下近似算子及属性约简;然后通过邻域粒化的方法构建了广义邻域下可变精度的粗糙集模型,并提出了一种属性重要度的评价方法;在此基础上,设计出了面向不完备邻域决策系统的属性约简算法,该算法可直接处理不完备的数值型和符号型混合数据;最后,通过实例分析验证了本文提出的算法能够求解出变精度下不完备邻域决策系统的属性约简结果。     

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.     

粗糙集决策表边界属性分析

上近似、下近似是粗糙集理论的基本概念,由上下近似概念可导出粗糙集的正域、负域、边界等概念。对于决策信息系统,决策属性的等价类可以用粗糙集理论的上下近似来刻画,边界反映了其粗糙性。分析决策信息系统的边界类属性,结合可变精度粗糙集与经典粗糙集理论,对比边界类属性与正域类属性及负域类属性的差别,提出了正向迁移属性和负向迁移属性概念,结合例子给出正向迁移属性与负向迁移属性的求法,并对其意义加以说明。     

基于模糊粗糙集的GIS数据转换方法研究

GIS按照数据结构可以分为矢量数据和栅格数据两种。GIS的空间建模大部分是基于栅格数据进行的,因此,对于一些在矢量结构中表达的属性（如人口密度等）,需要转换成栅格数据。传统的数据转换方法一般都是面积占优法,这种方法没有充分考虑空间数据的模糊性问题。采用模糊粗糙集的理论,对矢量多边形数据转换成栅格数据的方法做了探讨。基于模糊粗糙集的数据转换方法考虑到了多边形数据的边界模糊性,利用隶属函数来确定多边形边界的不确定性。     

混合信息系统的动态变精度粗糙集模型

粗糙集是一种针对不确定性数据的数据挖掘理论,邻域粗糙集是处理混合型数据的常用模型.为了提高对混合型数据的抗噪能力,提出一种混合信息系统的变精度粗糙集模型;由于现实环境下信息系统的动态性,进一步提出对象增加和减少时的动态变精度粗糙集模型.首先研究混合信息系统中条件概率随对象增加和减少时的变化关系,然后在该变化关系的基础上提出混合信息系统变精度粗糙集上下近似的增量式更新机制,最后根据这一更新机制提出相应的增量式近似更新算法.实验结果表明,所提出的增量式更新算法比非增量的算法具有更高的计算效率,从而验证了所提出模型的有效性,同时也表明所提出模型更加适用于复杂的数据环境.