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。     

变精度覆盖粗糙集模型的推广研究

基于多数包含关系及误差参数β（0≤β＜O．5）,提出了两种基于对象邻域的变精度覆盖粗糙集模型,讨论了模型中β上、下近似算子的性质;从对偶性角度出发推广了β上近似、β下近似算子apcβ（X）与^—apcβ（X）,得到了两对对偶的上、下近似算子apc′β（X）与^—apc′β（X）和apc″β（X）与^—apc″β（X）;研究了这些近似算子的性质及相互关系。     

一种基于覆盖关系的变精度概率测度粗糙集模型

概率粗糙集理论是基于论域的等价关系而建立的,而在实际应用中等价关系很难构造,因此概率粗糙集扩展模型便成为研究的一个重要方面。本文将模型建立在论域的覆盖关系下,限定α于12<α≤1,提出了一种基于覆盖的变精度概率粗糙集模型。     

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。     

广义变精度粗糙集模型中近似算子研究

定义了多数包含关系;借助引入的误差参数β（0≤β〈0．5）,提出了基于后继邻域的广义变精度粗糙集模型的β上近似aprβX、β下近似aprβX、β边界bnrβX和β负域negrβX的定义;详细讨论了β上、下近似算子aprβX与aprβX的性质;从对偶性角度出发推广了β上近似、β下近似算子aprβX与aprβX,得到了两对对偶的上、下近似算子aprβX与aprβX和aprβX与aprβX;最后全面讨论了推广后的两对上、下近似算子APRβX与aprβX和aprβX与aprβX的性质,详细分析了它们同广义变精度粗糙集模型中上、下近似算子aprβX与aprβX和一般关系下的变精度粗糙集模型中上、下近似算子RβX与RβX的关系。     

基于覆盖的粗糙集模型比较

通过分别比较各模型的上近似、下近似以及近似精度,系统地分析了6种基于覆盖的粗糙集模型。得到3条结论:首先,在6种覆盖上近似之间,第2种覆盖上近似最大,并且除了第3种和第4种覆盖上近似之间是不可比较的之外,前5种覆盖上近似集间均有包含关系;其次,两种覆盖下近似间存在包含关系;第三,在6种模型的近似精度之间,第2种模型是最低的,而第5种模型除了和第6种模型不可比较之外其具有最高的近似精度。通过多个实例,验证了所有结论的正确性。这种对不同粗糙集模型的对比研究为深入理解这些模型提供了帮助,并且为不同应用场合模型的选择提供了参考依据。     

变精度相容粗糙集模型

将变精度粗糙集的思想引入相容粗糙集,提出了两种变精度相容粗糙集模型,在模型I中,目标概念的下近似和边界域的交集非空;在模型II中,目标概念的下近似和边界域的交集为空。研究了两种模型中上、下近似算子的基本性质、两种模型之间的关系,以及与其他粗糙集模型之间的关系。     

变精度覆盖近似算子与覆盖近似算子的关系

变精度覆盖粗糙集模型是在放宽了覆盖标准的前提下给出的,因而导致近似算子发生了变化,但其变化有一定的规律。在介绍了覆盖粗糙集模型和变精度覆盖粗糙集模型的概念的基础上,给出并证明了变精度覆盖粗糙近似算子与覆盖粗糙近似算子之间的关系,即定理1、定理2及其推论。     

邻域系统粗糙集和覆盖粗糙集

邻域系统粗糙集和覆盖粗糙集是经典粗糙集的两种重要扩展。通过分别比较各模型中下(上)近似集之间的包含关系和近似精度之间的大小关系,深入探讨邻域系统粗糙集和6种覆盖粗糙集模型之间的关系,得出了邻域系统粗糙集和6种覆盖粗糙集模型的下(或上)近似集之间的关系是明确的,其要么是可以比较的,要么是不可以比较的,证明了可比较的具有包含甚至等价关系,不可比较的通过反例进行了佐证。对不同扩展粗糙集的对比研究加深了对这些模型的理解,同时也为宏观上学习和认识粗糙集提供了帮助。     

变精度粗糙集

本文定义了变精度粗糙集,从精度的取值情况分类讨论了其基本结构.对比一般粗糙集性质,研究了变精度粗糙集三个方面的性质:集合与其变精度近似集的关系、变精度近似算子的幂作用、变精度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

一种新的覆盖粗糙集度量方法

现有的近似精度和粗糙度不能反映不同覆盖之间的粗细关系。为解决该问题,提出一种新的覆盖粗糙集度量方法,将知识粒度引入到覆盖近似空间中,给出覆盖粒度概念,重新定义近似精度及粗糙度。实例验证结果表明,该方法能区分出2种不同覆盖粒度上的近似精度和粗糙度。     

变精度粗集模型在决策树生成过程中的应用

Pawlak粗集模型所描述的分类是完全精确的,而没有某种程度上的近似。在利用Pawlak粗集模型构造决策树的过程中,生成方法会将少数特殊实例特化出来,使生成的决策树过于庞大,从而降低了决策树对未来数据的预测和分类能力。利用变精度粗集模型,对基于Pawlak粗集模型的决策树生成方法进行改进,提出变精度明确区的概念,允许在构造决策树的过程中划入明确区的实例类别存在一定的不一致性,可简化生成的决策树,提高决策树的泛化能力。     

可变精度粗集模型研究

粗糙集理论一直致力于研究不确定或不精确信息的数据分析问题。基于粗糙集的相关概念,对标准粗糙集模型与可变精度粗糙集模型进行了比较研究,着重描述了可变精度粗糙集模型的特点。     

一种覆盖粗糙模糊集模型

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.其中,基于覆盖的粗糙集模型扩展是粗糙集 扩展模型中的重要一类.覆盖近似空间中的概念近似是从覆盖近似空间中获取知识的关键.目前,研究者对覆盖近似空间中经典集合的近似进行了较多的研究.针对覆盖近似空间中模糊集合的近似,虽然不同的覆盖粗糙模糊集模型 被提了出来,但它们都存在不合理性.从规则的置信度出发,提出了一种新的覆盖粗糙模糊集模型.该模型修正了已 有模型中存在对象在下近似中不确定可分和上近似中不近似可分的问题.分析了具有偏序关系的两个覆盖近似空 间中上、下近似之间的关系,发现两个不同覆盖生成相同覆盖粗糙模糊集的充要条件是这两个覆盖的约简恒等.分 析了新模型与Wei 模型、Xu 模型之间的关系,发现这两种模型是新模型的两种极端情况,且其应用前提是覆盖为一 元覆盖.这些结论将为覆盖粗糙模糊集模型应用于决策为模糊的情形提供理论基础.     

一种覆盖粗糙模糊集模型

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.其中,基于覆盖的粗糙集模型扩展是粗糙集扩展模型中的重要一类.覆盖近似空间中的概念近似是从覆盖近似空间中获取知识的关键.目前,研究者对覆盖近似空间中经典集合的近似进行了较多的研究.针对覆盖近似空间中模糊集合的近似,虽然不同的覆盖粗糙模糊集模型被提了出来,但它们都存在不合理性.从规则的置信度出发,提出了一种新的覆盖粗糙模糊集模型.该模型修正了已有模型中存在对象在下近似中不确定可分和上近似中不近似可分的问题.分析了具有偏序关系的两个覆盖近似空间中上、下近似之间的关系,发现两个不同覆盖生成相同覆盖粗糙模糊集的充要条件是这两个覆盖的约简恒等.分析了新模型与Wei模型、Xu模型之间的关系,发现这两种模型是新模型的两种极端情况,且其应用前提是覆盖为一元覆盖.这些结论将为覆盖粗糙模糊集模型应用于决策为模糊的情形提供理论基础.     

基于广义变精度粗糙模糊集模型的知识发现

介绍了广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型,找出了它们的不足.基于支集相对错误分类率及误差参数β(0≤β＜0.5),提出了广义变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与广义Pawlak's粗糙集模型、广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性.     

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。     

基于可变精度粗糙集理论的粗糙规则挖掘算法

提出了一种基于变精度粗糙集理论的规则挖掘算法.通过粗糙规则集的不确定性量度,应用遗传算法求取相对属性约简,然后根据所给阈值导出粗糙规则集,并对阈值对规则集的影响进行了事后分析.由该算法得到的规则既有一定的噪声容忍度又具备较高的准确度和覆盖度,从而能充分保证预测和分类的准确性.实例分析证明,该算法是规则挖掘的有效方法.