双论域上量化粗糙集模型及应用

双量化方法能够比较全面地刻画近似空间中决策对象的不确定性本质。在双论域框架下讨论了双量化粗糙集的基本模型。通过现实中理疗诊断决策问题给出了双论域量化粗糙集研究的背景和意义,进而通过结合经典变精度粗糙集和程度粗糙集给出了双论域量化粗糙集的基本定义。系统地讨论了其上下近似的基本性质以及与已有粗糙集模型的关系,并给出了其上下近似的矩阵计算方法。基于所建立的理论模型与方法,给出了双论域量化粗糙集在疾病诊断决策中的应用,通过应用算例说明了理论模型的应用过程。     

基于逻辑或的双量化粗糙集模型的计算分析与属性约简

双量化具有完备刻画粗糙集近似空间的重要功能,而精度与程度的逻辑或粗糙集模型则是一类基本的双量化扩张模型.针对该模型进行深入的计算分析,进而探讨其在近似空间中的属性约简.利用区域结构,分析计算公式,在此基础上构建宏观算法和结构算法,算法的分析和比较结果说明结构算法具有较好的计算复杂性.基于近似空间讨论关于4区保持的基本性质,提出区域保持的属性约简,得到经典定性约简的一类扩张量化约简.该研究为双量化粗糙集模型的优化计算与约简应用提供泛化思路.     

一般多粒度量化软粗糙集模型

建立了适应数据误差、具有知识容错能力的一般多粒度量化软粗糙集模型,弥补了多粒度软粗糙集模型的不足.讨论了一般多粒度量化软粗糙近似算子的性质以及程度多粒度软粗糙集与一般多粒度量化软粗糙集之间的关系.研究了一般多粒度量化软粗糙集的不确定度量和性质.用传染病这一案例展现了一般多粒度量化软粗糙集模型的应用实效.     

量化容差关系的程度多粒度粗糙集模型

多粒度粗糙集是一种重要的多粒度数据挖掘模型。为了对不完备信息系统中等价类重叠部分的定量信息进行挖掘,提出一种多阈值的量化容差关系程度多粒度粗糙集模型。首先将描述等价类重叠信息的程度多粒度粗糙集模型与处理不完备信息系统的量化容差关系进行结合,提出量化容差关系的程度多粒度粗糙集模型,然后在该模型的基础上,为每个粒度设定与数据相适应的阈值,提高了量化容差关系程度多粒度粗糙集模型的灵活性,增加多粒度数据挖掘的性能。UCI数据集的实验结果表明,本文所提出的粗糙集模型具有较好的分类效果和理论的可行性。     

基于多重阈值的变精度多粒度粗糙集模型

传统变精度多粒度粗糙集模型是基于单一变精度阈值的,而多粒度粗糙集模型是从多角度和多层次处理数据,数据往往是多源的或者是分布式的,其噪音数据的含量也各不相同。因此,不同知识粒度层次所应具有的变精度阈值也不相同,这使得现有的模型难以适应多粒度环境。为克服上述缺点,提出了基于多重阈值的变精度多粒度粗糙集模型,该模型使得不同知识粒度层次的变精度阈值可独立调整,更符合多粒度粗糙集模型的数据特征。该模型更好地结合了多粒度粗糙集模型和变精度粗糙集模型,可从多角度分析解决问题又兼具更灵活的容错能力。     

序信息系统下基于精度与程度“逻辑与”和“逻辑或”的粗糙集

在序信息系统中通过“逻辑与”和“逻辑或”将变精度粗糙集与程度粗糙集融合起来,建立了一种新的粗糙集模型,此模型是对经典粗糙集模型、变精度粗糙集模型以及程度粗糙集模型的推广。对模型区域做出了精确的刻画,深入地研究了模型的数学性质。最后通过对学生成绩这一案例的分析,揭示了本研究的意义,从而为序信息系统的知识发现提供了新的思路。     

基于三角范数的变精度悲观多粒度粗糙集模型

多粒度粗糙集模型是目前粗糙集模型研究的热点方向之一。在更一般的情形下,提出了基于三角范数的变精度悲观多粒度粗糙集模型。根据S-范数和T-范数的定义,建立了一种新的基于三角范数的变精度悲观多粒度上下近似模型,并对其性质进行研究;对以上模型进行修正,并对修正模型的性质进行研究;结合实例,验证了模型的合理性。     

基于可变多粒度概率粗糙集的分类模型*

以多粒度粗糙集理论为背景,结合可变多粒度思想与错误分类率思想,提出可变多粒度概率粗糙集(VMGPRS)模型.结合粗糙集理论中的属性约简思想,提出粒度约简算法,发现并解决可变多粒度模型中由于参数设定而引发的约简后粒度冗余问题.将约简前后的数据应用于SVM、KNN、NB等经典分类算法,验证约简对数据的分类能力几乎无影响.将规则与算法结合,设计基于规则的分类算法,并且实验分析VMGPRS模型中的2个调节参数α、 β对分类器分类效果的影响.     

精度与程度的逻辑或粗糙集模型

精度与程度是两个重要的量化研究指标.文中目的是结合精度与程度,探索粗糙集拓展模型.通过研究变精度近似与程度近似的关系,得到两者的转化公式.基于精度与程度的逻辑或需求,提出精度与程度的逻辑或粗糙集模型,提出粗糙集区域,更精确地分划论域.在精度与程度的逻辑或粗糙集模型中,得到粗糙集区域的基本结构,提出计算粗糙集区域的常规算法和结构算法,并进行算法分析与比较.精度与程度的逻辑或粗糙集模型拓展了变精度粗糙集模型、程度粗糙集模型、经典粗糙集模型,并在这些模型中得到相应的粗糙集区域结构.     

双论域的一般多粒度粗糙集

多粒度粗糙集是近几年来研究的热门课题之一。将多粒度粗糙集和双论域结合起来,首先定义了不同论域上的支撑函数;其次通过支撑函数建立了不同论域上的一般多粒度粗糙近似算子,研究了各个近似算子的性质。讨论了双论域的一般多粒度粗糙集的粗糙度和精确度;通过大学生选课这一实例验证了该模型的实用性和有效性。     

基于等价关系的混合多粒度粗糙集

以基于等价关系诱导的划分为基础,提出了混合多粒度空间的概念,以便研究同时具有析取和合取关系的多 粒度空间。利用混合多粒度空间中的划分对目标概念进行近似逼近,提出了混合多粒度粗糙集模型。讨论了混合多 粒度粗糙集模型的基本性质,证明了混合多粒度粗糙集是乐观和悲观多粒度粗糙集的广义化表现形式。     

基于加权粒度的多粒度粗糙集

首先,通过分析现有多粒度粗糙集模型的不足,提出一种基于粒度加权的多粒度粗糙集模型;然后,通过比较得出加权多粒度粗糙集与乐观多粒度、悲观多粒度和可变多粒度粗糙集之间的关系,讨论加权多粒度粗糙集的性质,并分析这几种多粒度粗糙集度量之间的关系;最后,通过实例分析验证了所提出加权多粒度粗糙集模型的有效性。     

序信息系统中基于“逻辑且”和“逻辑或”的双量化粗糙模糊集

基于“逻辑且”和“逻辑或”两个逻辑算子在序信息系统中建立了一种双量化粗糙模糊集模型,克服了传统“逻辑且”和“逻辑或”粗糙模集模型不能解决模糊对象的问题,使得变精度与程度粗糙集具有更广的应用价值。最后通过超市评价进行案例分析,进一步阐述了研究双量化粗糙模糊集的意义。     

序信息系统下变精度与程度的“逻辑或”粗糙集

变精度粗糙集模型和程度粗糙集模型是两类重要的粗糙集扩张模型,其中精度反映了近似空间的相对量化信息,而程度则刻画了近似空间的绝对量化信息。为了融合相对量化信息和绝对量化信息,使粗糙集具有更强的数据处理能力与更广的适用领域,提出了序信息系统下的变精度与程度"逻辑或"粗糙集的概念,得到其粗糙集区域的基本结构和精确描述,深入讨论了其重要性质。结合学生成绩这一具体案例的求解分析,进一步阐述了对变精度与程度的"逻辑或"粗糙集进行研究的意义,为序信息系统的知识发现提供了更丰富的理论基础。     

不完备系统中基于多粒度的变精度粗糙集方法

多粒度方法是近年来新兴起的一种数据处理模型。为了使多粒度方法适用于不完备信息系统,借鉴非对称相似关系和可变精度的基本思想,提出了基于多粒度的变精度粗糙集模型,其分别包括乐观和悲观两种不同的形式。对这些模型的基本性质进行了讨论,并在多粒度框架下,将变精度方法与严格包含的方法进行了对比分析,最后通过实例分析,说明了如何在不完备信息系统中根据所提出的多粒度变精度粗糙集模型来获取“或”决策规则。     

基于下近似分布粒度熵的变精度悲观多粒度粗糙集粒度约简

将下近似分布约简引入变精度悲观多粒度粗糙集,定义了变精度悲观多粒度粗糙集的下近似分布粒度熵,基于下近似分布粒度熵定义了变精度悲观多粒度粗糙集粒度的重要度,并设计了基于下近似分布粒度熵的悲观多粒度粗糙集启发式粒度约简算法,通过实例验证了算法的有效性。     

基于直觉模糊关系的双论域多粒度概率粗糙集

在复杂的不确定性环境中,粗糙集引入拓展要素,可增强模型强健性,因此,文中基于直觉模糊关系,在双论域上研究多粒度概率粗糙集.首先,利用直觉模糊关系与双论域背景,进行多粒度概率粗糙集建模,得到正向乐观、正向悲观、逆向乐观、逆向悲观4种模型及相关集成算法.然后,研究模型下上近似的数学性质,包括集合运算关系、概率参数极限、精度大小对比3方面.最后,采用医疗实例验证模型有效性与性质正确性,提供三支决策制定方案,并验证关于多粒度双论域直觉模糊概率粗糙集所得模型、算法、性质都具有深入的系统性、扩张性、应用性.     

直觉模糊序信息系统的变精度与程度“逻辑差”粗糙集

将直觉模糊集合中元素的隶属度、非隶属度和犹豫度充分地结合起来,在直觉模糊信息系统中定义了二次加权得分函数。基于此得分函数定义了直觉模糊信息系统中的优势关系,进一步地,通过"逻辑差"的方式将变精度粗糙集和程度粗糙集结合起来,提出了变精度与程度"逻辑差"粗糙集模型,并研究了其相关性质,发现"逻辑差"组合能够同时考虑变精度和程度的双重量化信息。最后,通过实例分析,进一步体现了研究意义,为直觉模糊序信息系统的知识发现提供了理论基础。