决策表属性约简的相对划分粒度表示

粗糙集理论认为知识就是分类.本文对知识的分类能力给予了量化,提出利用划分粒度来定量地表示知识的分类能力.在划分粒度概念基础上,针对决策表定义了相对划分粒度并研究了它的性质,相对划分粒度可以定量表示决策表的条件属性子集相对于决策属性的分类能力的强弱;最后证明了对一致决策表的属性约简来说,相对划分粒度表示与Pawlak提出的代数表示是等价的.     

知识的划分粒度表示法

对知识的分类能力给予量化,提出一种知识表示法——划分粒度表示法,利用划分粒度可定量表示知识的分类能力.首先给出粗糙集理论中主要概念的代数表示,其次定义知识的划分粒度并研究它的性质,最后证明知识的代数表示与划分粒度表示是等价的.     

基于粒度计算理论的数据分类建模

文章研究了基于粒度计算理论的数据分类建模,引入了全粒度空间的概念,定义了集合的粒度表示,给出了概念学习在粒度计算理论中的解释,导出了一个基于数据分类的知识发现模型,从而说明了知识发现可归结为在全粒度空间中寻找目标概念的最佳粒度表示,而各粒度描述的析取构成决策规则的前件。     

一般二元关系下信息系统知识的粒度描述

在一般二元关系下信息系统中通过引入关系划分函数,建立了系统的概率空间,从而避免了此类系统论域只能形成覆盖而不能构成划分的局限性。进一步给出了一般二元关系下信息系统的粒度描述,得到了其重要性质,并证明了此类系统中知识的代数表示与粒度描述是完全等价的。最后通过实例验证了该粒度描述的有效性,为信息系统知识表示的进一步研究奠定了一定的理论基础。     

全粒度粗糙集的不确定性

全粒度粗糙集是一种既能表示显式知识又能表示隐式知识的粗糙集模型, 能更好地表示人类认识的复杂性、多样性和不确定性.文中结合经典粗糙集理论,定义全粒度隶属度、全粒度粗糙度、概念的全粒度属性依赖度、决策系统的全粒度属性依赖度等不确定性指标,探究这些不确定性指标的性质,指出这些不确定指标与全粒度绝对约简、概念的全粒度属性约简、全粒度Pawlak约简的联系,有助于全粒度粗糙集的属性约简和实际应用.     

不协调多粒度标记决策系统最优粒度的对比*

针对具有多粒度标记的不协调决策系统的知识表示和知识获取问题展开研究.首先,介绍多粒度标记信息系统的概念,在多粒度标记信息系统中定义不可分辨关系.然后,给出由不同粒度层面下信息粒度的表示及其相互关系,并进一步定义在不同粒度层面下集合的下、上近似概念,并讨论它们性质.最后,介绍不协调多粒度标记决策系统中8种协调性和最优粒度概念,并讨论它们之间的相互关系.     

基于粗糙集理论的粒度计算研究及其应用

经典的粗糙集理论提出知识是有粒度的,但它没有量化信息粒度所表示的信息量.本文定义了知识粒数,知识粒的微粒数,平均微粒数,近1系数,知识粒度的概念;提出了知识粒度的量化计算方法;提出了一种基于知识粒度的属性约简算法以避免选择约简子集的盲目性:给出了时间复杂度证明;通过海上交通事故的决策实例证明所提出的粒度计算方法是可行有效的.     

基于知识划分粒度的信息系统约简算法

粗糙集理论认为知识就是分类。对知识的分类能力给予了量化,提出利用知识的划分粒度来定量地表示知识的分类能力。首先建立了知识与其划分粒度间的关系;其次,基于划分粒度定义了属性的重要性,并以此为启发式信息设计了一个信息系统的约简算法;最后通过实例表明,该算法是高效的。     

基于粒度计算的数据分类建模研究*

基于粒度计算在理论上对数据分类问题进行建模研究.引入全粒度空间的概念,给出了集合的粒度表示、概念学习在粒度计算理论中的解释,从而得到数据分类问题的机理分析;最后导出了基于数据分类的知识发现模型,为知识发现面临的问题提供解决的理论依据,也为进一步研究奠定了重要的理论基础.     

基于商空间理论的模糊粒度计算方法

商空间信息粒度模型可以从不同角度、不同层次观察问题.本文首先将商空间理论中论域合成技术进行推广,根据已知的粒度知识给出了粒度搜索范围,在问题求解中,降低了计算复杂度.然后讨论了模糊商空间粒度计算和分层递阶结构的关系,用不同粒度的商空间模型来表示聚类的结构.据此提出了基于Gaussian型函数的模糊聚类算法(G-FCluster算法),算法用距离表示信息粒度,不需要定义隶属函数和求出相似矩阵,并且不需要讨论参数的选择.将算法应用于中国证券市场,并与FCM算法进行比较.实验说明了算法可以很直观地从不同粒度(距离)观察聚类结果,大大降低了计算复杂度和空间复杂度,适于处理大数据量的样本.     

粗糙集理论中概念与运算的信息表示*

粗糙集理论对知识进行了形式化定义,为知识处理提供了一套严密的分析工具,但在代数表示下,粗糙集理论的本质不易被理解,并且,尚无高效的知识约简算法.该文首先建立了知识与信息之间的关系;然后,在此基础上给出了粗糙集理论中概念与运算的信息表示;最后,证明了知识约简在信息和代数两种不同表示下是等价的.这些结论有助于人们深刻理解粗糙集理论的本质,同时,为寻找高效的知识约简算法奠定了基础.     

Knowledge granulation, knowledge entropy and knowledge uncertainty measure in ordered information systems

In this paper, concepts of knowledge granulation, knowledge entropy and knowledge uncertainty measure are given in ordered information systems, and some important properties of them are investigated. From these properties, it can be shown that these measures provides important approaches to measuring the discernibility ability of different knowledge in ordered information systems. And relationship between knowledge granulation, knowledge entropy and knowledge uncertainty measure are considered. As an application of knowledge granulation, we introduce definition of rough entropy of rough sets in ordered information systems. By an example, it is shown that the rough entropy of rough sets is more accurate than classical rough degree to measure the roughness of rough sets in ordered information systems.     

动态粒度下的粗糙集近似

粒度计算是粗糙集理论研究的一种强有力的工具。本文讨论了粒度意义下的粗糙集近似,并定义了动态粒度下的正向近似。另外,本文还从粒度的角度讨论了聚类结果和先验知识的协调度问题,并提出了一种基于动态粒度下的正向近似的聚类算法。这些结果将有助于粒度计算和粗糙集理论的研究。     

最小描述的多粒度覆盖粗糙集模型

在覆盖广义粗糙集理论中,对最小描述的定义是建立在单一粒度基础上。将最小描述从单一粒度推广到多个粒度,建立了多粒度覆盖粗糙集模型。在此基础上,用最小描述建立了两类不同的上下近似算子,研究其性质,给出了一种基于最小描述下求属性约简的新算法。     

可变粒度粗糙集

分析乐观多粒度粗糙集和悲观多粒度粗糙集的不足之后,提出一种可变粒度粗糙集模型,定义了可变粒度粗 糙集的下、上近似集,研究了可变粒度粗糙集与这两种多粒度粗糙集的性质,证明了可变粒度粗糙集是多粒度粗糙集 的泛化,最后给出几种可变粒度粗糙集的度量因子,研究了变粒度粗糙集与多粒度粗糙集度量之间的关系。     

优势关系下的多粒度粗糙集

从粒计算的角度,经典的粗糙集是建立在单一的粒(等价关系)上的,把它推广到建立在优势关系上的多粒度粗糙集,定义了多粒度下的上下近似。通过对经典粗糙集的比较,得到了二粒度和多粒度下粗糙集的一些性质和结论。并在二粒度和多粒度下,对粗糙集里的边界、近似精度、优势度和综合优势度进行了研究。通过地震数据的例子说明了单粒度和多粒度之间的差异。     

Partial ordering of information granulations: a further investigation

The notion of information systems provides a convenient tool for knowledge representation of objects in terms of their attribute values, while partial ordering is usually used to research the rough monotonicity of an uncertainty measure in information systems. In this paper, we first reveal the limitations of existing partial orderings to describe information granulations in information systems with several illustrative examples. Then, a generalized partial ordering with a set‐size nature is proposed to overcome their shortcoming and some of its important properties are derived. Finally, we prove that several existing information granulations all satisfy the granulation monotonicity induced by the proposed partial ordering. The presented partial ordering appears to be well suited to characterize the nature of information granulations in an information system. These results will be very helpful for studying granular computing and uncertainty in information systems.     

多粒度粗糙集的双层绝对约简*

多粒度粗糙集本质上是异构的,但是目前尚未运用于异构数据处理.从绝对约简的角度出发,提出多粒度粗糙集的双层绝对约简——多粒度绝对约简和多粒度绝对粒度约简.分析多粒度双层绝对约简的性质,特别是从异构数据约简的角度探究多粒度双层绝对约简的特性,提出多粒度双层绝对约简算法.理论分析和实例表明多粒度双层绝对约简算法的可行性.     

一种基于Rough集理论的数据过滤方法

Ｒｏｕｔｈ集理论是一种处理不确定模糊知识的重要工具,在对Ｒｏｕｇｈ集理论进行深入研究的基础上,提出了一种基于Ｒｏｕｇｈ集理论的这滤算法。该处 工硒思想是基于Ｐ－确定的等价类的合并,算法直观,计算简便,理论和实验表明,该算法能够减低信息系统中信息的粒度,在保持规则近似质量不变的前提下,有效地提高规则的统计意义和预测强度。