基于粒度的知识粗糙性研究

粒度计算是粗糙集理论研究的一种强有力的工具.在粗糙集理论中,提出知识是有粒度的并定义了知识粗糙度的概念.众所周知,知识获取是专家系统开发的"瓶颈"问题.文中主要从知识粒度、分辨度以及重要度等方面入手,着重研究了知识粗糙性的粒度原理与知识粗糙性的关系,提出了一种基于属性重要度的粗糙性知识获取算法,并通过理论与实验,证明该算法是正确的,行之有效的.     

粗糙集不确定性度量的矩阵运算

粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数,随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。     

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。     

基于知识粒度的粗糙集的不确定性度量

粗糙集的不确定性与其所在近似空间知识粒度的大小密切相关.提出了近似空间中集合的相对知识粒度的概念.基于相对知识粒度的粗糙集的粗糙性度量既刻画了近似空间对粗糙集不确定性的影响,又去除了负域的干扰.从边界熵的角度提出了一种粗糙集的模糊性度量.随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均单调递减.     

一种基于知识粒度的启发式属性约简算法

属性约简是粗糙集理论进行知识获取的核心问题之一。根据属性相似度与知识粒度的一致性,通过条件属性与决策属性以及条件属性之间的相似度度量,提出了一种基于知识粒度的启发式属性约简算法。根据条件属性与决策属性的相似度对条件属性进行降序排列,根据条件属性之间的相似度度量选择重要的属性,从而得到约简集合。理论分析与实验结果表明,该算法具有较高的运行效率和较好的约简效果。     

一种新的基于粒度重要度的三支决策模型

粒度重要度是多粒度粗糙集中的一项重要研究内容。针对现有粒度重要度只考虑单个粒度对决策的直接影响而忽略了其他粒度对决策综合影响的问题,结合多粒度粗糙集近似质量的概念,通过研究粒度重要度的构造方法,提出了一种新的多粒度间的粒度重要度的计算方法,并给出了基于该方法的粒度约简算法。同时,为减少冗余决策信息,将约简集与三支决策理论相结合,构建了基于粒度重要度的三支决策模型,给出了决策规则。最后通过实例证明,新的粒度约简算法可以获得具有更高区分度的数据,且缩小了延迟域范围,使最终决策更合理。     

不同知识粒度下粗糙集的不确定性研究

粗糙集的不确定性度量方法,目前主要包括粗糙集的粗糙度、粗糙熵、模糊度和模糊熵.在不同知识粒度下,从属性的角度,给出了分层递阶的知识空间链,发现在分层递阶的知识粒度下部分文献中定义的粗糙集的粗糙熵和模糊度随知识粒度的变化规律不一定符合人们的认识规律.从信息熵的角度提出了一种粗糙集不确定性的模糊度度量方法,证明了这种模糊度随知识粒度的减小而单调递减,弥补了现有粗糙熵和模糊度度量粗糙集不确定性的不足.最后,分析了在不同知识粒度下粗糙度和模糊度的变化关系.     

一种悲观多粒度粗糙集中的粒度约简算法

多粒度粗糙集方法是近年来粗糙集理论的一个发展方向,它是一种基于多个粒空间的粗糙数据建模方法。 文中针对悲观多粒度粗糙集模型,引入分布约简的概念,分析多个粒空间中的粒度选择问题。基于给出的粒度重要度提出悲观多粒度粗糙集中的粒度约简算法,并通过实例验证该方法的有效性。结论表明该方法得到的结果更加符合实际决策。     

K粒度模糊粗糙集模型的不确定性研究

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,在引入了K粒度粗糙关系基础上定义了K粒度粗糙集模型并给出了K粒度分割概念,文章从信息熵的角度给出K粒度粗糙集模型的粗糙熵的不确定度量方法,讨论了该模型随知识分类粒度变化与粗糙熵之间的关系,证明了知识分类粒度呈细分时粗糙熵具有单调递增性,并且以实例验证了此模型理论的有效性与正确性,该模型使得粗糙集处理数据的范围扩展到了实域.在此基础上定义了K粒度模糊粗糙集模型,并研究了其结构及性质,最后给出了K粒度模糊粗糙集模型依参数0<β≤α≤1的扩展模型,并研究了模型的性质与粗糙度之间的关系.     

基于粗糙集的知识粒度及粒度关系研究

本文基于粗糙集理论,针对不完备信息系统,提出了一种知识粒度的定义,并研究了知识粒度与信息熵的关系;提出了知识的相互支持度和知识的差异支持度的概念,并研究了二者之间的关系,为进行知识的度量和知识的评价提供了一种可行的方法。弄清楚知识的度量和知识相似程度的评价,一方面可以根据知识的粒度,从不完备信息系统中抽取符合一定粒度的知识;另一方面当进行知识融合时,可以比较融合后形成的知识库之间的差异相似程度,间接评价知识的完备性。     

知识粗糙性与知识粒度的关系研究

提出了知识的粒数、籽数和粒度的概念,证明了粗糙集理论中知识粗糙性与其所对应的粒度之间的单调关系,从而揭示了知识粗糙性与其所对应的知识的粒数、籽数和粒度之间的密切关系。知识粒度的概念从物理意义上反映了知识库中的知识颗粒状结构的本质。     

知识粗糙性与知识粒度的关系研究

提出了知识的粒数、籽数和粒度的概念,证明了粗糙集理论中知识粗糙性与其所对应的粒度之间的单调关系,从而揭示了知识粗糙性与其所对应的知识的粒数、籽数和粒度之间的密切关系。知识粒度的概念从物理意义上反映了知识库中的知识颗粒状结构的本质。     

A roughness measure of fuzzy sets from the perspective of distance

Covering generalized rough set theory is an important extension of classical rough set theory. To characterize a fuzzy set in a given covering approximation space, a pair of fuzzy sets, called covering rough fuzzy lower and upper approximations, were introduced, but they do not describe well how much uncertainty is induced by the granularity of knowledge. In this paper, we first discuss the relationship between uncertainty and granularity of knowledge. Then we examine several commonly used distance measures, and indicate that some of them exhibit some limitations. Next we propose a roughness measure based on Minkowski distance, and examine some important properties of this measure. Finally, an illustrative example is provided to demonstrate the application of the roughness measure to incomplete information systems with fuzzy decision.     

模糊知识粒度计算与应用

根据自反模糊关系,将知识粒度的概念推广为模糊知识粒度.考虑传统模糊粗糙集的粗糙性度量和相似性度量,忽略了模糊集的粗糙近似处于不同知识粒度背景中这样一个重要因素,结合模糊知识粒度的计算,提出了模糊粗糙集的粗糙性度量和相似性度量的新方法.最后,在一个实际的模糊信息系统中,给出了基于模糊知识粒度的知识约简算法.     

知识粗糙性和条件信息熵的关系

目前,粗糙集理论存在着两种观点,它们分别是代数观和信息观。在代数观点中,知识粗糙性体现了知识的粒度;而在信息观中,定义了知识的信息熵和条件信息熵。已经有定理证明了信息熵与知识的粗糙性存在对应关系,它建立了代数观和信息观之间的联系,但是这种关系却不是一一对应的。该文通过重新证明知识粗糙性和信息熵的对应关系定理,找到与知识粗糙性存在一一对应关系的是条件信息熵,并给出相关定理及其证明。     

不协调优势目标信息系统的启发式约简算法

针对不协调优势目标信息系统,引入知识粒度的概念,证明了知识粒度是随着知识的不确定程度的增加而减小的。其次定义了优势信息系统中的粗糙度、精度以及不协调目标信息系统中的近似精度等概念,得到了它们的相关性质,并证明了精度和近似精度可以作为属性重要性的衡量指标。因而进一步提出一种以近似精度为启发信息的不协调优势目标信息系统的启发式约简算法,并分析了该算法的时间复杂度。最后通过实例分析验证了算法的实用性和有效性。     

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。     

基于模糊邻域粗糙集的启发式属性约简算法

属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中,大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果,首先在已有的模糊邻域粗糙集模型中定义属性依赖度度量,然后根据粒计算理论中知识粒度的概念,在模糊邻域粗糙集模型下提出了模糊邻域粒度度量。由于属性依赖度和知识粒度代表了不同视角的属性评估方法,因此将这两种方法结合起来用于信息系统的属性重要度评估,最后给出一种启发式属性约简算法。实验结果表明,所提出的算法具有较好的属性约简性能。     

多粒度形式背景的不确定性度量与最优粒度选择

多粒度形式概念分析是数据挖掘与知识发现的重要工具,但现有的多粒度形式概念分析理论中并未提出选择最优形式背景的标准,这导致只能对多个单粒度形式背景逐一研究其知识发现问题,因此无法应对含有多个粒度属性的形式背景.鉴于此,对多粒度形式背景的粒度树上的属性块进行组合,将信息熵作为组合形式背景优劣的判别标准以评价最优粒度选择的性...