三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

基于邻域三支决策粗糙集模型的软件缺陷预测方法

基于已有软件缺陷数据,建立分类模型对待测软件模块进行预测,能够提高测试效率和降低测试成本。现有基于机器学习方法对软件缺陷预测的研究大部分基于二支决策方式,存在误分率较高等问题。本文针对软件缺陷数据具有代价敏感特性且软件度量取值为连续值等特性,提出了一种基于邻域三支决策粗糙集模型的软件缺陷预测方法,该方法对易分错的待测软件模块作出延迟决策,和二支决策方法相比,降低了误分类率。在NASA软件数据集上的实验表明所提方法能够提高分类正确率并减小误分类代价。     

基于三支决策的自适应粗糙集近似

讨论基于三支决策的自适应粗糙集近似方法,给出自适应粗糙集近似属性评价函数的算法。为清楚表达在粗糙集近似过程中对象和属性之间的关系,引入描述集的概念,在描述集的意义下根据属性评价函数对目标概念进行自适应粗糙集近似。最后,把自适应粗糙集近似过程与认知过程进行比较,并分析它们的相似性,借助该近似过程的思想,在一定程度上提高人们的认知效率。     

广义三支决策与狭义三支决策

从三支决策发展历史出发,在总结三支决策近年来研究的基础上,基于三支决策现有模型、算法及应用,提出了一种广义三支决策和狭义三支决策理论。广义三支决策注重对三支决策概念内涵和外延进行诠释;狭义三支决策主要注重三支决策在实际决策问题中的语义解释。提出了一种"四层次"三支粒结构决策模型,从静态和动态、广义和狭义两种视角对三支决策进行剖析,厘清了三支决策发展过程和研究脉络。最后,给出了三支决策的研究现状和未来发展方向。     

基于最优相似度三支决策的模糊粗糙集模型

模糊信息系统中,对象的相似度往往会受噪声影响,且它在模型运算中常常并非全部需要高精度参与计算。文中首先引入阈值对(α,β),提出了一种基于相似度三支决策的模糊粗糙集模型;其次利用模糊集近似的三支决策方法,给出了对象相似度三支决策的错误率、决策代价以及相应的语义解释;然后以总体决策代价最小化为目标,给出了最优(α,β)的计算方法,从而建立了一种基于最优相似度三支决策的模糊粗糙集模型;最后通过实例分析说明了该模型的可行性和合理性。本文建立的三支决策模糊粗糙集模型保留了模糊信息系统的不确定性,一定程度地去除了噪声影响,且能通过计算得到最优阈值(α,β),从而建立基于相似度三支决策的最优模型,这将有益于模糊信息系统的应用。     

基于决策粗糙集的广义序贯三支决策方法

三支决策是求解动态不确定性问题的有效方法之一。相比传统的二支决策,序贯三支决策方法在信息不充分或证据不足时能有效平衡决策结果代价和过程代价。在研究多层次的粒结构、多选择的处理对象和多样化的代价结构的基础上,提出了一种基于决策粗糙集的广义序贯三支决策模型。该模型在每一层都考虑了7种不同的对象处理方式。最后,通过实验对比分析了该模型中7种方法的效率和性能。     

基于三支决策粗糙集的概念漂移研究

随着大数据时代的到来,数据挖掘已经成为研究热点,概念漂移作为数据挖掘领域所面临的挑战之一,也越来越受到人们的关注。针对传统基于经典粗糙集的概念漂移探测研究不关注边界域上的概念漂移现象、不具有容错性的问题,提出了基于三支决策粗糙集的概念漂移的探测算法,该算法将概念漂移的探测拓展到了三支决策粗糙集领域,将正域概念漂移探测的意义推广到了边界域上,认为边界域上的概念漂移现象也是值得研究的且具有实际意义的。利用三支决策粗糙集能够有效模拟人类智能的不确定性和非精确性的特点,增加了该概念漂移算法的容错性。最后,通过实验验证了该算法的可行性。     

基于区间二型模糊决策粗糙集的三支决策方法

考虑到区间二型模糊数在描述高度不确定性信息方面的优势,将区间二型模糊数拓展到决策粗糙集中,提出两种区间二型模糊三支决策方法.在没有类标签的区间二型模糊信息系统中,解释损失函数与确定条件概率是需要解决的两个关键问题.首先,根据区间二型模糊数的性质,将其引入决策粗糙集中,为损失函数提供一种新的解释.其次,基于贝叶斯决策过程...     

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。     

三枝决策粗糙集

从贝叶斯理论出发,介绍基于三枝决策粗集理论。首先讨论在期望风险最小决策的语义下决策粗集理论基本模型的构建过程。其次,分析决策粗集三枝决策方法在不同概率区间犯错的可能性,并通过其与二枝决策及Pawlak粗集三枝决策的差异,给出决策粗集三枝决策方法优于其他两种决策方法的成立条件。最后,提供一种利用决策粗集三枝决策解决实际问题的方法。     

基于多代价的决策粗糙集属性约简

与经典粗糙集相比,传统的决策粗糙集将代价考虑在内,利用代价矩阵生成一对阈值。但决策粗糙集不具备经典粗糙集的单调性,这为粗糙集的属性约简带来了新的挑战。传统的决策粗糙集中的代价矩阵只有一个,没有考虑到代价的变化性。首先介绍了多代价决策粗糙集下的悲观决策规则和乐观决策规则的定义,利用多个代价矩阵来生成阈值,并将其用于属性约简中。在属性约简中,从单独的决策类出发而不是基于全部的决策类提出了启发式的Local属性约简方法,且从相关实验结果中可以得到,相对于基于全部的决策类的属性约简,Local属性约简在乐观条件下比在悲观条件下能获得更多的正域规则。     

The further investigation of covering-based rough sets: Uncertainty characterization, similarity measure and generalized models

The notion of rough sets was originally proposed by Pawlak. In Pawlak’s rough set theory, the equivalence relation or partition plays an important role. However, the equivalence relation or partition is restrictive for many applications because it can only deal with complete information systems. This limits the theory’s application to a certain extent. Therefore covering-based rough sets are derived by replacing the partitions of a universe with its coverings. This paper focuses on the further investigation of covering-based rough sets. Firstly, we discuss the uncertainty of covering in the covering approximation space, and show that it can be characterized by rough entropy and the granulation of covering. Secondly, since it is necessary to measure the similarity between covering rough sets in practical applications such as pattern recognition, image processing and fuzzy reasoning, we present an approach which measures these similarities using a triangular norm. We show that in a covering approximation space, a triangular norm can induce an inclusion degree, and that the similarity measure between covering rough sets can be given according to this triangular norm and inclusion degree. Thirdly, two generalized covering-based rough set models are proposed, and we employ practical examples to illustrate their applications. Finally, relationships between the proposed covering-based rough set models and the existing rough set models are also made.     

基于个体-整体跨度调整的博弈粗糙群共识决策模型及其应用

群共识决策指在面对多个备选方案时,一组个体通过集体协商,调整不同个体的意见,以确保在达成共识的前提下解决问题的过程。以空气质量评估为例探索群共识模型。首先,采用直觉模糊数来对个体评价进行表示,同时提出新型映射函数来将实数转化为直觉模糊数。其次,提出调整个体与整体相对跨度的方法来达成共识,有助于快速锁定个体和整体的差异,从而对个体评价进行调整。然后,在达成共识的基础上,采用博弈粗糙集模型,通过权衡准确性与通用性来确定阈值。在提升性能的基础上,减少边界区域的大小,从而增加决策结果的准确性。最后,通过空气质量评价的实例,验证所提方法的可行性和有效性。综上所述,该模型的提出不仅丰富了相关理论体系,有效降低了群共识决策的风险,更为复杂决策问题的解决提供了一种可行的路径。     

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。     

基于证据理论的三支决策模型

三支决策模型和证据理论在概念、信息处理方式上存在着互通互补之处。首先,将证据理论基本概念引入到三支决策中,分析其延迟信任区间可能包含的可变语义,分别构建了基于证据理论的确定和可变三支决策模型。然后,通过调节信任系数取值,结合贝叶斯风险分析形成了乐观策略、悲观策略及其相应的决策规则,以满足特定语义环境下的应用需求。最后,通过对防空作战态势评估的风险分析说明了模型的具体应用过程。     

数据挖掘中粗糙决策规则及其不确定性研究

数据分析中产生的粗糙决策规则通常具有不确定性,需要适当的不确定性量度。借鉴变精度粗糙集理论思想,讨论了几种粗糙决策规则量度方法,采用基于信息熵的方法给出了变精度粗糙集意义下基于修正信息熵的不确定性量度函数,兼顾到了规则不确定性的两个方面;一致性和随机性,还能有效处理噪声对数据一致性的影响,对“几乎一致性规则”有保护作用。通过举例比较了γ0、H^dct和H^VPRS,结果表明H^VPRS更适合于评价从有噪声数据中提取的粗糙决策规则。     

一种新的粗糙测度

粗糙集理论是一种处理不精确、不确定与不完整数据的新型数学工具。粗糙集的度量是粗糙集理论研究的重要内容之一。提出了上粗糙测度、下粗糙测度与粗糙测度的概念,给出了它们的一些性质,为粗糙集合提供了一种新的度量方式。