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.     

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。     

双论域上的广义直觉模糊概率粗糙集模型及其应用

已有的双论域直觉模糊概率粗糙集模型通过设置两个阈值${\lambda _1}$、${\lambda _2} $,讨论了经典集合在直觉模糊二元关系下的概率粗糙下上近似。该模型不能计算直觉模糊集合在直觉模糊二元关系下的概率粗糙下上近似,这在一定程度上限制了该模型的应用。首先给出了直觉模糊条件概率的定义。在直觉模糊概率空间下构造了双论域广义直觉模糊概率粗糙集模型,讨论了模型的主要性质。最后,将模型应用到临床诊断系统中。与其他模型相比,所提出的广义直觉模糊概率粗糙集模型进一步丰富了概率粗糙集理论,更适合于实际应用。     

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。     

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。     

可变直觉模糊多粒度粗糙集模型及其近似分布约简算法

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。     

双论域粗糙集的矩阵表示

在双论域粗糙集中,不论是理论上还是应用上,矩阵方法都是一种简单且高效的计算方法。利用矩阵的方法来研究双论域粗糙集。提出了双论域上的关系矩阵,通过关系矩阵以及关系矩阵的转置,构造了两个布尔方阵。利用这两个布尔方阵的特征研究了双论域覆盖粗糙集的一些性质。定义了一种布尔矩阵之间新的运算,并且利用这个运算,简洁地表示了双论域覆盖粗糙集的上近似算子和关系粗糙集的下近似算子。     

粗糙集近似与信息粒度

用粗糙集近似描述了三类常见信息系统(即Pawlak信息系统、不完备信息系统、不完备模糊信息系统)中对象的基本信息粒度.通过信息系统中对象属性值关于对象属性近似空问的上近似可以得到与对象具有相同或相似信息的对象集,即利用对象属性值关于对象属性近似空间的上近似将对象属性值信息变换成为对象的基本信息粒度. .所得结论对信息系统中基本信息粒度的物理意义有了比较清楚和更加合理的解释.     

双论域上的犹豫模糊语言多粒度粗糙集及其应用

犹豫模糊语言术语集结合了模糊语言方法与犹豫模糊集的优势, 常应用于定性环境下的群决策中. 基于犹豫模糊语言关系, 提出双论域上的犹豫模糊语言多粒度粗糙集. 在该粗糙集中, 定义了双论域上的乐观和悲观犹豫模糊语言多粒度粗糙集, 并讨论了其相关性质. 在此基础上提出以人岗匹配为背景的决策模型, 并用算例阐述了所提出模型的有效性. 结果表明, 该模型不仅可以处理定性环境下的语言信息, 而且可以结合不同专家的意见给出最终决策结果, 为人岗匹配提供一种新思路.     

两个论域上的覆盖粗糙模糊集模型

粗糙集模型的扩展是粗糙集研究的主要内容之一,目前已经存在许多有关粗糙集模型的扩展形式。其中基于覆盖而建立的粗糙集模型得到了很大的发展,然而学者们主要是针对单个论域进行研究的,但是实际生活中的问题却往往是在多个论域上的,如在医疗诊断中的应用等。同时考虑到在实际生活中,研究的对象往往是不确定的,即带有模糊的。基于以上考虑,提出了在两个论域上的覆盖粗糙模糊集模型,并对近似算子的性质进行了研究。     

粗糙集上下近似的矩阵刻画及应用

主要对粗糙集中上下近似的矩阵刻画及应用进行了研究。给出等价关系、一般二元关系、基于邻域的覆盖粗糙集下一种上下近似的新的矩阵刻画;作为应用,提出关系矩阵方程,并对上下近似的逆问题进行了研究,即在已知关系矩阵[MR,]上（下）近似[R(X)][(R(X))]的情况下反解[X,]给出了求解[X]的方法。     

优势关系下多粒度粗糙集排序方法及其应用

排序方法是多粒度粗糙集研究的一个重要内容。分析了现有优势关系多粒度粗糙集排序方法的优缺点,对现有排序公式进行改进,使其构造的优势关系矩阵满足对称互补性,且能有效克服方法失效问题。同时,基于相对优势度的视角提出优势关系多粒度粗糙集排序新方法;考虑不同粒度的重要性问题,定义了优势关系多粒度粗糙集的加权排序公式,讨论了公式的含义与性质;最后实例说明了两种方法的实用性和有效性。     

A parallel approach to calculate lower and upper approximations in dominance based rough set theory

Feature selection plays an important role in data mining and machine learning tasks. Rough set theory has been a prominent tool for this purpose. It characterizes a dataset by using two important measures called lower and upper approximation. Dominance based rough set approach (DSRA) is an extension to conventional rough set theory. It is based on persistence of preference order while extracting knowledge from datasets. Dominance principal states that objects belonging to a certain decision class should follow the preference order. Preference order states that an object having higher values of conditional attributes should belong to higher decision classes. However, some of the basic concepts like checking preference order consistency of a dataset, dominance based lower approximation and upper approximation are computationally too expensive to be used for large datasets. In this paper, we have proposed a parallel incremental approach called Parallel Incremental Approximation Calculation or PIAC for short, for calculating these measures of lower and upper approximations. The proposed approach incrementally calculates lower and upper approximations using parallel threads. We compare our method with the conventional approach using ten widely used datasets. Whilst achieving the same accuracy levels as the conventional approach, our approach significantly reduces the average computation time, i.e., 71% for the lower approximation and 70% for the upper approximation. Over all datasets, the decrease in memory usage achieved was 99%.     

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。     

变精度粗糙模糊集模型研究

介绍了Ziarko’s变精度粗糙集模型和粗糙模糊集模型,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Ziarko’s变精度粗糙集模型和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。     

广义优势多粒度直觉模糊粗糙集及规则获取

优势关系粗糙集模型是研究序信息系统中数据挖掘的主要方法。为了丰富现有优势关系粗糙集模型,使其更加有效地应用于实际问题,本文首先在直觉模糊决策信息系统中利用三角模和三角余模定义了3种优势关系,得到了3种优势类;其次构造了广义优势关系多粒度直觉模糊粗糙集模型,讨论了该模型的主要性质;随后给出如何从直觉模糊决策信息系统中获取逻辑连接词为“或”的决策规则;最后通过实例说明该模型在处理直觉模糊决策序关系信息系统时是有效的。     

上近似在粗糙集约简中的应用

对粗糙集理论中不相容决策表的约简问题进行了研究.引入关联规则中支持度和置信度的概念,并重新定义了这两个概念.利用粗糙集中上近似概念的特点,提出一种将上近似用于不相容决策表的约简算法.通过一个实例介绍了该算法的基本步骤.算法对各规则能计算出各自的支持度和置信度,能实现对不相容决策表的约简.