多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。     

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究.首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质.其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法.最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的.     

基于局部可调节多粒度粗糙集的属性约简

经典的多粒度粗糙集模型采用多个等价关系(多粒度结构)来逼近目标集。根据乐观和悲观策略,常见的多粒度粗糙集分为两种类型:乐观多粒度粗糙集和悲观多粒度粗糙集。然而,这两个模型缺乏实用性,一个过于严格,另一个过于宽松。此外,多粒度粗糙集模型由于在逼近一个概念时需要遍历所有的对象,因此非常耗时。为了弥补这一缺点,进而扩大多粒度粗糙集模型的使用范围,首先在不完备信息系统中引入了可调节多粒度粗糙集模型,随后定义了局部可调节多粒度粗糙集模型。其次,证明了局部可调节多粒度粗糙集和可调节多粒度粗糙集具有相同的上下近似。通过定义下近似协调集、下近似约简、下近似质量、下近似质量约简、内外重要度等概念,提出了一种基于局部可调节多粒度粗糙集的属性约简方法。在此基础上,构造了基于粒度重要性的属性约简的启发式算法。最后,通过实例说明了该方法的有效性。实验结果表明,局部可调节多粒度粗糙集模型能够准确处理不完备信息系统的数据,降低了算法的复杂度。     

可变多粒度粗糙集模型

通过分析乐观多粒度粗糙集和悲观多粒度粗糙集的不足之处,提出一种可变多粒度粗糙集模型。研究可变多粒度粗糙集、乐观多粒度和悲观多粒度粗糙集的性质,讨论它们之间度量的关系,研究可变多粒度粗糙集决策规则获取的方法。提出一种基于属性重要度的启发式约简的算法。实例分析结果验证该方法的可行性。     

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.     

多粒度粗糙集模型下的矩阵属性约简算法

随着网络和通信技术的快速的发展,社会进入了大数据时代。如何能够快速地从海量大数据中找到属性约简是目前研究的一个热点。由于传统属性约简的方法在计算大数据属性约简时,需要消耗巨大的计算时间,不能有效地处理日益积累的大数据属性约简的问题。为了提高传统属性约简算法的效率,针对较大决策信息系统属性约简更新问题,利用多粒度粗糙集理论,提出了基于多粒度粗糙集模型的矩阵属性约简算法,通过2组UCI数据集对所提出的多粒度矩阵属性约简算法的性能进行测试,结果验证了该多粒度矩阵属性约简算法是合理且有效的。     

优势关系下直觉模糊目标信息系统的上近似约简

传统的粗糙集理论对决策属性值为直觉模糊数的直觉模糊目标信息系统不能直接属性约简.文中在直觉模糊目标信息系统中引入优势关系,基于优势关系定义条件属性集的上近似决策协调集,给出上近似约简的判定定理,建立该信息系统条件属性集的上近似约简模型,并给出上近似约简的算法步骤.在决策属性值为直觉模糊数的一些目标信息系统中,利用条件属性集的上近似约简,可得到更为简洁的决策规则.最后给出一个实例验证算法的有效性.     

广义优势多粒度直觉模糊粗糙集的属性约简

证据理论和多粒度粗糙集模型的结合已成为知识挖掘中的热点研究之一,其建立的模型已被应用于不完备、覆盖、模糊等信息系统,但在直觉模糊决策信息系统中还未见相关讨论。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,并构造了广义优势关系多粒度直觉模糊粗糙集模型;其次,基于证据理论,讨论了广义多粒度直觉模糊粗糙集的信任结构;然后,通过定义粒度重要性和属性重要性给出了属性约简方法;最后,通过实例说明了该模型在处理直觉模糊决策信息系统时是有效的。     

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。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

局部广义多粒度粗糙集

多粒度粗糙集的目标概念是一种由多个二元关系诱导的粒结构近似,是粗糙集领域的一个有价值的研究方向,在实际中得到了广泛的应用。然而,当数据集的规模很大时,会出现大量的未标记数据,计算目标概念的近似时需要计算所有对象的等价类,而且需要花费大量的时间来描述目标概念的近似以及复杂的计算过程,因此提出了局部广义多粒度粗糙集模型。首先通过引入特征函数来定义下近似和上近似;其次提出了一种用矩阵求解局部广义多粒度粗糙集下近似和上近似的方法,进一步研究了它们的性质;最后通过实例来验证所提模型的有效性,并给出了求局部广义多粒度粗糙集下近似的算法。此模型可以充分利用目标概念中的数据信息来处理数据,同时可以节省大量的计算时间。     

基于变精度粗糙直觉模糊集的决策规则获取

以直觉模糊目标信息系统为研究对象,以粗糙集和直觉模糊集为工具,以知识发现为目的,给出了从直觉模糊决策表中获取决策规则的一种有效方法。即通过对Pawlak粗糙隶属函数的定义进行推广,给出粗糙直觉模糊隶属函数,利用新的粗糙隶属函数,建立了变精度粗糙直觉模糊集模型。在此模型基础上定义了变精度粗糙直觉模糊集的近似质量和近似约简,由近似约简导出概率决策规则集,从而给出了直觉模糊决策表的概率决策规则获取方法。最后,以实例说明了这一方法的有效性。关键词：     

基于容差关系的不完备可变精度多粒度粗糙集

在不完备信息系统中, 为了融合可变精度粗糙集和多粒度粗糙集的各自优点, 提出一种基于容差关系的不完备可变精度多粒度粗糙集模型。研究了基于容差关系的可变精度乐观多粒度粗糙集和悲观多粒度粗糙集的相关性质。通过对可变精度多粒度粗糙集和经典多粒度粗糙集的对比分析, 结果表明, 基于容差关系的不完备可变精度多粒度粗糙集拥有更高的近似精度, 实例分析的结果也验证了该理论的可行性。     

多粒度邻域粗糙直觉模糊集模型*

针对名义型属性和数值型属性并存的混合型数据,结合多粒度邻域粗糙集和直觉模糊集,分别定义模糊覆盖粗糙隶属度和非隶属度.基于不同的属性集序列和不同的邻域半径,构建多粒度邻域粗糙直觉模糊集模型,证明模型相关性质.然后提出乐观和悲观多粒度邻域粗糙直觉模糊集的近似集,并讨论模型性质.最后使用文中模型计算实例,说明其能较好地解决名义型属性和数值型属性的混合型数据的处理问题.     

基于直觉模糊粗糙集的属性约简

针对Jensen下近似定义的局限性,提出一种新的等价类形式的近似算子表示,并将其推广到直觉模糊环境.在此基础上,将相对正域、相对约简、相对核等粗糙集的知识约简概念推广到直觉模糊环境,提出一种直觉模糊信息系统的启发式属性约筒算法.实例计算表明.该方法比Jensen的属性约简方法更为合理有效.     

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。     

基于广义自适应多粒度的多源信息融合研究

多粒度粗糙集模型是一种有效的信息融合策略。利用该策略能从多个角度将多源信息进行融合,并转化成一致的信息表示。现有的大多数多粒度信息融合方法对每个知识粒度都采用相同的阈值,然而,众所周知,不同的信息源的来源和噪声都不尽相同,其对应的知识粒度的阈值也应不同。为此,首先在广义多粒度粗糙集中引入单参数决策理论粗糙集,提出了广义自适应多粒度粗糙集模型。然后,利用经典的融合策略设计了4种广义多粒度模型,所有模型都可以通过一个参数补偿系数$ \zeta $来自适应地获得知识粒度对应的阈值对,并讨论了这些模型的相关性质。最后,通过实验结果证明,所提模型在实际应用中灵活性更高,决策更为合理。