基于证据理论刻画多粒度覆盖粗糙集的数值属性

在经典多粒度粗糙集模型的基础上,基于论域中对象的极大描述和极小描述,定义了4种应用更为广泛的悲观多粒度覆盖粗糙集模型。然后通过集合的交、并运算与关系划分函数,构造了对象关于覆盖族的单粒度的多元覆盖及单粒度划分。在此基础上,基于证据理论,探讨了4种悲观多粒度覆盖粗糙集的上、下近似与信任函数和似然函数之间关系,并描述了该模型所具备的相关数值属性。对比分析表明悲观多粒度覆盖粗糙集模型既具备经典多粒度粗糙集模型能够融合多源信息的优势,又克服了其应用范围狭窄的缺点。实例分析验证了所提模型的有效性。     

用Shannon熵度量两个数据集的一致性

粗糙集理论的基本思想是根据已知数据自身的不可分辨关系,通过一对近似算子,对某一给定概念进行近似表示。这种思想被应用在研究一个数据集对于另一个数据集的分类一致性上。提出了一种测量两个数据集一致性的新方法,并用Shannon熵定义了分类一致性。考虑到不同数据临近关系的影响,引入了模糊概念将测量对象由清晰分类转化为模糊分类,进而构造了一个广义的一致性度量,这种方法可以产生稳定的可判结果,有效地阻止建模技术中常出现的“黑箱”现象。