不完备系统中基于非对称相似关系的粗集多属性决策

粗糙集理论在多属性决策、数据挖掘、机器学习、人工智能等领域发挥着越来越大的作用。经典粗糙集理论主要利用不可分辨关系对完备信息系统形成的划分来定义知识的上、下近似集,并在此基础上进行知识约简,规则推理和决策。而现实生活中存在大量不完备信息系统。针对不完备信息系统的多属性决策问题,从非对称相似关系的角度提出基于粗集的多属性决策方法。     

一种不完备决策表中的广义决策约简

现实世界中大量存在的信息系统是不完备的,研究了包含不确定性和不精确性两种因素的不完备信息系统,建立了一种基于相似关系推广的粗糙集模型并对这种情况下的不完备决策表进行分析.研究了广义决策约简的方法,根据约简生成了决策规则.     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

不完备信息系统中的确定优势粗糙决策规则提取

以不完备信息决策系统为研究对象,提出了基于确定优势关系的粗糙集模型.在确定优势关系粗糙集的基础上,提出了相对下、上近似约简的概念,给出了求得相对下、上近似约简的具体方法,并在此基础上提取不完备信息系统中的确定优势粗糙决策规则.应用实例表明了所提出的新方法的有效性.     

不完备目标信息系统中基于差异关系的粗糙集

针对建立在等价关系上的传统粗糙集对差异关系研究不足的情况,基于差异关系对传统粗糙集模型进行了扩展。在不完备目标信息系统中定义差异关系并基于这种差异关系扩充粗糙集模型。等价关系反映事物共性,差异关系反映事物个性,基于差异关系的粗糙集可用于约简否定规则。文中定义了一种差异关系,证明了基于差异关系的下、上近似集的主要性质,建立了相应的近似约简模型,最后给出了近似约简的判定定理和计算方法。     

一种信息系统属性约简新方法

针对现实中的信息系统的不完备缺失属性,以及无法使用Paw lak粗糙集解决属性约简的情况,在经典的Paw lak粗糙集的基础上,引入一般关系下的粗糙集模型,并给出了基于一般关系的信息系统属性约简的定义.为了使不完备信息系统可以得到更好的属性约简,通过对非对称相似关系进行改进,提出了一种基于改进非对称相似关系的粗糙集模型,在此基础上给出了一种新的不完备信息系统的属性约简算法,并用实例说明了其有效性.     

不完备信息系统中的广义多粒度双相对定量决策粗糙集

经典的粗糙集理论建立在等价关系基础上,要求过于严格,所以限制了它的实际应用范围.为此,扩展形式的粗糙集模型得到了广泛关注,并已成为研究热点.在现实世界中,由于数据测量的误差、对数据的理解或获取的限制等众多原因,所遇到的信息系统往往是不完备的.面向不完备信息系统,在广义多粒度粗糙集以及双相对定量决策粗糙集的基础上定义了两种广义多粒度双相对定量决策粗糙集(GMDrq-DTRS).一方面,讨论GMDrq-DTRS与广义多粒度粗糙集之间的等价关系,以及它们正负域的大小关系;另一方面,在不同的参数关系下,讨论GMDrqDTRS的正域、负域以及上下边界域所具有的特殊关系.并用具体实例来解释说明GMDrq-DTRS决策过程和所讨论的GMDrq-DTRS与其他模型之间的关系.     

基于拟序关系的约简

为了在不完备信息系统中更好地研究知识约简,经典的粗糙集理论已经被推广。在扩展模型中,等价关系被推广到了相似关系等二元关系。将不完备信息系统扩展到多值不完备的情形,引入拟序关系,讨论了集值不完备信息系统中在拟序关系下基于近似矩阵的约简,并通过算法比较了它与基于辨识矩阵的约简的时间复杂性。     

不完备信息系统的梯形模糊数三支决策模型

在不完备信息系统中,结合Bayes决策过程,采用文献[3]中的改进的完备容差关系代替经典决策粗糙集模型中的等价关系,并将具有一般性和易运算的梯形模糊数引入到决策粗糙集中,提出一种基于不完备信息系统的梯形模糊数决策粗糙模型,给出该模型的三支决策的方法和规则提取,并分别讨论了悲观者和乐观者的不同决策规则。最后通过实例来阐明该模型的应用过程。     

双精度容差关系的粗糙集拓展模型及约简

研究了不完备区间值信息系统,提出新的改进模型.首先给出了基于相离度的相似度定义,使得模型可以处理属性值大多数相交但不具备包含关系以及含多个连续值的情形.其次,将容差关系进行拓展,提出了基于相似度和相似率的双精度容差关系,进而建立了适用于不完备区间值信息系统的粗糙集拓展模型.再次,为解决双精度容差关系在划分论域时的不足,提高近似精度,又求出了双精度极大相容类,据此来得到上下近似集,并给出了极大分类约简算法.最后,通过实例分析验证模型和算法的有效可行性.结果表明,所提出的粗糙集拓展模型适用的不完备区间值数据类型更为广泛,可用于处理一般的不完备区间值信息系统,拓展了粗糙集的适用范围.     

不完备信息系统中Rough集的扩充模型

经典的Rough集理论所处理的信息系统必须是完备的.为了能够分析处理不完备的信息系统,需要建立新的扩充Rough集模型.对现有的几种比较有影响的Rough集扩展模型进行了分析研究,提出了一种带约束的相似关系Rough集模型,并将这些扩充模型之间的关系进行了分析比较.结果显示,基于约束相似关系的扩充Rough集模型优于基于容差关系的扩充Rough集模型和基于相似关系的扩充Rough集模型,使得对象的划分更加合理,符合人们在处理数据时的直观感觉.     

具有连续属性的不完备信息系统Rough集扩展

在模糊相似关系的基础上，针对具有连续属性的不完备信息系统提出了Rough集的扩展模型；利用模糊区间数来表示不完备信息表中缺失的连续属性值，并根据属性值的概率分布情况计算模糊区间数的可能度，在模糊关系的基础上给出了不完备信息表的上近似和下近似的定义；利用基于欧氏距离的贴近度法计算模糊相似度，构造相似矩阵，实现了对论域的划分；给出决策规则的约简和表示方法，应用实例说明了所提出的Rough集模型及规则的实用性。     

F-粗糙集方法对概念漂移的度量

F-粗糙集是一种针对信息表簇或决策表簇的新的粗糙集模型.利用F-粗糙集模型中上、下近似的思想,定义了不确定性概念漂移的一些度量,包括概念的上、下近似漂移量和概念的上、下近似耦合度等,并初步探讨了它们的性质.     

基于不完备信息系统的粗糙集方法及应用实例

很多信息系统都是不完备的,处理不完备信息系统的方法有很多,但粗糙集理论能够有效处理不完备信息.简要介绍了不完备信息系统下的粗糙集模型,并对一个应用实例进行了知识约简且做出决策.     

基于粗糙集理论不完备信息系统的数据挖掘

提出了一种基于推广的粗糙集理论直接在不完备信息系统上进行数据挖掘的方法，并给出了该方法的算法和实例．该方法利用粗糙集理论直接对不完备信息系统进行知识约简，然后根据获得的约简集建立知识层次树，利用规则的支持度阂值s0和置信度阈值c0从知识层次树的压缩搜索空间中提取不完备系统的规则集，该方法保持了原始数据和数据挖掘所获得的知识的真实性，另外，还提出了知识规则的上、下支持度，上、下置信度，规则粗糙度等概念，以便指导用户更好地利用数据挖掘所获得的知识．     

一种新的知识表示模型及其规则推导

目前指挥决策支持系统中的知识系统大多只能表示清晰信息,当给定对象、属性及属性值,便能完全肯定对象是否具有这个属性(值)。但实际情况并不是这样,对象和属性(值)关系常常是不确定的。本文提出FPS模型解决这种不确定性,并在此基础上,为概念归纳推理定义了模糊粗糙集,为对象的排序定义了相似性测度、距离测度和熵测度,用模糊集方法定义了概念的上下近似集,并得出了决策规则。     

基于加权阈值容差关系的不完备信息系统粗糙集模型

针对已有的不完备信息系统粗糙集扩充模型没有考虑属性的权重的缺点,提出基于加权阈值容差关系的粗糙集扩充模型.该模型根据给出的不完备信息系统信息量计算权重,不需引入系统外知识,权重确定比较客观;同时引入阈值来调整加权阈值容差类判定的严格程度,兼顾了人的主观要求,并能预先排除因自身不满足阈值条件而不可能与任何其他对象划为同一加权阈值容差类的对象,但不影响类的完整性.实例对比分析表明,与其他模型相比,基于加权阈值容差关系的粗糙集扩充模型符合不完备信息系统应用客观实际,具有更强的适应能力.