基于构造化方法的扩展粗糙集模型研究

从构造化方法的角度对粗糙集模型的扩展研究进行了综述.首先阐释粗糙集理论基本体系结构,然后从基于元素、基于粒、基于子系统、概率等多个角度探讨粗糙集理论中上下近似算子的扩展,并介绍了国内外关于粗糙集模型的扩展研究状况,讨论了当前粗糙集理论的热点研究领域,给出了将来需要重点研究的主要问题.     

粗糙集理论及其应用研究

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。本文给出了粗糙集理论的特点,阐述了几种粗糙集理论的扩展模型及其应用领域,最后讨论了粗糙集理论研究的前景。     

覆盖粒计算在信息检索模型中的应用

将广义覆盖粗糙集理论及其计算运用到信息检索模型.通过建立查询式和库中文档之间的联系的要点构造了基于覆盖粗糙集理论的的两类信息检索模型,并给出了一些相关的上、下近似算子扩展定义.     

基于边界域的变精度粗糙集

粗糙集理论作为分类学习的一种工具,借助一对极值映射的一元算子,利用已知的知识结构表示未知的研究对象.具体主要体现在已知知识包含于未知对象集或与对象集相交不空.随着数据规模的不断增长以及数据形式的日趋复杂,严格意义的包含常常不能满足现实的需要.因此,经典粗糙集忽略了非常接近于严格包含的情况.变精度粗糙集放宽了严格包含关系.弥补了经典粗糙集理论的这一不足.然而,和经典粗糙集相比,变精度粗糙集不可避免地失去了一些基本性质.为了进一步探讨这些性质的本质内涵,在研究已有变精度粗糙集结构和性质的基础上,提出了3类基于边界域的变精度粗糙集模型,比较研究了这些模型之间的联系和区别.结果表明,第Ⅰ类变精度模型是已有变精度粗糙集模型的推广,第Ⅱ类变精度模型则是经典粗糙集的直接拓展形式之一.这2类变精度模型都侧重于从局部多数包含的角度刻画对象集.第Ⅲ类变精度模型侧重从对象集的整体边界域,即整体多数包含的角度描述了未知知识.     

三类正负域覆盖粗糙集模型及其算子公理化

覆盖广义粗糙集是经典粗糙集的一种理论和应用上有意义的推广。针对覆盖广义粗集边界过于粗糙及运算公理化定义难以得到的不足,首先,基于正、负域的定义,给出了三类正负域覆盖粗糙集模型的定义。其次,研究了这三类正负域覆盖粗糙集的一些基本性质。最后,从负域算子的角度,分别给出了这三类正负域覆盖粗糙集的公理化系统,并验证了它们之间的独立性。     

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。     

覆盖粗糙集的一般化

在近似空间中给出了基于最简覆盖的等域关系定义,证明了它是论域上的一个不可区分关系·由此,覆盖粗糙集转化为经典粗糙集,使得经典的粗糙集理论的应用范围得到了进一步的扩展·举例说明了一般化方法既能化覆盖粗糙集为经典的粗糙集,又提高了一个集合的近似程度·还给出了基于覆盖的近似空间中的信息处理过程的模型,该模型应用了WilliamZhu和Fei YueWang提出的覆盖约简的方法和技术来消除冗余数据,又可以使覆盖粗糙集转化为经典的粗糙集·     

多粒度邻域粗糙模糊集及其不确定性度量

邻域粗糙集是经典粗糙集的一个扩展模型,研究其不确定性度量模型具有重要意义。在邻域粗糙集理论中,当前不确定性度量方面的研究工作主要专注于度量知识空间的粒度大小或边界域尺寸。在邻域系统中,对于目标概念为模糊时的情形,其不确定性不仅来自于邻域粒的边界域,还来自于正域和负域,当前的不确定性度量方法较少考虑这种情形。为此,构建了邻域粗糙模糊集模型,从粒计算的角度出发,进一步提出了多粒度邻域粗糙模糊集模型;针对多粒度邻域粗糙模糊集具有乐观性与悲观性的特点,借鉴Vague集中支持度和反对度的思想,设计了基于模糊度的多粒度模糊熵的不确定性度量方法,不仅符合人类的认知习惯,而且可以有效刻画整个邻域知识空间的结构信息。     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

模糊决策粗糙集模型及其属性约简

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.     

Generalization Rough Set Theory

In order to avoid the discretization in the classical rough set theory, a generlization rough set theory is proposed. At first, the degree of general importance of an attribute and attribute subsets are presented. Then, depending on the degree of general importance of attribute, the space distance can be measured with weighted method. At last, a generalization rough set theory based on the general near neighborhood relation is proposed. The proposed theory partitions the universe into the tolerant modules, and forms lower approximation and upper approximation of the set under general near neighborhood relationship, which avoids the discretization in Pawlak＇s rough set theory.     

智能化的电力安全文化评估模型与仿真

针对电力安全文化评估系统是一个复杂的非线性系统,构造了基于粗糙集-神经网络的智能化电力安全文化评估模型,通过粗糙集约简输入变量,提炼学习样本,再利用神经网络对其进行训练和评价.该智能模型避免了评价元素过多而导致的网络拓扑结构复杂、训练时间过长等不足,很好地解决了安全文化评价结果和评价元素之间的复杂非线性关系,具有良好的泛化能力,能够对电力安全文化状况做出准确有效的评估结论.     

粗集模型的特征函数表示

粗糙集理论是处理不确定知识的一种工具,已在人工智能与知识发现、模式识别与分类、数据挖掘与故障检测等方面得到了较好应用。由于粗糙集在理论和应用两个方面的迅速发展,粗集模型得到拓广。本文研究粗集模型的特征函数表示形式,这种表示形式具有一般性,可以统一各种推广模型。粗集理论的核心是一对非数值型算子,即上下近似算子。粗集理论中的上下近似算子与证据理论中的一对数值算子——似然函数和信任函数有密切关系,为此作者研究了粗糙集与证据理论的关系。     

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。     

一种基于弱模糊相似关系的广义粗糙集

粗糙集理论是建立在等价关系的基础上发展起来的,但等价关系性质的应用领域是有限的,等价关系不能对现实世界中的元素关系给出客观的描述.为此提出用模糊相似关系和弱模糊相似关系的概念来代替等价关系,同时引入了弱模糊相似关系的相似度概念和相似类概念,定义了基于弱模糊相似关系的广义粗糙集及标准的广义粗糙集上下近似;研究了两对上下近似算子的性质,讨论了3种粗糙隶属函数的性质并验证了它们的性质.     

采用局部粗糙集模型的决策规则提取

研究基于局部粗糙集模型下的决策规则提取.对经典粗糙集的决策规则提取进行改进,给出局部粗糙集模型下的决策规则公式,并研究相关性质.结合局部粗糙集模型给出的规则提取公式,引入参数值α,α∈(0,1］,使规则提取公式的泛化能力更强,适用性更广.通过3个实例对局部粗糙集模型决策规则提取的运用进行说明.     

不确定信息的粗糙集表示和处理

随机性和模糊性是不确定性中最重要和最基本的2个特征。分析和比较了表示和处理不确定性知识的一些主要的拓展集合理论,并系统的介绍了基于粗糙集的不确定知识的表示和处理方法。系统讨论了粗糙集理论对经典集合论的拓展,用经典集合计算方法对粗糙集的核心算子进行了对比分析,同时对定义在信息系统上的粗糙逻辑也进行了分析。通过分析粗糙集理论在人工智能领域的几类典型应用案例说明了粗糙集在表示和处理不确定性问题方面的重要作用和优势。最后对不确定知识的表示和处理的一些有待进一步深入研究的关键问题进行了展望。     

相似关系粗糙集理论的一个极小公理组

粗糙集公理化是粗糙集理论研究的一个重要部分,其目的是用可靠且独立的公理组对粗糙集理论进行刻画,从而可以用逻辑和公理系统方法对粗糙集理论进行更为深入的研究．经典的粗糙集理论是基于等价关系的,但现实数据中存在更多的相似关系．为刻画基于相似关系粗糙集理论,给出了公理组S,它含有3个公理．证明了公理组的可靠性,它表明了用所给公理组刻画基于相似关系粗糙集理论的合理性．同时还证明了公理组的极小性,即公理组中每条公理是粗糙不等式且各公理是相互独立的．这些研究有助于粗糙集理论研究的深入和完善．     

A minimal axiom group for rough set based on quasi-ordering

Rough set axiomatization is one aspect of rough set study to characterize rough set theory using dependable and minimal axiom groups. Thus, rough set theory can be studied by logic and axiom system methods. The classic rough set theory is based on equivalent relation, but rough set theory based on reflexive and transitive relation (called quasi-ordering) has wide applications in the real world. To characterize topological rough set theory, an axiom group named RT, consisting of 4 axioms, is proposed. It is proved that the axiom group reliability in characterizing rough set theory based on similar relation is reasonable. Simultaneously, the minimization of the axiom group, which requires that each axiom is an equation and each is independent, is proved. The axiom group is helpful for researching rough set theory by logic and axiom system methods.