基于条件信息熵的区间集决策信息表不确定性度量

该文研究区间集决策信息表中基于信息熵的不确定性度量。针对区间集决策信息表,该文提出一个δ-区间相似关系来描述对象之间的关系。将Pawlak粗糙集模型的近似精度和近似粗糙度等不确定性度量概念,扩展到区间集决策信息表中。通过分析扩展的δ-区间近似粗糙度和δ-区间近似精度,可以发现这两种度量对粒度结构的变化并不敏感。结合条件信息熵,该文提出了一种δ-区间决策条件熵来度量区间集决策信息表的不确定性。对δ-区间近似粗糙度,δ-区间近似精度和δ-区间决策条件熵相关性质进行了分析和证明。通过实例验证了δ-区间决策条件熵能够有效、准确地度量区间集决策信息表的不确定性。     

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。     

基于代数观点的邻域区间集粗糙集模型研究

描述部分已知概念的区间集粗糙集是对经典粗糙集的拓展,其属性值概念由上下边界集来描述,具有较好的不确定性刻画能力,能够有效促进数据挖掘、信息度量和知识发现等实际应用。现有研究主要针对离散型数据对象,不能很好地处理现实世界中大量存在的连续型数据对象,因此区间集粗糙集具有改进的空间。该文引入邻域关系,通过Hausdorff距离函数定义区间集邻域粒子,由此构造邻域区间集粗糙集模型,并从代数观点研究其相关概念及性质,最后用实例分析验证其有效性。     

基于模糊邻域粗糙集的信息系统不确定性度量方法

邻域粗糙集和模糊粗糙集是粗糙集理论中处理数值型数据的两种重要模型.在数值型信息系统中融合两者在不确定性度量方面的优越性,首先引入了模糊邻域粗糙集模型,并在该模型上定义了模糊邻域粗糙度的概念.模糊邻域粗糙度是通过粗糙集的边界域来度量信息系统的不确定性,为了达到更为全面的度量效果,在模糊邻域粗糙集模型中定义了模糊邻域粒结构,并基于该粒结构提出了模糊邻域粒度的概念,模糊邻域粒度是对信息系统分类能力的一种度量.最后,通过将两种度量方法进行结合,提出了一种基于模糊邻域粗糙集的混合不确定性度量方法,并从理论上证明其有效性.实验结果表明,所提出的混合度量方法综合了两种单独度量方法的优点,在数值型信息系统中具有更好的度量效果,因此所提出的不确定性度量方法更具有一定的优越性.     

双论域区间值直觉模糊vague粗糙集及其应用

区间值直觉模糊集可诱导出vague集和粗糙集，而后两者的结合具有不确定性深入分析的优势.立足双论域区间值直觉模糊粗糙集，引入vague集进行融合扩张，研究双论域区间值直觉模糊vague粗糙集.首先，定义区间值直觉模糊vague相容类，构建双论域区间值直觉模糊vague粗糙集模型，提出关于双逼近近似和三支决策区域的计算算法，并确立该模型的精确度、粗糙度、依赖度.然后，研究该模型的近似算子与不确定性度量的性质.最后，采用医疗例子进行模型计算、度量测量、性质验证，并得到关于患者临床诊断的患病分析与治疗决策.     

区间直觉模糊粒结构的距离度量

在粒结构不确定性的度量上区间直觉模糊信息粒度存在局限性.基于此,提出区间直觉模糊粒结构距离的概念.首先,给出区间直觉模糊粒结构距离的定义,其次,通过定理的证明和实例的分析来验证该距离的有效性,最后,就其潜在的应用进行了探讨.     

基于区间二型犹豫熵与风险偏好的多属性决策方法

针对以区间二型模糊集(IT2FSs)为信息环境的多属性决策问题,构建了考虑决策者风险偏好的决策模型,解决了区间二型模糊集内在犹豫性难以量化的问题.首先介绍了区间二型模糊集的相关知识,综合考虑两种期望平均提出了区间二型模糊集排序值公式以比较模糊数的优势关系,同时提出使用几何度量刻画模糊性与犹豫性的区间二型犹豫熵来度量区间二型模糊集的不确定性.考虑到决策者的风险态度对决策结果可能的影响,引入决策者风险偏好因子,构造了风险偏好因子与传统的熵权法相结合的新的权重求解模型并给出了决策算法.最后用一个风险投资的实例验证决策者的风险偏好对属性权重以及决策方案的排序所产生的影响.     

属性粗糙集粗糙性的度量方法

考虑到粗糙集的不确定性与其所在近似空间知识粒度的关系,在属性粗糙集模型的基础上,将传统的粗糙度与知识粒度相结合,提出了一种新的属性粗糙集粗糙性的度量方法,讨论了这一度量的特性.证明了随着近似空间的细分新的粗糙度单调减小的性质.     

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。     

基于距离的区间值Vague集的多准则决策方法

研究将实数型Vague集的距离方法扩展成为区间值Vague集的距离度量方法. 给出区间值Vague集的模糊度定义和Hausdorff距离,建立基于距离的区间值Vague集多准则决策的相对优属度法,并通过例子说明实施方法的步骤.     

共现邻域关系下的属性约简研究

在邻域粗糙集的研究中,往往借助给定的半径来约束样本之间的相似性进而实现邻域信息粒化,需要注意的是,若给定的半径较大,则不同类别的样本将落入同一邻域中,易引起邻域中信息的不精确或不一致.为改善这一问题,已有学者给出了伪标记邻域的策略,然而无论是传统邻域还是伪标记邻域,都仅仅使用样本间的距离来度量样本之间的相似性,忽略了邻域信息粒内部不同样本所对应的邻域之间的结构关系.鉴于此,通过引入邻域距离度量,提出一种共现邻域的信息粒化机制,并构造了新型的共现邻域以及伪标记共现邻域粗糙集模型,在此基础上使用前向贪心搜索策略实现了所构造的两种模型下的约简求解.实验结果表明,与传统邻域关系以及伪标记邻域关系所求得的约简相比,利用共现邻域方法求得的约简能够在不降低分类器准确率的前提下产生更高的约简率.     

直觉模糊信息系统下基于优势关系的邻域粗糙集

粗糙集是处理不确定性信息的有效数学工具,然而,在复杂的环境下,经典粗糙集并不能满足某些特殊的现实需要,因此,为粗糙集引入拓展要素,是增强模型可靠性的重要手段。文章在直觉模糊信息系统下,基于优势关系研究邻域粗糙集模型。首先将直觉模糊数与邻域粗糙集近似算子结合,刻画直觉模糊邻域粗糙近似算子,建立直觉模糊邻域粗糙集模型。然后,引入了优势关系,构建优势邻域类,进而构建基于优势关系下的直觉模糊邻域粗糙集模型,并研究了该模型的上下近似、优势邻域类、集合的基本运算等性质,给出了模型不精确性度量指标。最后通过实例验证了所提出模型的有效性。     

基于灰色决策系统中的知识获取

现实世界中的信息决策系统是非常复杂的,许多信息表中的记录不仅是离散值,还可能为区间值。本文以包含区间值的灰色粗糙集为研究对象,使用基于区间一致关系和区间包含关系取代经典粗集模型中的等价关系和不可分别关系,给出了从含区间值灰色决策系统中获取知识新的理论基础与操作手段。     

基于粗糙熵的三支加权变形熵

粗糙集理论是关于不确定性信息处理的一种重要理论,其中的多种信息度量都具有有效的不确定性刻画功能.借鉴传统粗糙熵,构建三支加权变形熵.首先,利用粗糙熵的形式结构,采用三支概率提出三支变形熵,得到不完全的粒化单调性.进而变换贝叶斯概率公式,构建三支加权变形熵,得到完全粒化单调性以及三支信息系统性.三支加权变形熵推进了粗糙熵,有益于粗糙集的不确定性表示及应用.     

基于极大相容块的区间集粗糙集

区间集粗糙集是针对目标集不能被精确表达时利用上下界进行近似刻画的有效方法，而对于连续型数据，基于等价关系的区间集粗糙集不再适用，相容关系则常被用于处理连续型数据。为进一步提高近似精度，文章将基于相容关系的极大相容块与区间集粗糙集结合，提出连续型数据集上基于极大相容块的区间集粗糙集。首先在信息系统中提出基于距离的相容关系及其极大相容块，由此定义基于极大相容块的乐观、悲观粗糙集，并讨论它们的性质。进而将极大相容块引入区间集粗糙集，提出了基于极大相容块的乐观、悲观区间集粗糙集，讨论了它们的性质及关系以及两类区间集粗糙集的精度。最后选取UCI数据集上的五组数据，验证了本文所提极大相容块下的模型较之相容关系下对应模型的精度平均提高33%。     

可变精度邻域区间值决策表的属性约简

区间值决策表可以通过区间刻画对象相对于条件属性的取值,其在现实生活中运用非常广泛,该文在此基础上提出一种启发式约简算法。首先,为了提高信息系统的可辨识性,在区间值决策系统上引入可变精度阈值α与邻域阈值δ;随后,重新定义了决策表的上近似、下近似与正域;最后,定义属性质量度,以判定是否将条件纳入约简集合。为了更好地理解该算法的执行过程,该文进行了案例分析,并在4个数据集上完成了实验。实验结果表明,该算法具有良好的可行性,且其在准确率上优于另2种算法。     

基于相对熵的不确定性群决策集成方法

针对带有区间数的不确定性群决策问题做了研究.首先在区间数比较可能度概念的基础上,获得各个决策者对方案集不确定性评价的可能度矩阵,并将其转化为方案集的排序向量;然后从相对熵的概念出发,提出了一种相对熵的不确定性群决策最优化集成模型,讨论了模型的求解;最后实例分析表明文中所提方法的可行性和有效性.     

一种多粒度区间语言信息的多属性群决策方法

文章针对具有多粒度区间语言评价信息的多属性群决策问题,提出了一种基于区间二元语义信息处理和TOPSIS的群决策方法;该方法首先给出了将多粒度区间语言评价信息一致化为二元语义信息的方法,其中二元语义信息南基本语言评价集表示,然后计算各方案与正理想方案及负理想方案间的距离,并结合不完全确定的属性权重信息建立非线性规划模型,...     

知识粗糙性的粒度原理及其属性约简

经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念，但它不能完全区分不同信息粒度所表示的信息量。本文从信息论的角度定义了信息粒度，粒度函数和粒度熵等概念，重点研究了知识粗糙性的粒度原理。提出了一种基于条件粒度熵的属性约简的启发式算法，通过例子分析，表明该算法是有效的。     

区间毕达哥拉斯模糊集的信息度量及其应用

熵、距离和相似度是模糊集及其推广理论中重要的信息度量工具。基于区间毕达哥拉斯模糊集的信息度量研究大多涉及区间毕达哥拉斯模糊数的距离公式,很少涉及模糊性和相似性的度量方法。针对这种情况,首先提出区间毕达哥拉斯模糊集的熵、距离和相似度的公理化定义。然后研究熵、距离和相似度之间的关系。最后将提出区间毕达哥拉斯模糊集的熵和相似度应用到模式识别领域,对比分析表明所提出的度量方法具有灵活性和有效性的特点。