模糊贴近度的覆盖粗糙模糊集不确定性度量研究

针对一种覆盖粗糙模糊集的不确定性度量,分析了不确定性的物理含义,给出了一种基于模糊贴近度的度量方法,进而对其性质进行了分析。结果表明该度量方法能客观反映粗糙模糊集不确定性的程度,从定量的角度为刻画粗糙模糊集的不确定性提供了方法。     

覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一。粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法。Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型。但是,该覆盖粗糙集的不确定性度量却没有被研究。针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度。     

覆盖粗糙集的模糊度

粗糙集的不确定性度量是粗糙集理论中的关键问题之一.粗糙隶属函数为粗糙集提供了新的解释,并为粗糙集的不确定性度量提供了方法.Tsang对覆盖近似空间中的近似算子进行了研究,提出了一种较已有模型更合理的覆盖粗糙集模型.但是,该覆盖粗糙集的不确定性度量却没有被研究.针对第三类覆盖粗糙集模型,定义了第三类覆盖粗糙集的粗糙隶属函数,并据此定义了第三类覆盖粗糙集的模糊度.     

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。     

基于诱导覆盖的粗糙直觉模糊集模型

基于粗糙集和直觉模糊集的信息融合方法是数据挖掘领域的一个热点研究课题.目前众多的融合方法主要针对的是单一覆盖背景下的数据,利用覆盖知识中对元素的定性描述来构造覆盖粗糙直觉模糊集模型.但具有多属性的数据形成的是多个覆盖构成的覆盖族,而已有的覆盖粗糙直觉模糊集模型在处理这类数据具有一定的局限性.在多种属性形成的覆盖族上,利用诱导覆盖的概念,从元素间的相似度的角度出发,建立了覆盖族上基于诱导覆盖的粗糙直觉模糊集模型.讨论了该模型的一些重要性质,同时提出了模糊粗糙度概念和相似度的概念,并在此讨论了新模型的不确定性度量.最后,利用算例说明了新模型及其度量指标在现实具体问题中的有效应用.     

一般多粒度直觉模糊粗糙集模型

直觉模糊粗糙集和多粒度粗糙集都是近几年来研究的热门课题.首先通过定义Pawlak近似空间中的支撑函数给出了一般多粒度直觉模糊粗糙近似算子的定义,并讨论了一般多粒度直觉模糊粗糙上、下近似算子的性质.其次,研究了一般多粒度直觉模糊粗糙集(λ1,λ2)截集的定义和性质.此外,还研究了一般多粒度直觉模糊集的不确定性度量以及参数(λ1,λ2)的一般多粒度直觉模糊粗糙集的不确定性度量.最后通过淘宝信息反馈的例子验证了模型的实用性和有效性.     

直觉模糊熵的改进研究

针对现有直觉模糊熵描述不确定性不够全面的缺点,指出直觉模糊集的不确定性应该体现在模糊性和直觉性两个方面上,其中模糊性由隶属度与非隶属度的差异程度决定,而直觉性由犹豫度决定。在此基础之上,建立了新的直觉模糊熵公理化定义,并给出一个熵度量。最后,实例分析表明新的直觉模糊熵度量比现有的熵度量更加合理和有效。     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似，并且利用区间值模糊集的截集定义了区间值模糊粗糙度量，在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

一类覆盖粗糙直觉模糊集模型的模糊粗糙度和粗糙熵

在覆盖粗糙直觉模糊集模型的基础上,将粗糙度和粗糙熵的概念引入到该模型中,研究直觉模糊集的不确定程度,讨论了该度量的相关性质,并通过两个例子证明了直觉模糊集的模糊粗糙度和粗糙熵随着该模型覆盖变细而单调减少。     

基于相似度的模糊粗糙近似算子

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

基于t-模的广义模糊粗糙集的不确定性度量

对于基于t-模的广义模糊粗糙集模型,利用一种新的信息熵研究这种广义模糊粗糙集的不确定性度量。     

覆盖广义粗糙集的一般化方法

在覆盖粗糙集理论中,将其模型与经典粗糙集统一是一个非常重要的问题。在覆盖近似空间中通过定义论域上的基于覆盖的等价关系,将覆盖广义粗糙集转化为经典粗糙集,由此将经典粗糙集理论的应用范围拓展到基于覆盖的背景中。分析表明,该方法比已有的基于等域关系转化覆盖广义粗糙集为经典粗糙集更直观且易于理解。最后举例说明了该一般化方法还可以提高目标概念的近似精度。     

扩展的粗糙集模型及其不确定性量度

为克服标准的粗糙集模型不能表示数据对象的不同重要性和属性的不同特性的局限 ,需对其进行扩展。在可变精度粗糙集的基础上 ,构造了一种新的扩展粗糙集模型。它通过在知识表示系统和决策表中引入数据对象的权值函数和属性的特性函数来克服上述局限。给出了适于数据对象具有不同重要性情况下的粗糙决策规则集合的不确定性量度 ,以其作为规则评价的标准 ,可以方便地融入主观偏好、先验知识等因素。通过对一个数据集的分析实例对此进行了说明     

基于粗集和模糊集的启发式规则约简算法研究

提出了一种新型的决策规则约简方法。基于均匀划分和正态分布隶属度函数,对决策表的连续属性进行模糊化,用欧氏距离贴近度来构建相似矩阵,并提出了一种论域的模糊划分算法;依据粗糙集隶属度进行属性约简的基础上,给出了一种决策规则约简算法,从而达到发掘知识并简化知识的目的。     

基于模糊相似矩阵的分类方法

粗糙集理论是一种处理不确定性问题的有力工具，它假定知识是一种对对象进行分类的能力，分类是推理、学习与决策中的关键问题，传统粗糙集所基于的是不分明关系，这往往使得分类过细，因而笔者探讨一种基于模糊相似矩阵的分类方式，把传统的等价关系弱化为模糊等价关系，从而可得到更具表达力的粗糙集模型。