Pawlak粗糙集的公理系统

粗糙集合理论是一种新的有效处理不精确、不确定、含糊信息的理论,粗集公理系统研究是粗集理论及应用研究的基础。利用模糊关系及其运算的矩阵表示,建立Pawlak粗近似空间的公理体系,该公理系统由三条相互独立的非常简洁的表达式构成。获得的结果深刻地揭示了经典等价关系与模糊等价关系的本质区别,进一步深化了Pawlak粗集理论。     

二元关系聚合与粗糙近似

粗集理论中的核心概念--下近似和上近似的经典定义是以不可分辨关系为基础的, 这种定义方式适合于处理名义属性. 然而, 许多现实问题既包括定性属性也包括定量属性, 因此有必要对不可分辨关系进行泛化. 首先在单个属性层次上根据适合的相似性测度定义了二元关系, 对这些二元关系进行聚合成为属性集合层次上的全局二元关系. 决策类并集的粗糙近似和边界域则定义在全局二元关系的基础上. 然后定义了粗糙近似和边界域的运算, 从而可以描述确定性、可能性和怀疑性的知识, 并且证明了这些运算满足的粗糙包含性、互补性、边界域恒等性和单调性. 这种新的粗集方法可以描述包含定性属性和定量属性的决策表中包含的不一致性.     

基于RST的粗关系数据库的熵研究

熵是度量信息不确定性的重要工具,粗集数据分析方法研究粗关系数据库熵的重要方法。首次利用复合粗近似算子概念和方法,由属性值域上的二元关系导出了粗关系模式实例元组之间的二元关系,为利用粗集理论来研究粗关系数据库提供了必需的前提条件。在此基础上,提出了基于粗集的粗关系模式及其实例的信息熵和粗糙熵的概念,同时给出了它们的计算公式。最后以一个工程实例的计算验证了本文方法的有效性。     

双论域上的直觉模糊概率粗糙集模型及其应用

基于一个直觉模糊关系,给出了双论域上的直觉模糊概率粗糙集模型的定义,同时也给出了逆下近似、上近似算子的概念. 研究了它们的若干性质,为粗糙集的应用提供了新的理论基础与操作手段.最后,通过在临床诊断系统中的具体应用阐述了本文提出的直觉模糊概率粗糙集模型的有效性和优越性.     

基于二元关系和布尔推理的分级决策模型

分级决策问题是将备选方案分类到预先定义的具有偏好顺序的决策类中.其中每个方案是由一个有限属性集合来描述的,该属性集合包括名义属性、连续型属性和有序属性.为了建立分级决策模型.提出了一种基于粗集理论和二元关系、布尔推理相结合的方法.首先在名义属性、连续型属性和有序属性上分别定义了不可分辨关系、相似关系和优势关系.然后提出了分辨-相似-支配矩阵的概念来建立相应的布尔函数.通过计算布尔函数的主蕴含,得到了"IF…THEN…"分级决策规则集作为偏好模型.最后利用一个算例说明了该方法的有用性.     

基于(α, τ)限制相似关系的变精度粗糙集模型

针对经典粗糙集模型只能处理完备信息系统,将变精度粗糙集模型引入到不完备信息系统中。给出了(α,τ)限制相似关系的定义及其相关性质,并提出了基于(α,τ)限制相似关系的变精度粗糙集模型,提出了基于属性重要度和近似分类质量的知识约简算法。通过算例分析验证了该模型知识约简算法的有效性。     

不完备信息系统中的可变精度分类粗糙集模型

在不完备信息系统中,容差关系过于宽松,而相似关系则过于严格.根据这样的解释,提出了一种新的基于可变精度分类的拓展粗糙集模型,其中的分类方式相比较于容差关系和相似关系显得更为灵活,是这两者的一种广义化表现形式,且可变精度分类也是限制容差关系的一种改进形式.在此基础上,将这种拓展粗集模型与基于容差关系和相似关系的拓展粗集模型进行了对比分析.最后在不完备信息系统中使用新的拓展粗集模型讨论了确定和可能性规则的直接生成方法,并进行了实例分析以说明其有效性.     

基于粗糙相似度的有向网络链路预测

有向网络的链路预测,不仅要考虑边上两个结点之间的共同邻居的作用,还要考虑结点所处局部群落中其它结点的作用。本文首先定义一个结点的出度集合和入度集合分别是以它为弧头的有向边对应的弧尾结点和以它为弧尾的有向边对应的弧头结点构成的集合,构建一条有向边的局部群落为弧头结点的出度集合和弧尾结点的入度集合并集;用粗糙集理论表示局部群落,用粗糙相似度度量有向边弧头结点的出度集合和弧尾结点的出度集合,并直接用于预测这条有向边是否存在;粗糙相似度的计算过程为,借助结点固有的出度和入度属性对出度集合和入度集合进行知识分类,用两个集合的上近似集或下近似集元素个数的差值占群落元素数比例确定;在两个实际微博关注关系有向网络上检验了粗糙相似度指标的有效性,并与4个经典指标进行链路完整条件下的预测精度对比和链路缺失的条件下的预测能力对比。     

粗集不可分辨关系的拓展及其可视化研究

粗集认为知识是一种分类的能力,其基础是事物之间的不可分辨关系.在实际应用中,用不可分辨关系描述数据之间的关系往往过于精确,使得粗集的适用范围受到限制.目前已出现了多种粗集的变种,其中包含不可分辨关系的拓展.在此基础上,本文给出了一种拓展的不可分辨关系模型,即广义相似关系,就粗集的基本概念进行了讨论,并用粗超图等可视化技术作了分析.     

属性约简中的近似问题研究

现有相对约简实际上只是在保持所关心范畴的下近似不变的前提下对属性进行约简,这对于不协调信息系统来说,可能会使所关心范畴的上近似变大,从而使其近似精度减小,导致有用信息的丢失.为此,针对属性约简中的近似问题进行了研究,引入近似相对约简概念,利用近似相对约简替代现有相对约简来处理不协调信息系统,以克服现有相对约简在不协调信息系统中所带来的缺陷.同时,证明了在协调信息系统下,条件属性集相对决策属性集的近似相对约简和相对约简是等价的,并提出了一种基于近似相对约简的简便属性约简算法.     

基于集值信息系统的多粒度粗糙集

多粒度方法是粗糙集理论中的一种新的数据处理模式。为了使多粒度方法适用于不完备信息系统,在相似关系的基础上,提出了基于集值信息系统的多粒度粗糙集模型,包括乐观和悲观两种不同的形式,不仅分析了两种模型的基本性质以及它们之间度量的关系,而且研究了决策规则获取的方法。最后将基于集值信息系统的多粒度粗糙集应用于信息系统安全审计风险判断,为信息系统安全审计的有效判断提供决策支持。     

基于变精度容差关系的扩展粗糙集

针对不完备决策信息系统问题,在分析已有粗糙集及其扩展方法局限性的基础上,提出了一种基于变精度容差关系的扩展粗糙集方法。该方法通过判断对象之间不可分辨可能性的大小来划分容差类,进而得到相应的上、下近似集,并在理论与实例中与基于容差关系、相似关系、限制容差关系等的扩展粗糙集进行了比较分析,论证了该方法的合理性和有效性。     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

多准则分级决策的扩展粗糙集方法

解决分级决策问题的方法主要涉及统计学、人工智能和运筹学等．粗糙集理论被证明是进行多属性决策分析的有利工具．但是，基于不可分辨关系或相似关系的传统粗糙集方法不适于解决带有准则的决策分析问题．因此，Greco等提出了一种扩展的粗糙集方法分析分级决策数据，该方法利用支配关系代替不可分辨关系对决策类进行粗糙近似．在此基础上，为了从决策数据中构造偏好模型，通过构造支配矩阵和支配函数计算最小决策规则．为了消除规则集中的冗余性，提出了规则化简的方法．此外，对基于规则的分级决策策略进行了研究.     

基于内部关系的信息系统约简与应用

利用拓扑学中内部这个重要的概念来刻画协调决策信息系统的属性约简与不协调决策信息系统关于下近似的约简,使拓扑与粗糙集两个理论交叉、渗透,在此基础上从拓扑的角度出发,更进一步地给出一个二元关系相对于一族二元关系的内部约简的概念,并且定义一个辨识矩阵来给出内部协调集的判定定理与内部约简的算法。最后,在覆盖广义粗糙集理论中认识这类约简,并给出一个应用模型。