精度与程度逻辑差双量化粗糙集模型的属性约简

双量化具有完备刻画粗糙集近似空间的重要功能,精度与程度逻辑差粗糙集模型则是一类基本双量化模型.本文主要针对该模型,深入探讨其在二分类情形下的属性约简.首先,讨论了基于模型上下近似的二区保持的基本性质,提出并研究了二区保持约简;接着,定义了基于变精度上下近似与程度上下近似的四区保持约简,得到了其与二区保持约简的层次关系;最后,利用一个统计决策表案例对两种属性约简及它们的层次性进行了说明.对双量化属性约简来讲,本文的二区保持约简具有泛化性,而四区保持约简则具有基础性与指导性,它们从而提供了一些基本思路.     

变精度粗糙集属性约简的算法

针对变精度粗糙集属性约简问题,在分析变精度粗糙集理论的基础上,分别从属性依赖度增量、互信息的增量、基于覆盖度与准确度相结合的度量以及属性的不确定性量度等角度,对属性重要度进行分析。并分别以这四个属性重要度作为启发式信息,提出变精度粗糙集属性约简的启发式算法,进而得到信息系统的最小约简,并将所给的算法应用MATLAB程序进行实现。最后,通过具体算例说明所给算法的有效性和实用性。     

不完备信息系统中基于相似度的变精度粗糙集模型

提出了一种基于相似度的变精度粗糙集模型,该模型是变精度粗糙集模型在不完备信息系统中的拓展.定义了这种模型上的知识约简,并给出了求约简的两种一般算法.最后通过实例分析说明了算法的有效性.     

基于可变精度粗糙集的多决策表分析方法

针对可能存在分类误差缺失信息的群体分类决策问题,提出了一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。该方法通过控制决策者的分类误差率,群体分类一致率及反对率,将多个决策表中符合条件的信息汇集,形成群体分类模式表,然后根据每种分类模式在不同分类误差率和群体一致率下得到支持和反对的频数,得到群体分类模式集合的下近似,即群体分类偏好。给出了应用该方法的具体步骤,算例验证了该方法的有效性。     

基于变精度粗糙集理论的知识约简方法

基于变精度粗糙集理论与包含度理论,引入了不协调目标信息系统的上、下分布约简的概念,并讨论了它们之间的关系.上(下)分布约简是保持每个决策类的上(下)近似不变的最小属性集,由约简系统产生的命题规则与由原系统产生的命题规则是相容的,即约简不会改变由对象所产生的规则的决策结果.通过对这两种知识约简的等价刻画,得到了上、下分布知识约简的判定定理和可辨识属性矩阵,从而提供了不协调目标信息系统知识约简的新方法.     

一种基于可变精度粗糙集的群体分类决策方法

针对群决策分类问题，提出一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。首先定义决策表分类模式和频度的概念，其次给出每种分类模式在群体中的支持率和反对率的计算方法，以及如何调整粗糙精度因子，得出群体分类偏好的方法，最后通过一个算例验证新方法的可行性和有效性。     

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.     

基于优势关系和可变精度粗糙集的多准则决策方法

针对不确定性决策问题,提出了一种基于优势关系和可变精度粗糙集理论的多准则决策方法。该方法把基于优势关系的粗糙集模型和基于可变精度粗糙集模型结合起来,在可变精度粗糙集模型中把规则的置信度阈值当作可变精度参数值。首先,给出全部方案的成对比较表。然后,从一部分方案的成对比较表中,利用优势关系粗糙集和可变精度粗糙集的扩展粗糙集理论提取两类优势规则。最后,定义打分函数给全部方案打分,并进行排序,选出最优方案。通过一个简单算例论证了该方法的可行性。     

肯定和否定决策规则的获取及约简

为了从不完备有噪声的信息系统中获取肯定和否定决策规则,首先提出了变精度粗糙集描述子的概念,并讨论了其性质|然后给出了该模型下肯定和否定决策规则获取的方法|最后,为了获得简化的决策规则,提出了基于分辨矩阵的描述子约简方法和保持下近似分布不变的启发式约简算法,在学生成绩的评测实例中验证了该方法的有效性。     

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。     

基于变精度粗糙集的分类决策树构造方法

针对分类决策树构造时最优属性选择困难、难以适合大规模数据集的问题,提出新的属性选择标准--属性分类重要性测度,引入王信度和支持度,设计了基于变精度粗集理论的决策树算法.分类重要性测度可全面刻画属性的综合分类能力,且计算比信息增益简单.决策树生长过程中引入支持度和置信度,以控制决策树的生长,提高决策树对噪声数据集和不相容数据集的处理能力,减小决策树的规模.通过对UCI上5个不同规模和类型的数据集进行测试计算,结果表明算法效率高于ID3算法,与UCI报告的最好结果相当.     

精度与程度的逻辑差粗糙集模型及其算法

基于精度与程度的逻辑差需求,提出了精度与程度的逻辑差粗糙集模型,定义了粗糙集区域概念. 在精度与程度的逻辑差粗糙集模型中,得到了粗糙集区域的基本结构和精确描述,提出了计算粗糙集区域的宏观算法和结构算法, 并进行了算法分析与比较,得到了结构算法具有时间优势和空间优势的结论. 最后用一个医疗实例对模型及其算法进行了说明. 精度与程度的逻辑差粗糙集模型,部分拓展了程度粗糙集模型和经典粗糙集模型,在决策表应用中具有广阔前景.     

变精度上近似算子与程度下近似算子的逻辑或运算模型

本文主要探索精度与程度结合的粗糙集扩张模型, 提出了变精度上近似算子与程度下近似算子的逻辑或运算模型. 研究了该新模型的精确描述与基本性质, 提出了模型的常规算法与结构算法, 进行了算法分析与算法比较, 得到了结论: 常规算法与结构算法具有相同的时间复杂性但结构算法具有更优的空间复杂性, 并用一个医疗实例对模型与算法进行了说明. 该模型具有精度与程度复合描述的具体含义, 部分扩张了变精度粗糙集模型、程度粗糙集模型和经典粗糙集模型, 进而得到了已有近似算子的相应性质.     

基于S-粗集的图像阈值分割方法

介绍了S-粗集的概念, 结合其动态迁移特性给出了可以适应复杂背景和含噪环境的图像S-粗集表示模型, 使静态目标可以将"不好"特性像素点迁移出去. 利用粗糙熵平衡目标和背景粗糙度对边界的影响, 提出一种更具适应性的 图像阈值分割算法. 为了适应离散点的迁移, 同时避免粒度大小的选择, 结合包含度概念给出了图像变精度S-粗集表示模型, 利用精度参数来 控制调节获取最佳分割阈值, 实现目标提取. 仿真实验表明, 所提出算法具有更好的图像分割效果.     

基于决策依赖度的粗糙集约简模型研究

为寻求高效的粗糙集约简模型,基于可分辨关系提出决策分辨约简、依赖性和依赖度等概念.与以往粗糙集约简模型相比,为提高约简精确性,提出性能为O(|P‖U|)的等价类划分方法和性能为O(|P‖U/C|)的属性重要性度量方法.同时给出了相关定理和等价命题,论证了传统决策约简模型和决策分辨约简模型的一致性.并基于属性重要性给出性能为O(|C|~2|U/C|)的求核方法和性能为Max{O(|C‖U|),O(|C|~2|U/C|)}的约简模型.新模型充分考虑了核属性和其他属性间的关联,从而有效降低冗余率,解决了对比模型存在的问题.理论和仿真实例分析表明新模型高效且结果准确率高.     

基于粗集的水文单要素预报模型

基于粗集理论,应用水文系列自身的历史资料作为预报因子,建立了水文单要素分级预报模式.在建立预报模式的过程中,由属性重要度和规则出现频度最大原则确定问题的最小规则集,即预报模式集,提出应用预报模式集对预报对象的支持强度最大原则作预报决策.建立的模式经应用于大伙房水库年径流预报,表明应用粗集理论提取的预报模式集,能有效地描述预报因子与预报量间的强非线性映射关系,具有较高的判别率;粗集预报模式由简单的决策规则组成,易于理解与使用.