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.     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

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·     

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。     

面向多标记学习的局部粗糙集

多标记学习研究的是一个对象同时具有多个标记的一类复杂问题.文本标注、视频内容标注、图像识别和蛋白质功能的发现等都属于这类任务.与单标记学习问题一样,多标记学习也遭遇到了数据维数大的挑战.针对多标记数据,目前已经设计出一些约简算法,但与单标记约简算法相比,方法数量有限且局限性大.随着大数据时代的到来,收集大量样本越来越容易,但标注收集到的全部样本不切实际.这给想要通过利用粗糙集模型来解决多标记学习问题的研究人员带来了三个挑战:数据维数更高、现有粗糙集的局限性和部分标记决策表的出现.为了解决这三个挑战,提出了面向多标记学习的局部粗糙集模型,并获得了一些有意思的性质.最后,通过利用局部粗糙集模型,设计了一个多标记的启发式约简算法,并在三个公开的多标记数据集上验证了算法的有效性.     

基于λ-灰相似关系粗糙集模型的评价指标筛选方法研究

将粗糙集理论和灰色系统理论结合起来,确立了λ-灰相似关系的概念与基于λ-灰相似关系粗糙集模型.提出了运用λ-灰相似关系粗糙集属性约简进行指标筛选的方法,这种方法适于待定指标为灰信息的指标筛选.实例证实了方法的有效性.     

广义相似关系下的不完备信息系统粗糙集模型

为了更好地从含有杂合数据和不完备数据的信息系统中提取合理的规则知识,构建基于广义相似关系的不完备信息系统粗糙集模型.其步骤为:针对决策信息系统中存在杂合数据的情况,并对决策信息系统中所存在的不完备信息进行细致区分,给出广义相似关系的定义;通过提出上、下广义相似划分的上、下近似的概念,给出2种划分意义下的属性约简和规则知识提取策略;最后,在理论上对该扩展粗糙集模型的正确性进行相关证明,并用实际算例进一步验证该模型的有效性和优越性.     

基于遗传算法的覆盖近似空间最优近似求解算法

经典粗糙集用一对精确集来近似粗糙集.在其扩展模型中,有学者提出了从相似度出发用一个精确集来刻画粗糙集的模型.这种模型可以更贴近目标集合,在规则提取方面也有很好的应用.在划分情形下最优近似的算法已经相对完善,但是对于覆盖情形下的最优近似其算法还很匮乏.针对这一问题,提出了一种基于改进的遗传算法的最优近似求解算法.通过采用...     

多粒度模糊粗糙近似算子的信任结构与属性约简

多粒度是近年来粗糙集领域研究的一个热点方向, 为使多粒度模型更适用于实际数据, 提高模型的可用性, 模糊思想被引入到多粒度粗糙集模型中。本文构建了基于模糊相似关系下的多粒度模糊粗糙集模型, 并建立了模糊信任结构。在该信任结构下根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。研究多粒度模糊粗糙集在模糊等价关系下的属性约简, 并给出相关算法。     

基于黄金关系的粗糙集模型及其应用

粗糙集的核心概念是基于等价关系的上下近似.给出了基于黄金关系的粗糙集模型,并研究了该模型的简单应用.     

变精度意义下的优势约简

属性约简是粗糙集理论与方法的研究热点,是一种重要的降维方法.将经典变精度粗糙集模型与优势关系粗糙集模型相结合,定义了优势关系下的β近似集合和β分布协调集的概念,并给出了基于β分布协调集的可辨识属性矩阵定义,提出优势关系下的变精度属性约简方法.通过实例分析,说明了该方法的可行性.     

基于扩展粗糙集模型的近似概念格规则挖掘研究

粗糙集和概念格是两种不同的知识发现和数据挖掘有效工具,已被广泛应用于许多领域.在对粗糙集和概念格基本理论研究基础上,提出了利用扩展粗糙集模型对概念格近似使其得以改进,即在概念格中引入β-多数蕴涵关系实现概念格中结点近似合并以及近似概念格(ACL)的构建,由此提出概念格粗糙近似和规则挖掘算法(LCBA).最后通过UCI机器学习数据库相关测试表明该算法的可行性和有效性.     

限制容差关系的不完备可变粗糙集

针对不完备信息决策系统中信息引起的不相容性的问题,引进包含度,提出基于限制容差关系的可变粗糙集模型,并研究其相关性质.通过对限制容差关系的可变粗糙集模型和限制容差关系粗的糙集模型对比分析,结果表明:限制容差关系的可变粗糙集模型拥有更高的粗糙近似分类精度和粗糙近似分类似质量,通过实例说明该理论是可行的.     

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．     

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.     

基于相似关系的变精度多粒度粗糙集

在不完备信息系统中基于相似关系,引入了可变精度和多粒度粗糙集,进而提出一种基于相似关系的变精度多粒度粗糙集模型。研究了基于相似关系的变精度多粒度粗糙集的相关性质和关系。随后讨论了基于相似关系变精度多粒度粗糙集的约简问题,提出了一种基于属性重要度的启发式分布约简算法,实例分析的结果验证了该方法的可行性。     

广义模糊粗糙集的包含度和相似度

模糊粗糙集是目前数据挖掘领域关注的热点之一，作者在Pawlak粗糙集模型基础上，把一个论域推广为两个论域；把等价关系推广为模糊关系，被近似对象换成模糊集，得到广义模糊粗糙集模型，建立了广义模糊近似空间。在广义模糊近似空间中定义了广义模糊粗糙集上的包含度和相似度，并讨论了此包含度和相似度相关性质。     

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%。     

优势关系多粒度粗糙模糊集及决策规则获取

为了将多粒度粗糙集方法进一步扩展以适应模糊信息系统的需求,将多粒度思想引入到基于优势关系的粗糙模糊集模型中,提出了基于优势关系的乐观和悲观多粒度粗糙模糊集.在这2种多粒度粗糙模糊集中,采用一族而非一个优势概念来进行目标的逼近,并且被近似的目标是模糊而非清晰的集合.不仅对这2种新的粗糙模糊集的性质进行了讨论,而且研究了如何从模糊信息系统中获取逻辑连接词为"或"的决策规则,并采用一个模糊信息系统对新提出的粗糙集模型及决策规则获取进行了实例分析.结果表明:借助优势关系的方法,可以进一步扩展多粒度粗糙集方法,以处理模糊数据,从而扩大多粒度概念的应用范围.     

粗糙集理论及其应用进展

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。目前已在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了广泛应用。首先描述了粗糙集的基本算法及其复杂度 ,包括等价关系 ,上下近似及各种约简算法 ;接着对粗糙集扩展理论 ,如可变精度模型 ,相似模型等进行了讨论 ,然后对粗糙集在数据挖掘、大数据集、粗糙逻辑、多方法融合等领域中的应用进展情况进行了论述 ,最后给出了建议的研究方向