可调节多粒度粗糙集的细化与粗化

在经典的多粒度粗糙集模型中,属性值细化和粗化后的下近似、上近似变化并不明显,因此在处理实际问题时存在一定局限性。该文首先构造了属性值细化和粗化时的可调节多粒度粗糙集,讨论了可调节多粒度粗糙集下、上近似的一些性质,并设计了相应的增量算法。最后在实验部分中,通过调节数据集、属性集的大小对增量算法和原有的静态算法的计算时间进行比较。实验结果表明提出的可调节多粒度粗糙集在细化和粗化时的增量算法可以更加准确、高效地处理大型数据。     

多粒度粗糙集模型

把Pawlak粗糙集模型从经典的单粒度粗糙集模型扩展到多粒度粗糙集模型,用论域上的多个等价关系定义了集合的近似.研究了多粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是多粒度粗糙集的特殊情况,并且使用多粒度定义的近似度量优于单粒度定义的度量,该度量更适合描述概念的精度并利于解决用户需求的问题.     

集值粗糙集模型的近似集增量更新方法研究

集值信息系统可以用来表示不完备信息系统,得到了广泛的应用.分析现有集值信息系统中的相容关系和拟序关系及其相应的近似集合,给出在相容关系和拟序关系下集值粗糙集模型的近似集增量更新方法,并通过实例验证了方法的有效性.     

双论域多粒度模糊粗糙集近似的并交关系

模糊粗糙集是一种强健的不确定性处理模型,其拓展及相关性质具有重要意义.针对双论域多粒度模糊粗糙集,研究并交近似与近似并交的关系,得到悲观双近似算子与乐观双近似算子对于并交运算的保持性或拓展性,最后用一个医疗实例进行性质说明与有效验证.对于并交系统性质,其中的悲观模型与乐观模型分别具有与经典粗糙集模型的一致性与差异性,所得结果揭示出双论域多粒度模糊粗糙集的扩张特性.     

粗集近似精度及其粒度特征

Pawlak近似精度是衡量粗集近似程度的重要指数[1],针对Pawlak近似精度没有考虑近似空间的颗粒结构,在此利用粒度的概念定义了具有颗粒结构的近似精度,讨论了该近似精度的粒度特征.     

一种多粒度覆盖粗糙集模型

多粒度粗糙集是粗糙集模型在多粒度及分布式环境中的一种重要的拓展形式,其主要思想是采用一族而非一个粒空间中的知识来对目标进行粗糙逼近。将多粒度的思想引人覆盖粗糙集模型中,采用一族而非单个的覆盖,提出了一种多粒度覆盖粗糙集模型。     

基于限制容差关系的粗糙集模型中近似集增量更新方法研究

基于限制容差关系的粗糙集模型可有效处理不完备信息系统, 目前对其研究仅限于静态数据.而在许多情况下数据是动态变化.因此, 研究基于限制容差关系的粗糙集模型下动态知识更新方法具有现实意义.本文给出了属性集变化时不完备信息系统在限制容差关系下近似集的增量更新方法.通过实例验证了方法的有效性, 可用来支持知识动态更新.     

基于图的悲观多粒度粗糙集粒度约简

结合图的顶点覆盖理论,探讨了悲观多粒度粗糙集粒度约简的新方法.首先提出悲观多粒度粗糙集诱导图的概念,并给出其粒度约简的图特征,在此基础上,以图的方法刻画粒度的重要度,进而设计基于图的悲观多粒度粗糙集粒度约简的算法;其次,定义悲观多粒度决策粗糙集诱导图的概念,类似地给出其粒度约简的图特征和粒度重要度,设计基于图的悲观多粒...     

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。     

基于双论域的一般多粒度模糊粗糙集

首先定义了各论域上的支撑函数;其次通过支撑函数分别给出了不同论域一般多粒度模糊下上近似算子的定义,建立了双论域的一般多粒度模糊粗糙集模型;此外,还讨论了各近似算子的性质.     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.     

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.     

基于关系矩阵的区间集粗糙近似

基于矩阵的直观性和矩阵运算的简便性引入区间向量,给出了区间集一种新的表达形式,探讨了区间向量的相关性质,给出了区间向量与关系矩阵的运算法则。在经典粗糙集中,给出了基于关系矩阵的粗糙下、上近似的等价表示,进而利用关系矩阵和区间向量提出了基于关系矩阵的区间集粗糙下、上近似,构造了基于关系矩阵计算区间集粗糙下、上近似的方法,给出了其相应的算法,并通过实例说明了该方法的简便性与有效性。     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

基于粗糙集下近似理论的支持向量机分类方法

传统的粗糙集理论不能处理连续属性,而且得到的分类规则大多比较复杂.支持向量机理论能够得到简洁的分类规则,也能处理连续属性,但仅适用与小样本,对大样本数据集有一定的局限性.文章首先提出了针对连续属性的粗糙集下近似理论,使粗糙集理论能够应用到连续属性.基于上述理论以及支持向量机分类方法仅与支持向量有关的特性.提出了一种先由粗糙集进行预处理的支持向量机分类方法.实验表明,该方法在缩短训练时间的基础上,保留了支持向量机方法所需分类信息,提高了分类精度,克服了SVM算法的应用瓶颈.     

粗糙集的动态粒度及应用

经典粗糙集理论把元素与分类的关联看成不变的,不便于论域上动态数据的研究,而动态粒度可以从不同角度或层次来分析数据,从而弥补经典粗糙集过于简一的计算机制.在经典粗糙集的基础上结合动态粒度的特点,给出了粗糙集、粒计算、动态粒度和影响度的概念,提出了一种粗糙集的动态粒度算法,并给出其应用.     

变精度多粒度粗糙集的信任结构

多粒度粗糙集是近年来粗糙集理论中的主要研究课题之一.本文介绍了变精度多粒度粗糙集模型的上、下近似算子;其次,借助划分函数把变精度多粒度粗糙集转化成单粒度粗糙集,构建了变精度多粒度粗糙集模型的信任结构,并生成相应的信任函数与似然函数,这些结果有利于完善变精度多粒度粗糙集的数值属性约简理论.     

基于限制容差关系变精度的β多粒度粗糙集

由于容差关系要求相对比较宽松,所以建立基于限制容差关系变精度的β多粒度粗糙集模型,并讨论它们的性质.最后,通过例子说明此模型在一定程度上提高了近似精度.     

基于矩阵的动态局部相容粗糙集的增量方法

粗糙集模型作为一种重要的粒计算模型,是处理数据的重要工具.在实际生活中,由于数据来源的多样性,信息系统常出现集值型数据,这些信息系统被称为集值信息系统.由于信息的更新,集值信息系统中的属性集会发生动态变化,因此,基于局部相容粗糙集模型,研究用矩阵来表示其上、下近似的方法,讨论随着属性集的动态变化局部关系矩阵的变化以及上、下近似的变化,并通过具体实例说明提出的更新方法在处理集值型数据时的有效性.最后给出与增量方法对应的算法,并在UCI数据库中选取了几组数据进行实验.实验结果证明,这种通过矩阵表示上、下近似并对其进行更新的方法是有效的,可以提高计算效率,降低时间复杂度.