决策粗糙集的一种新分类区域及相关比较分析

分类区域是粗糙集理论进行属性约简的重要基础, 量化扩张分类区域则是一个科研重点. 本文主要针对决策粗糙集, 在二分类层面提出一种新的分类区域, 并进行与两类常用分类区域的比较分析. 首先, 采用集合区域自然地提出了二分类决策粗糙集的新分类区域; 其次, 对两类常用决策粗糙集分类区域进行了退化研究; 进而, 对三种分类区域进行了比较分析, 得到了新分类区域的优势; 最后, 用具体实例进行了详细说明. 特别地, 对比于变精度粗糙集与贝叶斯粗糙集, 本文还分析了三种决策粗糙集分类区域扩大分类正域的机理. 本文构建的分类区域, 具有对于经典Pawlak分类区域的扩张性, 更加紧密地联系了集合区域的基础结构, 呈现出对于已有分类区域的改进性.     

基于相对知识粒度的区间集决策信息表不确定性度量

区间集决策信息表拓展了经典决策信息表,其粒化结构的不确定性刻画成为重要应用基础。基于区间邻域粒化引入相对知识粒度,进而提出区间集决策信息表的一种新型不确定性度量。利用两对象之间的距离及半径来建立区间邻域粒化系统,证明距离粒化与相似度刻画的条件等价性,获得区间近似粗糙度;把经典相对知识粒度推广为区间相对知识粒度,将其与区间近似粗糙度进行信息融合,提出一种新型不确定性度量并得到了粒化单调性等性质。最后进行了实例验证,结果表明所提度量能够有效表征粒化结构变化所引起的不确定性变化。     

知识积分与知识熵

基于粗糙集理论的知识库,定义了知识积分和与知识积分,研究了它们自身的性质及与勒贝格积分和、勒贝格积分的关系.证明了知识熵本质是一种知识积分和,并以知识积分和与知识积分为手段研究了知识熵,得出了如知识熵对于定义在知识上的"较细"偏序关系单调下降等重要结论.     

程度粗糙集

从广义程度粗糙集出发,定义了程度粗糙集,深入讨论了其内部构造,得出了程度粗糙集简化运算的重要方法.对比经典粗糙集性质,研究了程度粗糙集3个方面的性质:集合与其程度近似集的关系、程度近似算子的幂作用、程度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.     

变精度下近似算子与程度上近似算子的差运算

定义了变精度下近似算子与程度上近似算子的差运算,研究了其结构与性质,提出了常规算法和结构算法,拓展了程度粗糙集模型和经典粗糙集模型.最后用实例进行了计算与说明.     

集合近似邻域与知识论域拓扑空间的性质

定义了集合近似邻域,研究了其基本性质,探讨了各种集合近似邻域的关系,以及集合近似邻域与集合邻域、近似算子、点近似邻域、近似拓扑邻域等的关系．用集合近似邻域为手段,研究了知识论域拓扑空间,得出了一些重要结论．     

近似拓扑的并、交、补性质

引入拓扑的并、交、补拓扑,从而定义了近似拓扑的三种并、交、补结构,得出了对于近似拓扑的第三种并、交、补,近似拓扑具有封闭性和构成完备格,且近似算子是拓扑格到近似拓扑格的同态满射的重要结论.还研究了并、交、补拓扑在近似算子作用后与近似拓扑的并、交、补的重要关系.     

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.     

程度上、下近似算子的乘积运算

主要探索了程度近似算子的乘积复合运算,定义了程度上、下近似算子的乘积运算,得到了其本质、基本结构与性质,为计算提出了宏观算法与结构算法,进行了算法分析与比较,得到了结构算法在算法时间、算法空间上优于宏观算法的结论.最后用实例进行了说明,并讨论了程度粗糙集模型与变精度粗糙集模型的关系.     

基于差别矩阵的属性集求核算法

通过对差别矩阵的研究,提出一种压缩差别矩阵的构造方法及相关的属性集求核算法,减少了差别矩阵中大量的空值存储,并且避免对象之间的盲目比较.算法的时间复杂度为max(O(|C||U_1||U_2|),O(|C'||U_1'|~2)),空间复杂度为max(O(|C||U_1'||U_2'),O(|U_1'|~2)),提高了已有差别矩阵算法的求核效率.实例分析与实验结果均验证了构建算法的有效性.