一种广义多粒度变精度粗糙集

本文基于文献[4]提出的广义多粒度粗糙集进行模型推广,提出广义多粒度变精度粗糙集模型.在多粒度的粒度不确定性的基础上考虑类选择的不确定性,研究新模型的一些基本性质并以实例计算说明.本文给出的广义多粒度变精度粗糙集为多粒度粗糙集理论的研究和应用奠定一定的理论基础.     

基于矩阵的可变粒度变精度邻域粗糙集近似集更新方法

邻域粗糙集可以同时处理名义与数值属性,多粒度粗糙集提供多个粒度视角下的目标概念近似,变精度粗糙集使得近似集计算不再局限于完全包含。本文首先提出了一种同时具有以上三种粗糙集模型长处并且粒度可变的变精度多粒度邻域粗糙集模型,并设计基于矩阵的近似集计算与更新方法：首先提出静态计算近似集的矩阵算法,继而考虑在邻域粒变小时,基于静态计算算法对近似集进行更新,提出一种邻域粒变小时近似集更新的矩阵算法,最后通过UCI公开数据集实验验证了计算与更新算法的有效性。     

程度多粒度粗糙集

多粒度粗糙集模型建立在一族而非仅仅一个不可分辨关系的基础上的。在融入一定程度误差的分类思想下,本文在多粒度粗糙集模型基础上将构建程度多粒度粗糙集,其中包括程度多粒度乐观近似算子和程度多粒度悲观近似算子两种形式。讨论了程度多粒度粗糙集的相关性质,并对程度多粒度粗糙集和经典的多粒度粗糙集进行了对比分析,得出了若干具有理论和应用价值的结果,从而为知识获取提供了一个新的不确定性方法。     

多粒度模糊粗糙集研究

本文研究了模糊粗糙集中属性约简问题.利用模糊粗糙集和多粒度粗糙集各自优点的结合,提出了两类多粒度模糊粗糙集模型,使得两类粗糙集中的上下近似算子关于负算子对偶.同时研究了多粒度模糊粗糙集的性质及与单粒度模糊粗糙集的关系.并通过构造区分函数的方法提出了一类多粒度模糊粗糙集模型的近似约简方法.最后用一个实例核对了该类多粒度模糊粗糙决策系统近似约简方法的有效性.     

一种改进的局部多粒度决策理论粗糙集模型

局部多粒度决策理论粗糙集要预先获取给定数据集中所有对象的信息颗粒,只需要对特定的目标概念中的对象的信息颗粒进行计算,开创了一种有用的计算范式。然而,传统的局部多粒度决策理论粗糙集在计算三个区域(正域,边界域和负域)时需要主观的给定一对概率阈值(α,β)。在实际的决策应用中,该获取阈值的方法可能会造成信息丢失或判断不准确的问题。为了解决这个问题,这篇文章提出了一种改进的局部多粒度决策理论粗糙集模型,叫做广义的局部多粒度决策理论粗糙集。该模型可以通过一个补偿系数ζ,即可自适应的获得相对应的参数α和β.这不仅减少了人为设置参数的个数,还强化了由多个粒度结构所产生损失的语义解释。     

有限理性下基于多粒度概率粗糙集的三支球型模糊多属性群决策

本文为应对多粒度概率粗糙集在信息融合方面的局限性以及决策者固有的有限理性,在三支决策的框架下,结合可调多粒度球型模糊概率粗糙集和前景理论,提出了面向多属性群决策问题的多粒度球型模糊三支群决策模型和方法。首先,本文结合球型模糊集和多粒度粗糙集,建立了可调多粒度球型模糊概率粗糙集模型。然后,本文在三支决策的框架下,依据前景理论对三支决策中的阈值进行集成,建立了多粒度球型模糊三支多属性群决策方法。最后,通过空气质量评估的实例验证了本文所提出的模型和方法的可行性与有效性。     

精度与程度的逻辑或近似算子的性质

本文目的是探讨精度与程度的复合,探索新的粗糙集拓展模型.从精度与程度的逻辑或运算出发,定义了精度与程度的逻辑或粗糙集模型.在该模型中,通过变精度近似与程度近似的转化公式,研究了精度与程度的逻辑或近似算子,并得到了该近似算子的幂作用等性质.用精度与程度的逻辑或粗糙集模型统一了变精度粗糙集模型、程度粗糙集模型和经典粗糙集模型,并在这些粗糙集模型中得到了近似算子幂作用的相应性质.     

The granular accuracy of approximation for the rough sets

自Pawlak提出粗糙集概念以来,人们一直对粗糙集的近似精度很有兴趣,出现了不少有关近似精度的文献.本文提出了粗糙集的粒度近似精度,讨论了粒度近似精度的性质,并与Pawlak近似精度和基于等价关系图过剩熵的近似精度进行了比较.比较发现粒度近似精度更具合理性.     

局部加权邻域多粒度粗糙集

为处理粒度质量不均衡型数据,加权多粒度粗糙集及加权平均多粒度决策粗糙集被先后提出,其拓宽了多粒度粗糙集的应用范围。然而,随着数据规模剧增,传统模型已无法满足实际需求。利用矩阵算法计算近似算子有利于提高计算效率,但其空间复杂度相对较高。为此,本文提出局部加权邻域多粒度粗糙集模型,将局部粗糙集模型与矩阵理论相结合以降低矩阵算法的时间和空间复杂度。首先,给出局部加权邻域多粒度粗糙集模型的定义和性质;随后,设计出计算近似算子的矩阵算法。最后,通过实验在6个UCI数据集中验证局部算法比全局算法具有更高的时间效率。     

结构化变精度粗糙集

将结构化技术用于变精度粗糙集模型,提出结构化变精度粗糙集模型,并通过φ算子对该模型进行刻画,研究其相关性质,给出该模型的近似精度与粗糙度的计算公式.最后通过实例分析,进一步表明新模型的特点和优势.     

变精度概率相容粗糙集模型

在变精度概率粗糙集模型和相容粗糙集模型的基础上,探索粗糙集模型的扩展问题,提出了变精度概率相容粗糙集模型,并探讨了新模型上下近似算子的基本性质、数字特征以及与其他粗糙集模型之间的关系.     

程度下近似算子与变精度上近似算子的差运算模型

目的是探讨精度与程度的复合,建立并研究新的粗糙集拓展模型.基于程度与精度的逻辑差需求,提出了程度下近似算子与变精度上近似算子的差运算模型,得到了程度下近似算子与变精度上近似算子的差运算的宏观本质、精确描述与基本性质.并用一个医疗实例说明了模型的意义和应用.程度下近似算子与变精度上近似算子的差运算模型,部分的拓展了程度粗糙集模型和经典粗糙集模型.     

基于可调多粒度对偶犹豫模糊概率粗糙集的三支多属性群决策

本文为减少三支决策中主观性因素对决策结果的影响,并克服经典多粒度粗糙集模型在信息融合方面存在极端性的局限,在对偶犹豫模糊信息系统中探索了基于可调多粒度概率粗糙集的三支决策模型与方法,用于求解多属性群决策问题.首先,本文将对偶犹豫模糊的概念引入三支决策中,提出了可调多粒度对偶犹豫模糊概率粗糙集模型.然后,本文依据离差最大...     

基于截集的变精度模糊粗糙集模型

从多数包含度的定义出发,用多数包含度描述了变精度粗糙集模型,进而研究了变精度模糊粗糙集模型及其性质.     

基于相似度的直觉模糊多粒度决策理论粗糙集

多粒度决策理论粗糙集具有强大的理论基础和合理的语义解释。考虑直觉模糊集和多粒度决策理论粗糙集在知识表达和信息处理方面各自具有很强的优势,本文提出了直觉模糊多粒度决策理论粗糙集模型。首先,在多源直觉模糊信息系统中,通过构造直觉模糊相似关系,对对象集进行直觉模糊划分,进而得到了多源直觉模糊粒结构。其次,利用直觉模糊相似度及多源直觉模糊相似类实现了对目标集合的多粒度近似。另外,给出了该模型的一些主要性质。最后,通过实例验证了该模型的有效性。该模型为实际应用中的多源数据分析提供了一种有效的思路与方法。     

多粒度模糊粗糙集的表示问题

研究了多粒度模糊粗糙集的表示问题。利用模糊集的分解定理思想首次用截集构造了多粒度模糊粗糙集模型,建立了基于截集的悲观和乐观多粒度模糊粗糙集模型。在该模型中,从模糊集的截集角度定义了悲观及其乐观多粒度模糊粗糙集的上下近似集,解决了多粒度模糊粗糙集的数学结构问题,证明了多粒度模糊粗糙集可以用一簇经典的多粒度粗糙集来表示。最后利用该模型证明了多粒度模糊粗糙集的一些结论。     

多集值信息表中的多粒度模糊决策论粗糙集

多粒度粗糙集和决策论粗糙集是Pawlak粗糙集的重要推广,目前已成为人工智能研究的热点.然而,它们大多处理的都是单值信息系统中的问题.而实际生活中绝大多数都是处理多值问题,为了解决这一问题,在多集值信息表中将多粒粗糙集与模糊决策论粗糙集相结合进行研究,提出了其在乐观,悲观情形下的上下近似,研究了一些相关性质并给出了多集值信息表中的多粒度模糊决策论粗糙集精度、粗度的概念,最后通过一个具体例子验证其有效性.     

基于双论域犹豫三角模糊多粒度粗糙集的疾病诊断

在临床决策领域,疾病诊断已成为较为复杂的决策问题之一。医疗专家在疾病诊断过程中不仅需要处理大量的不确定性信息,而且需要综合不同医疗专家的意见来给出最终的诊断结果。为了解决以上疾病诊断中普遍存在的不确定性数据分析以及群决策的问题,通过结合犹豫三角模糊集和多粒度粗糙集,提出双论域犹豫三角模糊多粒度粗糙集的概念。在此基础上,提出以疾病诊断为背景的决策模型并用算例阐述所提出模型的有效性。     

基于集对分析下的变精度Bayesian粗糙集模型

引入集对分析概念,提出了一种基于集对分析下的变精度Bayesian粗糙集模型,这就将经典粗糙集模型和变精度Bayesian粗糙集模型推广到了不完备信息系统,并且得到了该模型的上、下近似的一些性质.最后,给出了与该模型定义等价的一个定理.     

覆盖粗糙集的不确定性度量研究进展

覆盖粗糙集作为经典粗糙集一种较为流行的扩充模型,其现有不确定性度量方法主要包括覆盖粒度、粗糙度、粗糙熵、模糊度和模糊熵等。本文从纯粗糙集、信息论和模糊性三个视角对覆盖粗糙集的不确定性度量方法进行了分类梳理,通过结合覆盖粒度对覆盖粗糙度、覆盖精确度和覆盖粗糙熵进行了修正定义;设计了基于最小描述交的隶属函数,结合隶属函数对覆盖模糊度和覆盖模糊熵重新定义,给出了相关推论,分析了相关性质,为后续研究覆盖粗糙集不确定性的相关问题提供了新思路。