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。     

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.     

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.     

一类推广的多粒度双量化决策粗糙模糊集

多粒度决策粗糙集作为一种特殊的概率粗糙集模型,其主要运用条件概率来表示相对量化信息,却忽略了等价类与经典集重叠部分的绝对量化信息,而绝对量化信息在程度多粒度粗糙集中被广泛讨论。因此,本文基于逻辑析取和合取算子将多粒度决策粗糙集和程度多粒度粗糙集相结合,同时引入模糊集和标量基数的思想,提出两对推广的多粒度决策粗糙模糊集∨∨-MGDTRFS和∧∧-MGDTRFS.随后,讨论了∨∨-MGDTRFS和∧∧-MGDTRFS的相关性质,并且给出两者之间的联系。     

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。     

多粒度粗糙近似算子的格结构研究

多粒度粗糙集模型是经典粗糙集模型的一种重要扩展形式,在多粒度粗糙集模型概念中,有乐观和悲观两种形式。本文先把Pawlak粗糙近似算子的格结构拓展到基于一般二元关系的粗糙近似算子的格结构,然后进一步拓展到基于一般二元关系的多粒度粗糙近似算子的格结构,主要给出基于一般二元关系的悲观多粒度粗糙近似算子的格结构。     

混合信息系统的邻域多粒度决策粗糙集及应用

为进一步有效处理混合型数据,在混合信息系统中引入邻域多粒度决策粗糙集;鉴于欧氏距离只考虑到数据之间的绝对距离,因此在模型中以卡方距离作为替代;在给定邻域半径之下,提出了混合信息系统的邻域多粒度决策粗糙集模型,对其相关性质进行了证明;实例分析结果表明,该模型具有更好的分类能力,并可通过调整相关参数使模型具有一定的容错性。     

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。     

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。     

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。     

粗糙集理论介绍和研究综述

介绍粗糙集理论的基本原理,粗糙集理论中的知识表示以及目前粗糙集理论的研究状况。     

一种广义多粒度变精度粗糙集北大核心

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.     

基于证据理论的覆盖类决策多粒度粗糙集的下近似约简

知识约简向来是知识发现的重要研究问题之一。该论文研究了基于证据理论的覆盖类决策的多粒度粗糙集的约简方法。首先构造了覆盖类决策多粒度粗糙集的信任结构,然后利用该信任结构中的信任函数和似然函数刻画了覆盖类决策多粒度粗糙集的约简特征,再者引入了基于信任函数的覆盖重要度的概念,并给出了求解覆盖约简的近似算法。最后用实例说明该算法的合理性和有效性。     

程度与精度的逻辑差近似算子的性质

目的是结合精度与程度,探索新的粗糙集拓展模型.从程度与精度的逻辑差运算出发,定义了程度与精度的逻辑差粗糙集模型.模型中,通过变精度近似与程度近似的转化公式,研究了程度与精度的逻辑差近似算子,并得到了近似算子的幂作用等性质.用程度与精度的逻辑差粗糙集模型拓展了程度粗糙集模型、经典粗糙集模型,并在这些模型中得到了近似算子幂作用的相应性质.     

基于覆盖的模糊粗糙集模型

讨论基于覆盖理论的模糊粗糙集模型。给出了模糊集的粗糙上、下近似算子,讨论了算子的基本性质,证明了覆盖粗糙集模型下所有模糊集的下近似构成一个模糊拓扑,并得到了覆盖模糊粗糙集模型的公理化描述。     

模糊粗糙集理论研究进展

介绍模糊粗糙集的概念及发展进程．提出了理论建立过程中,分别以推广到模糊集、引入模糊逻辑算子、拓展到两个论域为特点的三个发展阶段;分析、比较了各阶段代表性理论的特点,并对模糊粗糙集的未来发展作出了预期。     

广义模糊粗糙集的不确定性度量

研究广义模糊粗糙集的不确定性问题,利用一种新的信息熵定义模糊粗糙集的模糊性度量,并给出这种度量的性质,证明当且仅当A是经典可定义集合时其模糊粗糙集的模糊性度量FR(A)等于0。