基于集对分析方法的不完备信息系统的扩充粗糙集模型

目前对不完备信息系统的扩充主要有基于容差关系、基于相似关系和基于限制容差关系等方法。集对分析方法是研究集合之间相互关系的一种新理论,它在处理个体之间确定性联系和不确定性联系方面已经得到了广泛的应用。本文运用集对分析方法,先分析了现有的扩充粗糙集模型所存在的局限性,然后通过引入个体之间的集对联系度概念,提出了两个基于集对分析方法的扩充粗糙集模型。它们既保留了限制容差关系扩充模型的优点.又丢弃了现有的扩充模型的局限性。最后,通过实例说明这两个基于集对分析方法的扩充模型对不完备信息系统的处理更加合理、可行、有效。     

基于限制容差关系的集对粗糙集模型

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具,在人工智能及认知科学等众多领域已经得到了广泛的应用。对于不完备信息系统,目前也有了多种扩充方法,如基于容差关系、基于相似关系和基于限制容差关系等的扩充。但是,这些扩充也都存在一些局限性。本文用集对分析的方法,定义了一个集对α相似限制容差关系,提出了一种基于限制容差关系的集对粗糙集模型。这种模型是限制容差关系的扩充粗糙集模型的推广和改进,既保留了原有扩充模型的优点,又可以通过对相似程度α的调节和控制,在保证这种容差类划分的准确性的同时,增加了其灵活性,更适于大型不完备信息系统的处理。     

基于完备容差关系的扩充粗糙集模型

针对扩充粗糙集模型所处理的不完备信息系统之间存在的差异,提出了信息系统完备度的概念;在此基础上,提出了基于完备容差关系的扩充粗糙集模型.与基于容差关系、相似关系、限制容差关系等扩充粗糙集模型相比,该模型既保留了已有模型的优点,又在一定程度上克服了已有模型的局限性.通过实例说明新模型对不完备信息系统的处理更符合实际情况.     

Rough集理论在不完备信息系统中的扩充

Pawlak教授所提出的经典Rough集理论主要是针对完备信息系统的，利用了不可分辨关系这种等价关系来对对象进行了近拟和下近似分类，对于不完备信息系统的处理，需要对经典Rough集理论进行扩充，主要是对不可分辨关系进行扩充，目前已经有了基于容差关系，相似关系和量化容差关系等的扩充Rough集理论，但是，这些扩充也还存在一些局限性，将提出一种基于限制容差关系的扩充Rough集模型，并比较分析这些扩充Rough集模型之间的性能。     

基于集对分析的变精度粗糙集模型

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,在人工智能及数据挖掘等众多领域已经得到了广泛的应用。对于不完备信息系统目前也有多种扩充方法,如基于容差关系的扩充、基于相似关系的扩充等等。该文是在集对粗糙集模型的基础上,引入相对分类错误率的概念,提出了一种基于集对分析的变精度粗糙集模型。然后用集对分析的方法得到了变精度的上、下近似的性质,将经典粗糙集理论和集对粗糙集理论进行了推广。最后,通过一个不完备信息系统的具体例子,说明了这种基于集对分析的变精度粗糙集模型对不完备信息系统中处理模糊和不确定性知识的可行性和有效性。     

不完备信息系统的Rough模型扩充

在处理不完备信息系统时,需要对经典粗糙集理论进行扩充。目前有一般容差关心,相似关系,限制容差关系等Rough集模型,然而这些模型还存在一定的局限性。本文对此进行了分析和改进,建立了基于k等价度容差关系的Rough模型。并通过实例说明了该模型具有很好的灵活性,得到的结果也更加符合实际情况。     

对象间差异度的限制非对称相似关系模型

经典Rough集理论主要是利用了不可分辨关系对完备信息系统进行分析的。对现有粗糙集模型进行扩充后,才可以应用于不完备信息系统。容差关系、非对称相似关系、基于对象间完备度的限制容差关系、限制非对称相似关系等是现有的扩充模型。通过分析其优点和不足之处,提出一种新的模型——对象间差异度的限制非对称相似关系模型,在该模型中,给出的知识粒度更精确,更符合实际。实例结果也证明新模型可以从不完备信息系统获取更加精确的知识粒度。     

一种不完备信息系统的直接约简方法

目前已有基于容差关系、相似关系、限制容差关系等的扩充rough集理论，但仅仅是提出了一些针对以上某种模型的属性约简算法，在此提出从离散化到规则匹配的一系列不完备信息系统的约简处理方法，该方法可以适用于各种rough集扩充模型，并且对完备信息系统和不完备信息系统是统一的．     

基于(α, λ)联系度容差关系的变精度粗糙集模型

基于传统粗糙集理论的方法不能有效地处理含噪音的不完备信息系统. 根据集对分析理论, 提出(α, λ)联系度容差关系. 将(α, λ)联系度容差关系与Ziarko提出的多数包含关系相结合, 提出变精度(α, λ)联系度粗糙集模型. 给出了该模型下基于正域相似度的启发式属性约简算法, 分析了算法的时间复杂度, 通过仿真实验验证了所提方法处理含噪音的不完备信息系统的有效性.     

基于改进的完备容差关系的扩充粗糙集模型

经典粗糙集理论不能直接处理不完备信息系统,而容差关系、相似关系限制容差关系和完备容差关系等扩充粗糙集模型在一定程度上解决了这个问题。分析了这些模型存在的局限性,并在完备容差关系的基础上,提出了基于改进的完备容差关系的扩充粗糙集模型,该模型既保留了已有模型的优点,又在一定程度上克服了它们的局限性。实例分析表明该模型对不完备信息系统的处理更符合实际情况。     

不完备文本信息系统的集对分析聚类算法

考虑到实验数据的大规模性及不完备性等特点,根据集对分析理论,提出一种新超图模型不完备文本系统的聚类算法,即在超图边的权重中引入了集对的同异反联系度和集对的相似联系度并建立了超图模型,最后应用超图分隔法进行聚类.该算法克服了传统聚类算法的缺陷,更有效地降低了文本空间的维数,提高了不完备文本信息系统聚类的精度和速度.最后的实例说明了该算法的可行性和有效性.     

集对优势关系下多粒度决策粗糙集的可变三支决策模型

多粒度决策粗糙集是从多角度来处理不确定数据和风险决策问题的重要模型。针对不完备信息系统下的决策分析问题,在多粒度决策粗糙集中引入集对优势关系,对优势度进行了改进,使结果更加合理。然后对多粒度近似空间进行了拓展,提出了集对优势关系下的乐观、悲观、均值、乐观-悲观和悲观-乐观5种多粒度决策粗糙集模型,并讨论了其相关性质以及模型之间的相互关系。结合三支决策理论,在不完备信息系统中用区间值表示损失函数,获得不同的阈值,建立了5个相应的可变三支决策模型,推导出决策规则。最后,通过公司员工评估的案例证明,所提模型在实际应用中灵活性更高,不会过于宽松或过于严格,使最终决策更为合理,从而为不完备信息系统下不确定性问题的决策分析提供了新方法。     

基于邻域决策粗糙集的脑功能连接生物标记物识别

脑功能连接判别特征可以作为神经精神类疾病诊断的一种生物标记物,利用机器学习方法对其进行识别是脑科学研究中的一项重要课题.已有脑功能连接生物标记物的识别方法大都忽视了脑功能连接数据高维、连续、多噪声的特性对识别性能的影响,导致所得到的生物标记物的分类能力不强.对此,提出一种基于邻域决策粗糙集的脑功能连接生物标记物识别方法.首先,针对脑功能连接数据连续性和高噪声的特点,引入能有效处理连续和高噪声数据的邻域决策粗糙集来识别分类能力更强的脑功能连接判别特征作为生物标记物;其次,针对脑功能连接数据的高维特点,通过快速生成邻域和缩小特征搜索空间来保证邻域决策粗糙集识别脑功能连接生物标记物的效率.在ABIDE I和ADNI数据集上的实验结果表明,所提出方法能够准确快速地获得分类能力更强的脑功能连接判别特征,有望为神经精神类疾病的诊断提供更准确的生物标记物.     

Roughness in Cayley graphs

In this paper, rough approximations of Cayley graphs are studied, and rough edge Cayley graphs are introduced. Furthermore, a new algebraic definition for pseudo-Cayley graphs containing Cayley graphs is proposed, and a rough approximation is expanded to pseudo-Cayley graphs. In addition, rough vertex pseudo-Cayley graphs and rough pseudo-Cayley graphs are introduced. Some theorems are provided from which properties such as connectivity and optimal connectivity are derived. This approach opens new research fields, such as data networks.     

双向S-模糊粗糙集及其应用

以Z.Pawlak粗集理论为基础,将动态模糊近似概念引入Dubois模糊粗糙集中。提出了双向S-模糊粗糙集概念,给出了双向S-模糊粗糙集的结构与性质。分析了双向S-模糊粗糙集与Z.Pawlak粗集、Dubois模糊粗集、S-粗集、S-粗糙模糊集及单向S-模糊粗糙集之间的关系。给出了双向S-模糊粗糙集的应用及存在价值。     

Rough集之间的相似度量

Applications of rough set theory in incomplete information systems are a key of putting rough set into real applications. In this paper, after analyzing some basic concepts of classical rough set theory and extended rough set theory, the measure of similarity is developed between two rough sets in the classical rough set theory based on indiscernibility relation and between two rough sets in the extended rough set theory based on limited tolerance relation. Then,some properties of these two methods for measuring similarity are developed respectively. At last,these two measure methods of rough set theory are compared.     

几种粗糙集模型的推广研究

通过在经典粗糙集模型中引入函数,得到了一个广义的变精度粗糙集模型和一个广义的概率粗糙集模型。将这两个广义的模型进行比较研究,又得到了一个更广义的粗糙集模型,这个模型既是变精度粗糙集模型的推广也是概率粗糙集模型的推广,对推广模型的性质做了相应的研究。     

可调节模糊粗糙集:模型与属性约简

模糊粗糙集是经典粗糙集为适应实际应用需求所进行的拓展,然而目前很多的模糊粗糙集模型都仅仅使用多个二元关系的简单融合方式,不具备调节功能。为解决这一问题,使用参数化的二元算子,提出了一种可调节的模糊粗糙集模型。在此基础上,将近似质量作为度量标准,使用启发式算法来求解可调节模糊粗糙集的约简。最后对可调节模糊粗糙集的近似质量和约简与强模糊粗糙集、弱模糊粗糙集的结果进行了比较分析。实验结果表明,可调节模糊粗糙集通过使用不同的参数,具有很好的调节作用,是强模糊粗糙集和弱模糊粗糙集的一种泛化形式。