多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。     

基于局部可调节多粒度粗糙集的属性约简

经典的多粒度粗糙集模型采用多个等价关系(多粒度结构)来逼近目标集。根据乐观和悲观策略,常见的多粒度粗糙集分为两种类型:乐观多粒度粗糙集和悲观多粒度粗糙集。然而,这两个模型缺乏实用性,一个过于严格,另一个过于宽松。此外,多粒度粗糙集模型由于在逼近一个概念时需要遍历所有的对象,因此非常耗时。为了弥补这一缺点,进而扩大多粒度粗糙集模型的使用范围,首先在不完备信息系统中引入了可调节多粒度粗糙集模型,随后定义了局部可调节多粒度粗糙集模型。其次,证明了局部可调节多粒度粗糙集和可调节多粒度粗糙集具有相同的上下近似。通过定义下近似协调集、下近似约简、下近似质量、下近似质量约简、内外重要度等概念,提出了一种基于局部可调节多粒度粗糙集的属性约简方法。在此基础上,构造了基于粒度重要性的属性约简的启发式算法。最后,通过实例说明了该方法的有效性。实验结果表明,局部可调节多粒度粗糙集模型能够准确处理不完备信息系统的数据,降低了算法的复杂度。     

广义多粒度粗糙集属性约简和matlab计算

定义了基于广义多粒度粗糙集的属性约简,研究了约简的一些基本性质,给出matlab计算的过程,并给出计算实例。定义了信息系统的严格协调、软不协调性、粒度协调、粒度不协调,定义了广义多粒度下约简、粒度约简、（下/上近似）分布协调约简、（下/上近似）质量协调约简,并给出部分结论。广义多粒度粗糙集的约简适用于乐观多粒度粗糙集和悲观多粒度粗糙集。研究结果可完善多粒度粗糙集理论,为理论研究和应用奠定基础。     

可变直觉模糊多粒度粗糙集模型及其近似分布约简算法

为了在多粒度粗糙集模型中对目标概念达到更好的近似逼近效果,首先将直觉模糊粗糙集与多粒度粗糙集结合,提出直觉模糊多粒度粗糙集模型。由于该模型的目标近似存在过于宽松的缺陷,因此通过引入参数的方式对所提模型进行改进,提出一种可变直觉模糊多粒度粗糙集模型,并证明了该模型的有效性,同时基于该模型提出了相应的近似分布约简算法。在仿真实验结果中,所提出的下近似分布约简结果比已提出的模糊多粒度决策理论粗糙集约简和多粒度双量化决策理论粗糙集多了2~4个属性,所提出的上近似分布约简算法比这些算法少了1~5个属性,同时约简结果的近似精度拥有了更为合理且优越的表现。因此,理论和实验结果均验证了所提的可变直觉模糊多粒度粗糙集模型在近似逼近和数据降维方面均具有更高的优越性。     

一种悲观多粒度粗糙集中的粒度约简算法

多粒度粗糙集方法是近年来粗糙集理论的一个发展方向,它是一种基于多个粒空间的粗糙数据建模方法。 文中针对悲观多粒度粗糙集模型,引入分布约简的概念,分析多个粒空间中的粒度选择问题。基于给出的粒度重要度提出悲观多粒度粗糙集中的粒度约简算法,并通过实例验证该方法的有效性。结论表明该方法得到的结果更加符合实际决策。     

变精度粗糙集的逻辑解释及其约简

针对Ziarko提出的变精度粗糙集缺乏相应的逻辑解释, 且约简方法不合理, 对经典粗糙集的逻辑解释进行了扩展, 提出了变精度粗糙集决策算法应满足的四个条件, 证明了变精度粗糙集决策算法与β近似的关系并得到变精度粗糙集决策算法的性质; 其次, 在变精度粗糙集的逻辑解释下, 提出基于β下近似分布和β上近似分布变精度粗糙集的约简方法, 从而保证了约简前后分类能力大小不发生改变且符合变精度粗糙集的逻辑解释; 最后, 通过实例说明基于β下近似分布和β上近似分布约简方法的合理性。     

最小描述的多粒度覆盖粗糙集模型

在覆盖广义粗糙集理论中,对最小描述的定义是建立在单一粒度基础上。将最小描述从单一粒度推广到多个粒度,建立了多粒度覆盖粗糙集模型。在此基础上,用最小描述建立了两类不同的上下近似算子,研究其性质,给出了一种基于最小描述下求属性约简的新算法。     

多粒度粗糙集和覆盖粗糙集间的近似与约简关系*

多粒度粗糙集和覆盖粗糙集是2种重要的数据处理机制.文中从近似集和属性约简2个角度探讨完备信息系统与不完备信息系统中多粒度粗糙集和覆盖粗糙集的关系.通过构造信息系统的粒空间,证明乐观多粒度粗糙集近似等价于松覆盖粗糙集近似,悲观多粒度粗糙集近似等价于紧覆盖粗糙集近似,即乐观多粒度粗糙集和悲观多粒度粗糙集可分别表示为松覆盖粗糙集和紧覆盖粗糙集.进一步指出信息系统的2类多粒度粗糙集的协调集可转化为2类覆盖粗糙集的协调集,并刻画多粒度粗糙集约简与覆盖粗糙集约简间的密切联系.     

多粒度覆盖信息系统的属性约简方法比较

为拓展覆盖粗糙集模型,用多粒度方法研究了张燕兰等提出的广义覆盖决策信息系统模型,定义了多粒度意义下的覆盖上下近似,提出了多粒度属性约简算法。用实例对多粒度覆盖粗糙集属性约简方法和胡清华等提出的单粒度方法进行了比较。     

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究.首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质.其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法.最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的.     

基于多重阈值的变精度多粒度粗糙集模型

传统变精度多粒度粗糙集模型是基于单一变精度阈值的,而多粒度粗糙集模型是从多角度和多层次处理数据,数据往往是多源的或者是分布式的,其噪音数据的含量也各不相同。因此,不同知识粒度层次所应具有的变精度阈值也不相同,这使得现有的模型难以适应多粒度环境。为克服上述缺点,提出了基于多重阈值的变精度多粒度粗糙集模型,该模型使得不同知识粒度层次的变精度阈值可独立调整,更符合多粒度粗糙集模型的数据特征。该模型更好地结合了多粒度粗糙集模型和变精度粗糙集模型,可从多角度分析解决问题又兼具更灵活的容错能力。     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

基于“逻辑与”算子的双量化多粒度粗糙集模型

在多粒度近似空间中,将刻画相对量化信息的变精度粗糙集和描述绝对量化信息的程度粗糙集通过“逻辑与”算子结合起来,建立了基于“逻辑与”算子的双量化多粒度粗糙集模型,并分别从乐观和悲观双量化多粒度粗糙集的角度对模型的一些数学性质进行了讨论。该模型对多粒度近似空间中的相对量化信息和绝对量化信息同时进行了描述,在处理带噪声的数据方面有一定的应用价值,丰富了基于粗糙集理论的知识发现的理论基础。     

基于容差关系的不完备可变精度多粒度粗糙集

在不完备信息系统中, 为了融合可变精度粗糙集和多粒度粗糙集的各自优点, 提出一种基于容差关系的不完备可变精度多粒度粗糙集模型。研究了基于容差关系的可变精度乐观多粒度粗糙集和悲观多粒度粗糙集的相关性质。通过对可变精度多粒度粗糙集和经典多粒度粗糙集的对比分析, 结果表明, 基于容差关系的不完备可变精度多粒度粗糙集拥有更高的近似精度, 实例分析的结果也验证了该理论的可行性。     

多粒度粗糙集粒度约简的高效算法

针对已有多粒度粗糙集粒度约简算法效率较低的问题,提出一种多粒度粗糙集粒度约简的高效算法（EAGRMRS）。首先,以决策信息系统为对象,定义决策类下近似布尔矩阵,该矩阵能够将粒度约简过程中过多且有重复的集合运算转换为布尔运算,基于该矩阵给出计算决策类下近似算法和计算粒度重要度算法。然后,针对计算粒度重要度时存在冗余计算的问题,提出粒度动态增加时快速计算粒度重要度的算法,并在此基础上,提出EAGRMRS,该算法的时间复杂度为O（|A|·|U|²+|A|²·|U|）,其中|A|表示粒度集合大小,|U|表示决策信息系统中实例数。在UCI数据集上的实验结果验证了所提算法的有效性和高效性,并且随着数据集的增大,EAGRMRS相较于多粒度粗糙集粒度约简的启发式算法（HAGSS）效率优势更加明显。     

β依赖性的近似约简方法拓展

知识约简是粗糙集理论研究的核心内容之一。目前,以分布密度为基础的分布约简/分配约简主要集中在对论域中每个对象或每个对象所在的类与决策类的关系展开,因此当论域对象较多时这些方法的应用受到了一定限制,基于变精度粗糙集模型理论和决策表整体确定性的度量方法,通过构造β+正域去定义β+依赖性,获得了在有分类误差情况下决策表整体最大确定性的度量方法,基于此提出了β+依赖性近似约简,通过数值计算和实验仿真,说明该方法是可行的,进而拓展了变精度粗糙集模型近似约简方法。     

一种新的基于粒度重要度的三支决策模型

粒度重要度是多粒度粗糙集中的一项重要研究内容。针对现有粒度重要度只考虑单个粒度对决策的直接影响而忽略了其他粒度对决策综合影响的问题,结合多粒度粗糙集近似质量的概念,通过研究粒度重要度的构造方法,提出了一种新的多粒度间的粒度重要度的计算方法,并给出了基于该方法的粒度约简算法。同时,为减少冗余决策信息,将约简集与三支决策理论相结合,构建了基于粒度重要度的三支决策模型,给出了决策规则。最后通过实例证明,新的粒度约简算法可以获得具有更高区分度的数据,且缩小了延迟域范围,使最终决策更合理。