变精度覆盖粗糙集

介绍了Ziarko变精度粗糙集模型和覆盖粗糙集模型;定义了多数包含关系;借助引入的误差参数β（0≤β<0.5）,给出了基于对象邻域的变精度覆盖粗糙集模型中β上近似、β下近似、β边界和β负域的定义以及β近似质量和β粗糙性测度定义;详细讨论了β上、下近似算子的性质、集合的相对可辨别性、该模型与Ziarko变精度粗糙集模型和覆盖粗糙集模型的关系;最后探讨了变精度覆盖粗糙集模型中的约简问题并在所给模型的基础上举例说明了它们在信息处理中的应用。     

变精度覆盖粗糙集模型的比较

介绍覆盖粗糙集和Ziarko变精度粗糙集模型,将Ziarko变精度粗糙近似算子应用于覆盖近似空间,借助引入的误差参数β (0 ≤β<0.5),给出2种变精度覆盖粗糙集模型的β上近似、β下近似、β边界和β负域的定义。讨论2种模型中β上、下近似算子的基本性质、2种模型之间的关系以及变精度覆盖粗糙集模型与其他粗糙集模型的关系。     

变精度粗糙模糊集模型研究

介绍了Ziarko’s变精度粗糙集模型和粗糙模糊集模型,找出了它们的不足。基于支集相对错误分类率及误差参数β（0≤β<0.5）,提出了变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与Ziarko’s变精度粗糙集模型和粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性。     

基于广义变精度粗糙模糊集模型的知识发现

介绍了广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型,找出了它们的不足.基于支集相对错误分类率及误差参数β(0≤β＜0.5),提出了广义变精度粗糙模糊集模型,讨论了模型中β上、下近似算子的性质;分析了该模型与广义Pawlak's粗糙集模型、广义Ziarko's变精度粗糙集模型和广义粗糙模糊集模型的关系;最后给出了该模型中近似约简的定义和方法,并通过实例分析说明了约简算法的有效性.     

变精度模糊粗糙集的一种定义

模糊粗糙集模型同经典粗糙集模型类似,容易受到噪音数据的影响.针对该问题,受变精度粗糙集模型的启发,提出了变精度模糊粗糙集的概念.针对现有变精度模糊粗糙集模型尚不能满足一些基本性质的缺陷,重新定义了模糊近似空间中某一模糊集的β-下近似和β-上近似,该定义方式能够满足上述的基本性质.     

广义变精度粗糙集模型中近似算子研究

定义了多数包含关系；借助引入的误差参数β（0≤β〈0．5），提出了基于后继邻域的广义变精度粗糙集模型的β上近似aprβX、β下近似aprβX、β边界bnrβX和β负域negrβX的定义；详细讨论了β上、下近似算子aprβX与aprβX的性质；从对偶性角度出发推广了β上近似、β下近似算子aprβX与aprβX，得到了两对对偶的上、下近似算子aprβX与aprβX和aprβX与aprβX；最后全面讨论了推广后的两对上、下近似算子APRβX与aprβX和aprβX与aprβX的性质，详细分析了它们同广义变精度粗糙集模型中上、下近似算子aprβX与aprβX和一般关系下的变精度粗糙集模型中上、下近似算子RβX与RβX的关系。     

变精度复合粗糙集模型及其应用*

针对复合信息系统中的噪声数据以及复合粗糙集近似边界要求严格等问题,对复合粗糙集模型进行了扩展,提出变精度复合粗糙集模型。在该模型中,通过设置阈值参数β (0.5<β ≤1),定义了基于矩阵方法的变精度复合粗糙集的β-上近似、β-下近似、β-正区域、β-负区域、β-边界区域、β-精确度和β-粗糙度等概念;同时,对变精度复合粗糙集的相关性质进行了研究。最后,通过实例说明了该模型在信息处理中的应用,进一步说明该模型具有一定的容错性,抗干扰能力增强,应用范围扩大。     

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。     

基于固定β值的概念格上变精度粗糙集近似

粗糙集理论和概念格理论均为研究知识发现与不确定性决策问题的重要方法,二者之间紧密相关。在提出概念格上的变精度粗糙集的β-上、下近似定义的基础上,一方面,对于任意给定的变精度β,讨论了概念格上变精度粗糙集β-上、下近似的性质;另一方面,针对不可定义对象集,分别提出了概念格上的变精度粗糙集β-上、下近似算法;最后,实例验证了新给出的算法可以满足用户对不同近似精度的要求,使近似结果有弹性的变化,较Yao和Monhanty给出的算法有一定的优势。     

基于依赖空间的变精度粗糙集属性约简

针对求解变精度粗糙集模型属性约简问题,在对象集上定义一种上下近似二元关系.利用此关系建立属性集上的等价关系,由此构造出依赖空间,从而得到变精度粗糙集的上下近似协调集的判定定理.同时建立一种保持每个决策类的上下近似不变的属性约简方法.最后通过实例验证方法的有效性.     

基于变精度粗糙集的不完备信息系统知识约简

基于变精度的思想,提出了一种新的不完备信息系统变精度粗糙集模型。基于该模型给出了不完备信息系统的β上（下）分布约简和β上（下）近似约简。给出了求解不完备信息系统β上（下）分布约简的辨识矩阵方法。     

变精度相容粗糙集模型

将变精度粗糙集的思想引入相容粗糙集,提出了两种变精度相容粗糙集模型,在模型I中,目标概念的下近似和边界域的交集非空;在模型II中,目标概念的下近似和边界域的交集为空。研究了两种模型中上、下近似算子的基本性质、两种模型之间的关系,以及与其他粗糙集模型之间的关系。     

变精度下近似算子与程度上近似算子的逻辑与运算模型

基于精度与程度的逻辑与需求,提出了变精度下近似算子与程度上近似算子的逻辑与运算模型。在该模型中,得到了变精度下近似算子与程度上近似算子的逻辑与运算的精确描述与基本性质,提出了宏观算法与微观算法,进行了算法分析与比较,得到了微观算法更具空间优势的结论。最后用医疗实例对模型与算法进行了说明。变精度下近似算子与程度上近似算子的逻辑与运算模型,部分拓展了变精度粗糙集模型、程度粗糙集模型和经典粗糙集模型,并在这些模型中得到了近似算子的相应性质。     

基于三角范数的变精度悲观多粒度粗糙集模型

多粒度粗糙集模型是目前粗糙集模型研究的热点方向之一。在更一般的情形下,提出了基于三角范数的变精度悲观多粒度粗糙集模型。根据S-范数和T-范数的定义,建立了一种新的基于三角范数的变精度悲观多粒度上下近似模型,并对其性质进行研究;对以上模型进行修正,并对修正模型的性质进行研究;结合实例,验证了模型的合理性。     

加权粗糙集的矩阵表示

在加权近似空间中提出了关系矩阵和布尔列向量加权α下乘法和加权α上乘法的概念。证明了加权α下乘法就是加权下近似,加权α上乘法就是加权上近似,从而为加权粗糙集（可变精度粗糙集、经典粗糙集）的计算和研究提供了一种新的矩阵方法。最后给出了计算加权上下近似的算法。     

MGRS: A multi-granulation rough set

The original rough set model was developed by Pawlak, which is mainly concerned with the approximation of sets described by a single binary relation on the universe. In the view of granular computing, the classical rough set theory is established through a single granulation. This paper extends Pawlak’s rough set model to a multi-granulation rough set model (MGRS), where the set approximations are defined by using multi equivalence relations on the universe. A number of important properties of MGRS are obtained. It is shown that some of the properties of Pawlak’s rough set theory are special instances of those of MGRS.Moreover, several important measures, such as accuracy measureα, quality of approximationγ and precision of approximationπ, are presented, which are re-interpreted in terms of a classic measure based on sets, the Marczewski-Steinhaus metric and the inclusion degree measure. A concept of approximation reduct is introduced to describe the smallest attribute subset that preserves the lower approximation and upper approximation of all decision classes in MGRS as well. Finally, we discuss how to extract decision rules using MGRS. Unlike the decision rules (“AND” rules) from Pawlak’s rough set model, the form of decision rules in MGRS is “OR”. Several pivotal algorithms are also designed, which are helpful for applying this theory to practical issues. The multi-granulation rough set model provides an effective approach for problem solving in the context of multi granulations.     

变精度粗糙集推广模型及其性质研究

数据挖掘的主要目标之一是进行有效分类,粗糙集的上下近似空间正是为了对信息系统进行分类。变精度粗糙集作为经典粗糙集的推广模型,目前研究仅局限于有限集。针对变精度粗糙集模型无法处理无限集合的问题,在变精度粗糙集和测度的理论基础上,提出了基于Lebesgue测度的变精度粗糙集模型。首先,引入Lebesgue测度的概念,构造了一种基于Lebesgue测度的变精度粗糙集模型,将变精度粗糙集理论推广到无限集;其次,定义了该模型的上、下近似空间;最后,证明了其相关性质。通过理论研究表明,该模型能有效处理无限集合问题,对变精度粗糙集的理论研究形成突破,也将极大的扩充其应用范围。     

粗糙集的阶梯式近似

首先,利用基于边界域粗糙近似算子,给出n阶边界集的定义,引入n阶粗糙近似算子的定义,构造粗糙集理论的一套阶梯式近似方法.然后,通过实例和相关证明表明,无论二元关系还是在覆盖环境中,总存在正整数n,对于任意对象集,n阶上下近似集完全等于该对象集,即该对象集是此意义下的精确集,或其n阶上下近似集趋近于某一固定的对象集,即n阶粗糙集总能使对象集合趋近于它本身或某一固定的集合.