粗糙集
- 基于β-相似关系的广义多粒度粗糙集模型
k[1]提出的粗糙集是一种处理不确定性问题的计算工具。粗糙集理论是建立在等价关系的基础上,通过等价关系把研究对象分成不同的等价类进而进行不确定信息知识的获取和信息挖掘。目前此理论已成功应用到了决策分析、规则提取和过程控制等领域。经典粗糙集的一个局限性是处理的分类必须是完全正确的,因而其分类结果要求是精确的[2-4]。然而在实际应用中,由于各种原因会造成数据误差的存在,对象和对象之间的不可分辨关系也会存在误差。为了克服局限性,拓宽粗糙集理论的应用,学者们从不
计算机应用与软件 2023年9期2023-10-09
- 基于模板匹配的搜索引擎粗糙集特征检索
，进行搜索引擎粗糙集查询；结合知识结构图模型设计，建立搜索引擎粗糙集查询数据的检索和特征匹配模型，构建搜索引擎粗糙集查询数据信息和文献资源的数据分析模型，能够提高数据检索的精准度。相关的搜索引擎粗糙集特征检索方法研究受到了人们的极大关注[1]。对搜索引擎粗糙集查询数据信息检索是建立在对大数据信息结构特征分析技术上的，采用统计特征分析方法，建立基于大数据分析和云计算技术的搜索引擎粗糙集特征检索模型[2-3]。文献[4]中提出基于大数据分析的搜索引擎粗糙集查询
物联网技术 2023年9期2023-09-21
- 基于极大相容块的区间集粗糙集
言Pawlak粗糙集［1-2］是处理不确定性问题的一种工具，其主要思想是运用等价关系将论域进行划分形成基本知识粒即等价类，通过利用等价类与目标集的关系，构建上、下近似集来刻画目标集。目前，粗糙集理论已被广泛应用于知识发现、图像处理、数据挖掘、人工智能［3-6］等领域。Pawlak粗糙集基于等价关系构建，信息系统完备且属性值单一。但在实际问题中，信息系统不完备或属性值较复杂，等价关系不再适用，经典粗糙集的应用也受到限制。为解决这一问题，许多学者对等价关系进行
山西大学学报（自然科学版） 2023年1期2023-04-06
- 基于隶属函数的模糊覆盖粗糙集新模型
59)0 引言粗糙集理论是由Pawlak于1982年提出的一种能够处理信息系统中知识的不确定性、粒度性和不完备性的数学工具[1]。其理论核心是一对基于论域上等价关系的近似算子。由于等价关系过于苛刻，人们把等价关系放宽为一般的(模糊)关系或者(模糊)覆盖，引入了各种各样的广义粗糙集[2-5]。覆盖粗糙集是Pawlak粗糙集的重要推广，是由Zakowski[6]最先引入的。近十年来，覆盖粗糙集[7-9]及其模糊推广[10-15]，一直是粗糙集领域的研究热点。例
聊城大学学报（自然科学版） 2022年5期2022-10-29
- 特征函数描述下的多粒度覆盖粗糙集及其不确定性度量
3)0 引 言粗糙集理论是由Pawlak[1]于1982年提出的一种主要用于处理不确定知识的工具.近年来,对粗糙集理论的研究取得了大量的研究成果[2-6].为使粗糙集更好地解决实际问题，Qian等人[7-8]在Pawlak粗糙集的基础上提出了乐观多粒度粗糙集和悲观多粒度粗糙集；Yang[9]在Qian的基础上进一步提出了一种基于优势关系的乐观多粒度粗糙集和悲观多粒度粗糙集.随着研究的深入，人们发现，知识与知识之间存在交叉的情况，因此覆盖粗糙集的概念应运而生
昆明理工大学学报(自然科学版) 2022年3期2022-07-07
- 局部双量化模糊粗糙集
3000）程度粗糙集是1996年姚一豫提出的[1],通过用逻辑语言分析粗糙集模型,给出了绝对量化信息和相对量化信息的定义.相对量化信息与绝对量化信息是描述目标概念与等价类之间重合部分的两种不同视角的表示方法.根据上述绝对量化信息的定义,产生了一个新的模型:程度粗糙集模型.与概率粗糙集模型不同,程度粗糙集模型是从绝对量化信息的角度分析目标概念与等价类之间的重叠部分的一个代表性的模型.通过引入程度参数k调节模型的精度和适用性.用更直观的角度去表示重合部分.通过
闽南师范大学学报(自然科学版) 2022年1期2022-03-28
- 基于边界域的变精度粗糙集
0)0 引 言粗糙集理论[1]作为一种处理不精确、不确定、不完备知识和数据的表示、学习、分类方法，在大数据快速发展的今天，已逐渐成为人工智能理论基础方向研究的重要分支。它在机器学习、模式识别、数据挖掘、信息处理、图像处理、医学诊断等诸多领域得到了一些较好的应用[2-9]。粗糙集理论的核心思想是利用分类方法，将等价关系确定的等价类当作已知的知识集合。进而，利用这些知识来表示任意的对象集。通过一对集值函数：上下近似算子，考虑已知知识包含于对象集，还是至少与对象
重庆邮电大学学报(自然科学版) 2021年5期2021-11-08
- 局部多粒度覆盖粗糙集
研究背景将经典粗糙集理论扩展至多粒度空间下的粗糙集模型[1-2]，在理论研究和实际应用上愈加重要，广泛应用于特征选择、 知识获取、 决策分析、 模式识别和医疗诊断等领域[3-6]．因实际问题中数据的多样性，经典粗糙集在实际应用场景中具有局限性，各类粗糙集扩展模型的研究成为一个研究热潮，如：决策粗糙集模型、 变精度粗糙集模型、 概率粗糙集模型等[7-9]．文献[10]研究了多粒度粗糙集模型的代数结构．文献[11]对模糊空间下的多粒度粗糙集模型进行了探讨．文献
西南大学学报（自然科学版） 2021年10期2021-10-21
- 变精度多粒度粗糙集的信任结构
wlak提出的粗糙集理论[1]是一种用于处理模糊、不确定信息的数学方法.目前，已有很多学者在不同的方向上对其展开了研究，这些方向有：覆盖粗糙集[2]、变精度粗糙集[3]、多粒度粗糙集[4-6]、变精度多粒度粗糙集[7]等.粗糙集上、下近似的定义太过于精确，不具有容错性.根据经典粗糙集的非容错性特征，Ziarko[3]结合概率论，定义了变精度粗糙集模型，它能够灵活地处理生活中一些具有模糊不确定的概念与决策.经典粗糙集与变精度粗糙集都属于单粒度粗糙集模型，然而
闽南师范大学学报(自然科学版) 2021年3期2021-10-19
- 一般多粒度量化软粗糙集模型
庆402160粗糙集[1]是一种用来进行数据挖掘和规则提取的数学工具。它在数据信息的处理中有独到的方法和手段，能准确地刻画对象。目前，粗糙集的研究主要体现在模型的应用和推广中[2-3]。例如：有些将等价划分中的粗糙集推广到区间值信息系统、序信息系统等[3-5]；有些将粗糙集和其他理论相结合建立了新的粗糙集模型[6-10]；有些将单论域的粗糙集推广到双论域中[11-13]。多粒度粗糙集[14]是粗糙集的一种推广，它最早由Qian在2010年提出。它是运用粒计
计算机工程与应用 2021年12期2021-06-23
- 基于Pawlak粗糙集模型的集合运算关系
071000）粗糙集理论是一种处理不精确、不确定与不完整信息的数学工具，最初是由波兰数学家Z.Pawlak于1982年提出来的。由于粗糙集理论在人工智能和认知科学的优越性，粗糙集理论被广泛的应用于机器学习、知识获取、数据挖掘、决策分析、过程控制、模式识别等许多领域。Pawlak粗糙集模型中，针对元素与粗糙集的关系已经给出了“肯定属于”与“可能属于”的概念，针对粗糙集之间的从属关系，给出了“ 粗相等”与“ 包含”的概念。本文针对粗糙集与元素之间的从属关系，补
科教导刊·电子版 2021年6期2021-05-06
- 基于相容关系的局部多粒度粗糙集模型
00)0 引言粗糙集理论是我们对于不确定信息进行近似处理的一种模型。该理论[1]的主要内容是通过不可分辨关系对信息系统进行粒化，从而构建目标概念中有关样本的上下近似集。为了适应社会的发展要求，粗糙集模型的推广与应用是许多学者讨论和研究的重点。由经典粗糙集的定义可以了解到经典粗糙集是在等价关系的基础上进行定义的，且主要是面对属性值完备且单一的信息系统，利用上下近似集来探寻信息系统中数据的相关性。但是实际应用中，由于考虑到现实问题的复杂性、数据的不完整性与不精
山西大学学报（自然科学版） 2020年4期2021-01-08
- 覆盖双向S-粗集模型的构造及其拓扑性质研究
lak所提出的粗糙集模型内，论域上的等价关系发挥着非常关键性的作用.首先，在等价关系基础上形成划分；其次，再进行论域上的上近似算子以及下近似算子的构建，即进一步精确概念，用于对不精确对象进行刻划；最后，更加深入地探究相关的知识获取以及知识约简方面的问题[1-4].然而，对于诸多实际应用而言，构建对象之间的等价关系存在极大的难度，甚至在对象之间就本质层面而言并非存在等价关系，某些情况下论域也不具备静态性特征.出于使粗糙集理论与应用对象得到有效扩大的目的，基于
商丘职业技术学院学报 2020年5期2020-12-01
- 局部广义多粒度粗糙集*
04)1 引言粗糙集理论是由Pawlak[1,2]在1982年提出的，它是处理不精确、不确定、模糊的有效工具。该理论已广泛应用于数据挖掘、特征选择、粒计算等领域。经典粗糙集理论是基于单粒即仅有一个等价关系,而多粒度粗糙集是与多个粒结构有关,即具有多个等价关系。多粒度粗糙集是由Qian等[3]在2006年首次提出的，是粗糙集理论的一个重要研究方向，并已成功地应用在许多方面，如多源信息系统、多尺度信息系统等[4]。近几年来已经被许多学者关注并广泛研究。Qian
计算机工程与科学 2020年8期2020-09-03
- 基于直觉模糊的双误差“逻辑与”多粒度粗糙集
3032）经典粗糙集理论模型是由波兰学者Pawlak[1]于1982年提出的一种不完整、不确定的数据表达方式。之后，衍生出许多相关理论，如在一定范围内允许分类误差的程度粗糙集及变精度粗糙集理论、从多个层次出发分析问题的多粒度粗糙集理论等。程度粗糙集及变精度粗糙集解决了经典粗糙集分类时过于严格的问题，在处理一些实际决策问题时允许存在一定程度的误差。因此，程度粗糙集及变精度粗糙集具有较高的应用价值。直觉模糊集[2]同时考虑隶属度、非隶属度和犹豫度信息，拓展了传
安徽工业大学学报（自然科学版） 2020年2期2020-07-10
- 粗糙集在多属性评价中的应用：理论分析与文献述评
量机、云模型、粗糙集等智能学习方法引入到多属性决策问题的研究，设计了基于智能方法的综合评价方法。作为一种有效的评价理论，粗糙集理论也受到了学者们的关注。粗糙集理论由波兰学者Pawlak 于1982 年提出[3,4]，是继概率论、模糊集、证据理论等理论之后处理不确定性信息的有效工具。伴随着数据科学的兴起，粗糙集理论得到了迅速发展。一些学者也将粗糙集应用到经济学、管理学、金融等诸多领域[5]。粗糙集理论在计算过程中完全由数据驱动，计算结果具有客观性，并且算法易
湖南工业职业技术学院学报 2020年1期2020-05-18
- 基于信息熵的粗糙集连续属性离散检验算法
要进行大数据的粗糙集挖掘，建立相关粗糙集连续属性离散数据的特征提取模型，在提高大数据的挖掘和自适应分类能力方面具有重要意义[1].对粗糙集连续属性离散数据的特征提取是建立在对数据的聚类属性分析基础上，采用自适应特征分类方法，进行粗糙集连续属性离散数据检测，采用特征标注方法构建粗糙集连续属性分布 的特征辨识模型[2]，结合关联规则挖掘方法，实现粗糙集连续属性离散检验.传统方法中，对粗糙集连续属性离散检验方法主要有关联规则挖掘方法、模糊特征提取方法和C 均值聚
湖南城市学院学报（自然科学版） 2020年1期2020-01-16
- 多粒度犹豫模糊粗糙集*
93）1 引言粗糙集理论［1］自著名的波兰教授Pawlak提出后已被广泛应用于模式识别、知识发现、决策支持、机器学习等众多研究领域［2～3］。经典的Pawlak粗糙集模型建立在不可分辨关系的基础上，仅能处理名义型或离散型数据。而对于连续型数据则显得力不从心。为了解决这一问题，Dubois等将Zadeh的模糊理论与粗糙集理论相结合提出了模糊粗糙集方法和粗糙模糊集方法。该结合取得了巨大的成功，众多学者在此方向展开了许多富有成效的研究。2009年～2010年，文
计算机与数字工程 2019年8期2019-09-03
- 变精度与程度“逻辑或”多粒度粗糙集
243032）粗糙集理论[1]是Pawlak 等学者在1982年提出的处理不确定、不精确和不完全数据的一种新的数学工具，主要研究内容是属性约简[2]和规则提取。多粒度粗糙集[3-6]作为一种新型的多视角数据分析方法，可以从多个粒度空间对目标概念进行近似逼近，使得边界区域减少，目标概念的表示精度得到提高，并且与其他处理不确定知识的理论结合，受到了学者们的广泛关注。文献[7]将多粒度粗糙集扩展到变精度多粒度粗糙集，文献[8]将其扩展到程度多粒度粗糙集，文献[9
苏州科技大学学报(自然科学版) 2019年2期2019-06-10
- 粗糙集的Mallow’s Cp选择算法*
wlak提出的粗糙集是一种有效的机器学习特征提取方法[1]，能从数据中归纳出易于理解的分类规则以揭示数据背后蕴藏的信息特征，不受限于数据分布，在经济[2-4]、文本挖掘[5-6]等多个领域有广泛应用。不同粗糙集构造方法得到的粗糙规则一般不同，在实际应用中，为了较好反映数据的真实关系，选择优良粗糙集至关重要。通常，择优粗糙集的标准是其在新样本上的泛化误差。泛化误差小的粗糙集为优良粗糙集，在新样本上具有强泛化能力。然而新样本事先并不可知，无法计算泛化误差，许多
计算机与生活 2019年3期2019-04-18
- 基于测度的广义覆盖粗糙集模型*
05）1 引言粗糙集理论［1］是1982年波兰数学家Pawlak首次提出来的，它是集合理论的一种延伸。该理论是用来处理模糊以及不确定性的知识，已经广泛用于人工智能、模式识别、数据库的知识发现和专家系统等方面［2～4］。粗糙集模型由于是基于确定性知识库的，忽略了可利用信息的不确定性，有学者将概率测度引入粗糙集理论形成了概率粗糙集［5］，近年来其得到了广泛的应用和发展［6～7，9，11］。目前概率粗糙集模型的研究方向主要有两个方面，一方面是从关系方面进行拓展，
计算机与数字工程 2018年12期2019-01-02
- 面向不完备信息系统的双论域决策粗糙集
——基于双相对量化信息的角度*
0261 引言粗糙集理论是由波兰数学家Pawlak于1982年提出的，其是一种有效处理不精确知识的数学工具[1]。目前该理论已经成为人工智能以及计算智能领域刻画不确定信息的主要工具，并且在机器学习、决策分析、模式识别、数据挖掘等领域得到广泛应用。经典的Pawlak粗糙集建立在等价关系基础上，这限制了粗糙集在实际中的应用。因此学者们不断地对其进行推广，先后建立基于相容关系、优势关系和相似关系等的扩展粗糙集模型[2]。Yao提出邻域系统的粒度计算模型，并应用到
计算机与生活 2018年4期2018-04-08
- 基于矩阵的多粒度粗糙集上、下近似表示
243032）粗糙集理论[1]是波兰学者Pawlak教授于1982年提出的分析不完整、不精确知识的数学工具。经过几十年来的发展，与粗糙集相关的研究已经取得了巨大的进步，并成功地运用于数据挖掘、神经网络、智能计算等领域。多粒度粗糙集[2-9]是近些年粗糙集研究的一个重要方向，是Pawlak粗糙集理论的发展，它利用多个粒度空间对目标概念进行近似逼近，使得目标概念的表示精度进一步提高，并可以与其他处理不确定知识的理论结合。多粒度粗糙集模型中的关键理论是上、下近似
苏州科技大学学报(自然科学版) 2018年1期2018-03-21
- 基于BIC的粗糙集择优和属性约简
研究日益重要。粗糙集是Pawlak于1982年提出的一种数据挖掘方法[1]，具有分类规则易于理解、不受数据分布类型限制等优点，现已广泛应用于经济[2-4]、人工智能[5-6]等领域。现有粗糙集的研究主要集中于粗糙集构造方法的完善以及针对不确定性数据和模糊性数据的粗糙集构造等问题[7-8]，而粗糙集优良性评估标准一直是研究重点，直接影响到粗糙集择优与粗糙集属性约简。粗糙集择优注重对采用不同方法构建的多个粗糙集进行择优，属性约简注重对剔除冗余信息属性的多个粗糙
统计与信息论坛 2018年3期2018-03-20
- 多粒度决策粗糙集模型研究
44)0 引言粗糙集理论[1]是一种处理不确定性问题的有效工具，主要利用知识约简直接从给定的数据集中挖掘出有效的确定性和不确定性决策规则.由于没有考虑到容错性，并且缺乏一定的语义，Yao通过引入贝叶斯风险分析，提出了具有容错能力的决策粗糙集模型，可以生成三支决策[2].该模型在聚类分析、推荐系统、图像处理、认知学习等方面取得了成功应用[3-8].传统决策粗糙集模型主要基于单个粒度，文献[9]结合多粒度思想提出了乐观和悲观的多粒度决策粗糙集模型，将决策粗糙集
郑州大学学报（理学版） 2018年1期2018-03-08
- 改进的模糊粗糙集模型
0）改进的模糊粗糙集模型陶 志，潘丽平，何丹峰（中国民航大学理学院，天津 300300）模糊粗糙集模型是对经典粗糙集模型的扩充，然而却有其不足之处。本研究提出的改进的模糊粗糙集模型，是建立在一般模糊粗糙集模型基础之上，将一个论域扩充成两个论域，同时重新定义了模糊粗糙集合的隶属函数，从而有效提高了新模型的粗糙近似精度和应用范围。理论分析和实例计算均证明了新模型的有效性和实用性。粗糙集；模糊集；模糊关系；模糊粗糙集模型?粗糙集理论[1]是1982年由波兰数学家
中国民航大学学报 2017年5期2017-12-01
- 组合多粒度粗糙集及其在教学评价中的应用
海组合多粒度粗糙集及其在教学评价中的应用钟诚1，李金海2(1. 海南热带海洋学院海洋信息工程学院，海南三亚 572022；2. 昆明理工大学理学院昆明 650500）本文通过分析现有的多粒度粗糙集在确定性决策中的不足，提出一种组合多粒度粗糙集，定义组合多粒度粗糙集的下、上近似集，研究组合多粒度粗糙集的性质，并讨论几种多粒度粗糙集的度量因子之间的关系。最后通过教学质量的决策评价分析，验证了所提出的模型是可行的。多粒度粗糙集；组合多粒度粗糙集；教学评价引言经
数码设计 2017年1期2017-10-13
- 变精度T-粗糙集*
7)变精度T-粗糙集*朱 熙 张惠玲 李 鑫(西安航空学院理学院 西安 710077)论文给出了变精度T-粗糙集的概念,并且研究了它的一些性质。讨论了双参数变精度T-粗糙集关于参数的变化情况。论文得到的结果从算子论和集合论的角度丰富了粗糙集的理论体系。粗糙集; 集值映射; 变精度粗糙集; 变精度T-粗糙集Class Number TP181 引言粗糙集理论是20世纪80年代初Z.Pawlak[1]针对边界域思想提出的。它是一种处理模糊和不确定性知识的数学工
计算机与数字工程 2017年3期2017-03-31
- 一种新的双论域上模糊粗糙集
的双论域上模糊粗糙集咸艳霞1，2*， 胡修兵3(1.武汉科技大学 冶金工业过程系统科学湖北省重点实验室， 武汉 430081； 2.武汉科技大学 理学院， 武汉 430081; 3.武汉科技大学 信息学院， 武汉 430081)粗糙集模型的推广一直是粗糙集理论研究的一个热点.该文基于模糊相容关系，定义了双论域上模糊集的上下近似算子，从而得到了一种新的双论域上模糊粗糙集模型，并研究了它的性质.粗糙集; 模糊粗糙集; 模糊相容关系; 双论域上模糊关系; 双论域
华中师范大学学报（自然科学版） 2017年2期2017-02-24
- 悲观的多覆盖模糊粗糙集
观的多覆盖模糊粗糙集张夏苇(厦门理工学院应用数学学院,福建厦门361024)在乐观的多覆盖模糊粗糙集的基础上,建立了悲观的多覆盖模糊粗糙集模型.分别讨论了悲观多覆盖模糊粗糙集、基于交的覆盖模糊粗糙集、覆盖模糊粗糙集和乐观多覆盖模糊粗糙集之间的关系.该模型的建立和得到的诸多性质丰富了粗糙集理论.模糊粗糙集;悲观;多覆盖粗糙集理论首先是由波兰数学家Pawlak[1]引入的,是一种处理不确定信息和数据非常有效的工具和方法.Pawlak粗糙集是由定义在论域上的一个
厦门大学学报（自然科学版） 2016年6期2016-12-07
- 多粒化粗糙集性质的几个充分条件
24)多粒化粗糙集性质的几个充分条件张夏苇(厦门理工学院应用数学学院，福建 厦门 361024)多粒化粗糙集是Pawlak粗糙集非常重要的一种推广，主要给出当X是C(C′)中任意有限个元素的并集时,乐观多粒化粗糙集(悲观多粒化粗糙集)上下近似对于交并运算的封闭性;得到若X是C′中任意有限个元素的并集，乐观多粒化粗糙集和悲观多粒化粗糙集下近似相等；若～X是C′中任意有限个元素的并集,乐观多粒化粗糙集和悲观多粒化粗糙集上近似相等.多粒化;粗糙集;等价关系;充
厦门理工学院学报 2016年3期2016-11-10
- 元素最小描述并集下的概率粗糙集模型及其决策
述并集下的概率粗糙集模型及其决策蔡克参*，刘财辉（赣南师范大学数学与计算机科学学院，江西赣州，341000）基于元素的最小描述并集，本文提出了一种新的概率粗糙集模型。针对新模型设计了相应算法来计算元素最小描述并集及相应条件概率。最后通过一个实例，比较了已有模型和新模型在决策中的应用，结果表明新模型更具有合理性。粗糙集；覆盖；最小描述；概率粗糙集；决策粗糙集引言粗糙集理论[1]是Pawlak于1982年提出的一种新的处理模糊和不确定性知识的数学工具。随着粗糙
数码设计 2016年1期2016-10-13
- 元素最小描述并集下的多粒度覆盖粗糙集模型
下的多粒度覆盖粗糙集模型刘财辉，蔡克参(赣南师范大学 数学与计算机科学学院，江西 赣州 341000)为了拓展多粒度粗糙集理论在覆盖近似空间上的研究，本文利用元素的最小描述并集并结合条件概率，提出了3种多粒度覆盖粗糙集模型。在模型定义基础上，本文研究了3种新模型的一些特有性质，探讨了新模型与一些已有模型的内在联系与区别，对3种新模型进行了比较。研究结果表明一些已有模型是本文模型的特殊形式，是已有模型的有效拓展。粗糙集；多粒度；条件概率；覆盖； 最小描述中文
智能系统学报 2016年4期2016-09-27
- 基于证据理论刻画多粒度覆盖粗糙集的数值属性
刻画多粒度覆盖粗糙集的数值属性车晓雅1，李磊军1,2，米据生1,2(1.河北师范大学 数学与信息科学学院，河北 石家庄 050024； 2.河北省计算数学与应用重点实验室，河北 石家庄 050024)在经典多粒度粗糙集模型的基础上，基于论域中对象的极大描述和极小描述，定义了4种应用更为广泛的悲观多粒度覆盖粗糙集模型。然后通过集合的交、并运算与关系划分函数，构造了对象关于覆盖族的单粒度的多元覆盖及单粒度划分。在此基础上，基于证据理论，探讨了4种悲观多粒度覆盖
智能系统学报 2016年4期2016-09-27
- 基于参数k 的程度粗糙集模型研究
663000)粗糙集理论［1］是由波兰科学家Z．Pawlak 于1982 年首次提出的．Pawlak 粗糙集的特点是它处理的分类必须是完全正确的或是肯定的，因此它的分类是精确的，即只考虑完全包含与不包含，而没有某种粗度的包含与属于;并且它所处理的对象是已知的，所以从模型中得到的结论仅适合于这些对象．Pawlak 粗糙集模型的这些特点限制了它的广泛应用．为了弥补该缺陷，许多学者从不同角度推广了这一模型，如程度粗糙集模型、变精度粗糙集模型等［2－6］、多粒度粗
湖北民族大学学报(自然科学版) 2015年1期2015-12-09
- 基于分类误差函数的变精度粗糙集模型研究
差函数的变精度粗糙集模型研究黄卫华，陆亚哲(文山学院数学学院，云南文山 663000)由于对每个等价类的了解程度不同，其错误分类率的上限也不相同，即每一个等价类对应一个错误分类率. 通过引入一个错误分类函数得到基于分类误差函数的变精度粗糙集模型；基于分类误差函数的变精度粗糙集模型随着分类误差函数的增大，其下近似算子扩大，上近似算子缩小，边界缩小. 并用一个典型例子说明基于分类误差函数的变精度粗糙集模型相对于变精度粗糙集模型其精确度提高了.粗糙集；近似算子；
湖北文理学院学报 2015年8期2015-10-13
- 变精度粗糙集模型研究
044)变精度粗糙集模型研究黄卫华1,杨国增2,陆亚哲1,周 平1(1.文山学院数学学院，云南 文山 663000；2.郑州师范学院数学与统计学院，河南 郑州 450044)在经典粗糙集模型的基础上引入了参数β(0≤β粗糙集；变精度粗糙集；近似算子0 引 言粗糙集[1]理论的核心问题是分类分析。经典粗糙集模型的一个不足是处理的分类必须是完全正确的或是肯定的，因为它是严格按照等价关系来分类的，因而分类是精确的；且所处理的对象是已知的，故从模型中得到的结论仅适
河北北方学院学报（自然科学版） 2015年4期2015-07-18
- 基于多数包含关系的广义变精度粗糙集模型
系的广义变精度粗糙集模型黄卫华，冯云再，陆亚哲（文山学院数学学院，云南 文山 663000）通过分析Ziarko变精度粗糙集模型的不足，引入误差参数α（0≤α＜0．5），定义了基于多数包含关系的广义变精度粗糙集模型；讨论了该模型中α上、下近似算子的性质；验证了当｜RP（x）｜·α＝k时，广义变精度粗糙集模型退化为程度粗糙集模型；最后，举例说明了该模型在数据挖掘中的应用．粗糙集；近似算子；多数包含关系；广义变精度粗糙集1982年波兰数学家帕夫拉克提出的粗糙集
湖北民族大学学报(自然科学版) 2015年3期2015-06-23
- Nanda意义下模糊粗糙集的包含度及其生成
能够有更多模糊粗糙集的包含度的具体形式可供选择，给出模糊粗糙集的包含度的生成方法很有意义［1－2］。本文给出了L－模糊集的包含度的性质，在此基础上定义了Nanda意义下模糊粗糙集的包含度，利用所证的包含度的性质给出了模糊粗糙集包含度的生成方法，最后从另一角度通过构造某些函数进一步讨论了强包含度的生成问题。1 包含度的性质定义1 设(L，≤)是非空偏序集，若映射D:L×L→［0，1］，对任意的 α，β，γ∈L 满足:当 α≤β时，D(β/α)=1;当 α≤β
军事交通学院学报 2015年5期2015-05-09
- 格中粗糙集的若干性质
119)格中粗糙集的若干性质周欣，赵彬*(陕西师范大学数学与信息科学学院，陕西西安710119)摘要：利用粗糙集的理论方法,对格的粗糙集和S-模糊粗糙集的一些性质进行研究。证明了上近似算子在分配格的理想(滤子)之集上的不动点之集关于包含序构成一个凝聚的Frame,给出了下近似算子在有限格的理想(滤子)之集上不动点的刻画。最后,研究了格的S-模糊粗糙子格(理想、滤子)的一些性质。关键词:粗糙集;S-模糊粗糙集;上(下)近似算子;理想;滤子;不动点MRsub
陕西师范大学学报（自然科学版） 2015年2期2015-02-22
- 一种新的广义多粒度优势关系粗糙集
多粒度优势关系粗糙集张 明1，孙佳伟1，程 科1，徐维艳2，潘 磊1(1.江苏科技大学计算机科学与工程学院，江苏镇江212003)(2.江苏科技大学数理学院，江苏镇江212003)通过分析乐观和悲观多粒度优势关系粗糙集下近似的决策过程，提出了一种新的广义多粒度优势关系粗糙集，并将乐观多粒度优势关系粗糙集和悲观多粒度优势关系粗糙集统一到广义多粒度优势粗糙集模型中.然后，比较了这3种多粒度优势关系粗糙集的下近似、上近似和度量因子之间的关系.最后讨论了广义多粒度
江苏科技大学学报(自然科学版) 2015年6期2015-01-17
- 基于测试代价敏感的多粒度模糊粗糙集模型
感的多粒度模糊粗糙集模型徐苏平，杨习贝，范霁月，钱林峰，马 健（江苏科技大学 计算机科学与工程学院，江苏 镇江 212003）多粒度模糊粗糙集是经典多粒度粗糙集模型在模糊环境下的有益扩展，然而，已有的多粒度模糊粗糙集并未考虑考虑数据的测试代价，为解决这一问题，本文提出了基于测试代价敏感的多粒度模糊粗糙集模型，分析了其相关性质。研究表明，本文提出的模型是传统多粒度模型在应用背景下的有力扩展。测试代价敏感；多粒度； 模糊；粗糙集作为一种处理不精确、不确定性问题
电子设计工程 2014年7期2014-07-13
- 广义模糊粗糙集的包含度和相似度
44）广义模糊粗糙集的包含度和相似度黄卫华1，杨国增2（1.文山学院 数学学院，云南 文山 663000；2.郑州师范学院 数学与统计学院，河南 郑州 450044）模糊粗糙集是目前数据挖掘领域关注的热点之一，作者在Pawlak粗糙集模型基础上，把一个论域推广为两个论域；把等价关系推广为模糊关系，被近似对象换成模糊集，得到广义模糊粗糙集模型，建立了广义模糊近似空间。在广义模糊近似空间中定义了广义模糊粗糙集上的包含度和相似度，并讨论了此包含度和相似度相关性质
文山学院学报 2014年6期2014-03-02
- 多粒度粗糙集与多源信息系统中的粗糙集模型
基础上，提出了粗糙集理论［1－4］。近年来，这一理论已被证实在模式识别、机器学习和自动知识获取等众多领域有着广泛而又突出的应用。Pawlak定义了知识基的概念，在一个知识基中，有一族等价关系，所有这些等价关系的交集称为不可分辨关系，因而这个不可分辨关系依然是一个等价关系。在这个不可分辨关系的基础上，Pawlak给出了粗糙下近似和粗糙上近似的概念，使用已有的知识来近似地逼近未知的概念。然而值得注意的是，Pawlak的粗糙集模型是建立在仅仅一个不可分辨关系的基
淮阴工学院学报 2011年1期2011-04-11
- 程度与精度的逻辑差粗糙集模型
1731)经典粗糙集模型[1]的缺陷在于忽略了类与集合重叠部分的定量信息。而在实际中，集合间往往呈现一定程度的包含关系[2]，因此需要拓展经典粗糙集模型，而变精度粗糙集[3]和程度粗糙集[4]就是两个重要的拓展模型。传统的变精度粗糙集模型基于多数包含关系，即参数β范围为[0,0.5)，从理论与实际出发，需要也容易把参数β范围拓展到[0,1][5]。实际上，变精度粗糙集和程度粗糙集分别来源于可能性模态逻辑和程度模态逻辑[4]。变精度粗糙集模型的理论和应用是研
电子科技大学学报 2010年5期2010-04-26