基于相容粗糙集的ELM网络结构选择

翟俊海， 邵庆言， 苗 青

（河北大学 数 学与计算机学院，河北 保 定 071002）

0 引 言

粗糙集理论［1］是波兰数学家Pawlak教授于1982年提出的一种数据挖掘方法，已成功应用于数据挖掘、模式识别、机器学习及决策分析等领域。粗糙集理论是一种不确定性数据分析工具，与经典集合论、模糊集理论并称三大集合理论［2］。

Pawlak建立的粗糙集模型是架构在等价关系基础上的，用一对逼近算子（上近似算子和下近似算子）逼近目标概念。在逼近目标概念时，不需要任何先验知识，所以经典粗糙集模型是一种完全数据驱动的方法。但经典粗糙集模型只能处理离散值数据，使其应用有一定的困难。许多研究人员从不同的角度对经典粗糙集模型进行了扩展［3－12］。在允许有一定错分率的情况下，文献［3］提出了变精度粗糙集模型。文献［4－5］通过在经典粗糙集模型中引入概率方法，提出了概率粗糙集模型。文献［6］通过将决策理论引入到经典粗糙集，提出了决策粗糙集模型。这3种扩展模型是在等价关系的框架下，只对上近似算子和下近似算子的定义进行了改进。文献［7］将等价关系扩展为一般二元关系，提出了广义粗糙集模型。文献［8］将等价关系扩展为优势关系，提出了基于优势关系的粗糙集模型。文献［9］将等价关系扩展为相容关系，提出了相容粗糙集模型。在这3种扩展模型中，被逼近的目标概念和经典粗糙集是一样的，但将等价关系进行了扩展。文献［10］将被逼近的目标概念扩展为模糊集，等价关系扩展为模糊相似关系，提出了模糊粗糙集模型。……