粗糙集最优近似的动态更新方法

罗来鹏，范自柱

华东交通大学理学院，江西南昌 330013

粗糙集理论[1-2]是建立在集合论基础上，用来分析和处理不精确、不协调、不完备信息的数学理论，是当前3大粒计算模型之一，已被成功应用于人工智能与机器学习等领域．目标概念在近似空间上的近似表示与计算，是粗糙集理论研究与应用的基础．当目标概念无法用近似空间上基本知识粒完全定义时，一直以来都是借用拓扑中的内核和闭包概念，采用其上近似集和下近似集作为近似边界来刻画，因此，目标概念在近似空间上往往存在边界域的不确定性，进而造成系统及规则知识的不确定性.为深入挖掘及有效利用边界域信息，ZIARKO[3-4]提出变精度近似并建立变精度粗糙集模型和概率粗糙集模型，所得约简规则提高了容错性，且能将小样本数据得到的结论用到大数据中．但是，这两个模型在实际应用中存在如何优化参数阈值的问题，参数值直接影响近似集计算和属性约简结果[5]．同时，这种近似的思路仍然是从基本知识粒即等价类角度来定义目标概念的近似，并未从系统角度来看待目标概念的近似，且当目标概念是粗糙时，其近似表示仍是用它的下(上)近似集，而非一个具体的可定义的集合．为此，张清华等[6-7]以相似度为度量标准提出目标概念的最优近似，即在近似空间上所有可定义的集合中找一个与目标概念相似度最高的集合作为目标概念的近似．基于此，LUO等[8]给……