可调节多粒度粗糙集的细化与粗化

在经典的多粒度粗糙集模型中,属性值细化和粗化后的下近似、上近似变化并不明显,因此在处理实际问题时存在一定局限性。该文首先构造了属性值细化和粗化时的可调节多粒度粗糙集,讨论了可调节多粒度粗糙集下、上近似的一些性质,并设计了相应的增量算法。最后在实验部分中,通过调节数据集、属性集的大小对增量算法和原有的静态算法的计算时间进行比较。实验结果表明提出的可调节多粒度粗糙集在细化和粗化时的增量算法可以更加准确、高效地处理大型数据。

基于相似度的直觉模糊多粒度决策理论粗糙集

多粒度决策理论粗糙集具有强大的理论基础和合理的语义解释。考虑直觉模糊集和多粒度决策理论粗糙集在知识表达和信息处理方面各自具有很强的优势,本文提出了直觉模糊多粒度决策理论粗糙集模型。首先,在多源直觉模糊信息系统中,通过构造直觉模糊相似关系,对对象集进行直觉模糊划分,进而得到了多源直觉模糊粒结构。其次,利用直觉模糊相似度及多源直觉模糊相似类实现了对目标集合的多粒度近似。另外,给出了该模型的一些主要性质。最后,通过实例验证了该模型的有效性。该模型为实际应用中的多源数据分析提供了一种有效的思路与方法。