一种新的不完备多粒度粗糙集

首先将悲观多粒度的概念引入不完备粗糙集,给出了容差关系下不完备悲观多粒度粗糙集模型.其次,针对缺席型未知属性值,将非对称相似关系引入多粒度空间,提出了一种新的不完备多粒度粗糙集模型.该模型包括非对称相似关系下的乐观多粒度和悲观多粒度这一对不完备多粒度粗糙集模型.随后分析了这对新模型的具体性质,并将其与基于容差关系的不完备多粒度粗糙集进行了对比分析,发现使用基于非对称相似关系的不完备多粒度粗糙集,可以获得更高的近似精度.

基于粗糙集理论的不完备数据分析方法的混合信息系统填补算法

为了提高基于粗糙集理论的不完备数据分析方法(ROUSTIDA)在实际应用中对包含离散型(如整型、字符串型、枚举型)、连续型(如浮点数表达)、缺失型属性的混合信息系统(HIS)数据的填补能力,提出了一种基于粗糙集理论的混合信息系统缺失值填补方法(RSHISMIA)。首先,根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分,解决了填补后可能出现的决策规则冲突问题;其次,定义混合距离矩阵来合理量化对象间的相似性,从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点;然后,结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后,使用10个UCI标准数据集进行实验,将所提出的方法与ROUSTIDA、K近邻填补(KNNI)算法、随机森林填补(RFI)算法和矩阵分解(MF)等几种经典算法进行了比较。实验结果表明,与ROUSTIDA相比,所提方法在查全率上平均高出81%,在查准率上提升了5%~53%,且其归一化均方根误差(NRMSE)最多减小了0.12。此外,所提方法的分类准确率与ROUSTIDA相比平均提升了7%,且优于KNNI、RFI及MF等填补算法。