基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。

乐观多粒度区间集粗糙集

Pawlak粗糙集基于单个粒空间(一个等价关系)建立了上、下近似来刻画目标概念,而乐观多粒度粗糙集则利用多个粒空间(一族等价关系)对目标概念进行近似描述,是Pawlak粗糙集的一种扩展.区间集通过上、下界给出了概念的外延范围.在区间集粗糙集的基础上,提出了乐观多粒度区间集粗糙集,研究了它们的性质,并进一步给出了单个和多个粒空间下几种区间集粗糙集和乐观多粒度区间集粗糙集之间的关系.

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.