双向S-变精度优粗集模型及其应用

针对S-粗集模型及其现有扩展模型不能有效处理具有动态特性的偏好信息系统这一缺陷,本文提出了一种双向S-变精度优粗集模型,并给出了该模型的一些性质。新模型具有一定的抗数据干扰能力,从而可在动态偏好信息决策系统中获得更加合理的分类;最后给出一个应用实例,验证了新模型的有效性。

变精度双向S-粗集及其应用

提出基于副集的双向S-粗集,变精度双向S-粗集;给出基于副集的双向S-粗集,变精度双向S-粗集的数学结构;给出变精度双向S-粗集的存在背景和意义解释。变精度双向S-粗集是对双向S-粗集理论的完善和发展。

变精度双向IS-粗集及其应用

在S-粗集的基础上,提出了双向IS-粗集(two direction improper singular rough sets)的概念,给出双向IS-粗集及变精度双向IS-粗集的数学结构,讨论了变精度双向IS-粗集上、下近似算子的性质,并举例说明了变精度双向IS-粗集的应用。

变精度双向IS-粗集

在S-粗集的基础上,提出IS-粗集(improper singular rough sets)的概念,给出双向IS-粗集(two direction improper singular rough sets)和变精度双向IS-粗集(variable precision two direction improper singular rough sets)的数学结构,并讨论了不同精度的上、下近似算子的性质。

变精度双向变异S-粗集与它的变异结构

提出了变精度双向变异S-粗集的概念和它的变异结构,给出了变精度双向变异S-粗集的有关性质定理和推论,并对此进行了讨论。通过实例分析并验证了动态系统由于属性集合的双向动态迁移特性与变精度参数的变化所产生的双向变异S-粗集的上近似、下近似、近似边界区域以及分类近似精度的变化关系和趋势,指出了变精度双向变异S-粗集的研究与应用方向。

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α(0≤α<0.5),给出了变精度广义s-粗集模型及其有关性质定理.通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系.

变精度单向S-粗集

提出基于副集的单向S-粗集,变精度单向S-粗集;给出基于副集的单向S-粗集,变精度单向S-粗集的数学结构,变精度单向S-粗集的存在背景和意义解释.变精度单向S-粗集是对单向S-粗集理论的完善和发展.

基于变精度优粗集模型的一致性规则挖掘算法

为了在含有噪声数据的优势关系系统中进行数据挖掘,提出以修正的知识粒度作为改进粗糙规则集的不确定性度量,并以此为启发式信息进行属性的相对约简,再依据变精度优粗集所给的参数值导出一致性规则集,并对参数值影响规则集的程度进行灵敏度分析。该算法所得到的一致性规则集具备较高的准确度和覆盖度,同时又可排除由数据噪声所引起的不一致性,从而保证了预测和分类的准确性和合理性。通过实例证明该算法是一种规则获取的有效方法。

变精度双向变异S–粗集及其结构

将双向变异S–粗集模型推广为变精度双向变异S–粗集,给出了变精度双向变异S–粗集与变精度双向S–粗集的等价性定理和变精度变异–对偶原理.

变精度变异函数S-粗集与F-结构

动态系统规律知识是规律对象(规律外延)与规律属性(规律内涵)的统一体,利用变异单向函数S-粗集与变精度粗集提出变精度变异单向函数S-粗集的概念和它的F-结构,给出变精度变异单向函数S-粗集的有关性质定理和推论,对此进行了讨论。应用变精度变异函数单向S-粗集对动态系统的内涵规律的精度进行数据挖掘。容易挖掘-发现出动态系统中规律的相关性和规律的近似决策规则。变精度变异单向函数S-粗集为研究动态系统规律提供了一种新的途径。

P-二重粗积分与函数双向S-粗集的近似精度

以函数双向S-粗集的上、下近似生成的函数为基础,提出P-粗区域和P-二重粗积分的概念,并讨论其性质,指出P-二重粗积分是F-二重粗积分、F二重粗积分和普通二重积分的推广。在P-二重粗积分的基础上,提出函数双向S-粗集的近似精度与近似粗糙度的概念,得出函数双向S-粗集可分辨定理。

变精度单向变异S-粗集及其结构

提出变精度单向变异S-粗集,给出变精度单向变异S-粗集的数学结构,提出变精度单向变异S-粗集与变精度单向S-粗集的等价性定理与变精度变异-对偶原理。

双向变异S-概率粗集和它的属性概率性质

利用双向变异S-粗集的属性动态迁移特性,结合知识库中的统计信息,提出了双向变异S-概率粗集.讨论了双向变异S-概率粗集的属性概率性质,为获得动态的决策规则奠定了基础.利用上述讨论,给出了一个具体的应用实例.

变精度覆盖S-粗糙集模型及其性质

在覆盖S-粗糙集模型的基础上,给出了变精度覆盖S-粗糙集模型及其有关性质.即:(1)XβCβ(X);(2)覆盖上(下)近似算子相对分类误差β具有单调性,β覆盖边界域相对分类误差β也具有单调性.

S-变精度粗集

针对属性间无函数或不确定关系的动态数据分类问题,依据S-粗集理论,提出了S-变精度粗集,给出了S-变精度粗集的两类形式:单向S-变精度粗集,双向S-变精度粗集,最后介绍了该理论的一个简单应用。

基于双向S-粗集的动态粗传递模型

根据信息传递中我们需要准确可靠的信息这种实际情况,利用双向S-粗集理论提出了一种动态粗传递模型,即双向S-下近似动态粗传递模型。分析了该模型的特性,得到了信息保持不变、信息发生损失与知识的关系,给出了提高信息传递精确性的方法以及该模型的应用。

双向S-粗集系统不确定性的近似处理方法

双向S-粗集的边界变化会引起系统不确定性。针对该问题提出内边界和外边界的概念,讨论内边界和外边界的相关性质,阐述相对精度度量方法。给出系统不确定性近似处理方法,通过实例说明在双向S-粗集边界域中,元素灵活迁移而得到的相对精度能满足一定分类误差要求,验证了该系统的可行性和有效性。

变精度动态S-粗集模型及应用

通过分析变精度概率粗集模型与概率S-粗集模型的不足,给出了一般关系下的变精度S-粗集模型,并将变精度与概率S-粗集相结合,得到了变精度概率S-粗集模型。运用该模型处理相关动态问题会明显降低决策失误的风险。

双向S-概率粗糙集及其应用

在集合X的双向动态特性与知识库中统计信息的基础上,提出了双向S-概率粗糙集模型。讨论了双向S-概率粗糙集的动态特性,给出了双向S-概率粗糙集的应用。

基于S-粗集的图像阈值分割方法

介绍了S-粗集的概念,结合其动态迁移特性给出了可以适应复杂背景和含噪环境的图像S-粗集表示模型,使静态目标可以将"不好"特性像素点迁移出去.利用粗糙熵平衡目标和背景粗糙度对边界的影响,提出一种更具适应性的图像阈值分割算法.为了适应离散点的迁移,同时避免粒度大小的选择,结合包含度概念给出了图像变精度S-粗集表示模型,利用精度参数来控制调节获取最佳分割阈值,实现目标提取.仿真实验表明,所提出算法具有更好的图像分割效果.