一种多粒度覆盖粗糙集模型

多粒度粗糙集是粗糙集模型在多粒度及分布式环境中的一种重要的拓展形式,其主要思想是采用一族而非一个粒空间中的知识来对目标进行粗糙逼近。将多粒度的思想引入覆盖粗糙集模型中,采用一族而非单个的覆盖,提出了一种多粒度覆盖粗糙集模型。

特征函数描述下的多粒度覆盖粗糙集及其不确定性度量

多粒度粗糙集模型是粒计算研究领域的一个热点.本文在覆盖粗糙集模型最小描述交的基础上定义了支持特征函数,设计了广义、悲观和乐观三种新的多粒度覆盖粗糙集模型,并探讨了这三种模型的相关性质.同时,分别从上、下近似及边界域的角度出发,提出了两类度量多粒度覆盖粗糙集不确定性的计算方法,并讨论了在阈值变化情况下不同度量的变化情况.最后,此次研究在4个UCI数据集上进行了相关实验,实验结果验证了方法的有效性和可行性.

基于最小/最大描述的多粒度覆盖粗糙直觉模糊集模型

覆盖粗糙集和直觉模糊集都是处理不确定性问题的基础理论,它们有着很强的互补性,且覆盖粗糙集和直觉模糊集的融合研究是一个新的热点。对多粒度覆盖粗糙集和直觉模糊集的融合进行深入研究。首先将最小描述、最大描述从单一粒度推广到多个粒度,提出了多粒度的最小描述和最大描述,讨论了多粒度的融合;其次,分别给出了基于最小描述和最大描述的模糊覆盖粗糙隶属度、非隶属度的概念,构建了两种新的模型即基于最小描述的多粒度覆盖粗糙直觉模糊集和基于最大描述的多粒度覆盖粗糙直觉模糊集,并讨论了它们的性质,同时举例说明;最后,分析和研究了两种模型的关系。该研究为多粒度覆盖粗糙集和直觉模糊集的融合提供了一种方法。